韻律はAI英会話の採点でどう測られるのか。抑揚とリズムの評価項目を公式仕様から分解した

AI英会話の採点画面に「韻律」あるいは「Prosody」という項目が出てきて、それが何を測った数字なのか分からないまま眺めている人は多い。

発音の点数なら、まだ想像がつく。

だが韻律は「音が合っているか」ではなく、「話し方が自然かどうか」を数字にしたものだ。

そして韻律の採点には、公式の仕様書を読まないと絶対に気づけない条件が3つ付いている。

初期状態では動かないこと、使える言語の設定がごく狭いこと、そして総合点への効き方が他の項目と違うこと。

この記事では、AIの音声採点の部品を売っている会社が公開している開発者向けドキュメントの記述だけを材料にして、韻律という項目を1つずつ開けていく。

サービスの順位づけはしない。仕組みの話だけをする。

【結論】韻律はAI英会話で「ProsodyScore」という1つの数字に畳まれている

先に答えを置く。

多くのAI英会話が採点の土台に使っているマイクロソフトの発音評価では、韻律は ProsodyScore という結果値として返ってくる。

公式ドキュメントはこのスコアを「与えられたスピーチのプロソディー。プロソディは、ストレス、イントネーション、話す速度、リズムなど、与えられたスピーチがいかに自然であるかを示します」と定義している（発音評価の使い方・Microsoft Learn）。

⇒ 韻律は4つの要素をまとめて1つの数字に畳んだものであって、項目ごとに点が分かれているわけではない。

公式が挙げている韻律の要素	ふだんの言葉でいうと
ストレス	どの音節を強く言うか
イントネーション	声の高さの上げ下げ
話す速度	速いか遅いか
リズム	強弱と間の並び方

重要なのは、この4つが「正しい発音かどうか」とは別枠で測られているという点だ。

同じドキュメントで、音そのものの正しさは AccuracyScore という別の項目になっている。

公式の説明は「精度は、音素がネイティブ スピーカーの発音とどの程度一致するかを示します」だ。

⇒ 音は合っているのに韻律の点が低い、という状態は仕様のうえでふつうに起こる。

韻律はAI英会話の採点項目のどこに位置しているのか

韻律だけを見ていても、なぜその点になったのかは分からない。

採点は複数の項目が並列に走っていて、韻律はそのうちの1本だからだ。

公式ドキュメントが結果パラメーターとして並べているものを整理すると、こうなる。

項目	何を測っているか（公式の定義）	粒度
AccuracyScore	音素がネイティブ スピーカーの発音とどの程度一致するか	音素・音節・単語・全文
FluencyScore	単語間のサイレント区切りの使い方がどの程度ネイティブに近づくか	全文レベル
CompletenessScore	入力参照テキストに対する発音された単語の比率	全文レベル
ProsodyScore（韻律）	ストレス・イントネーション・話す速度・リズムなど、いかに自然であるか	全文レベル
PronScore	上記を重み付けした発音品質の全体スコア	全文レベル

ここで目に留めておきたいのは、韻律の粒度が「全文レベル」しかないことだ。

精度は音素まで割れるのに、韻律は1回の発話に対して1つの数字しか出ない。

⇒ 韻律の点が低いとき、「どの単語が悪かったのか」はスコアそのものからは読めない。

ただし後述するフィードバックの側には、単語レベルの情報が入っている。そこを見るしかない。

韻律の評価はAI英会話の初期状態では動いていない

これがいちばん見落とされている条件だ。

公式ドキュメントは、韻律の評価について EnableProsodyAssessment というメソッドを用意していて、その説明をこう書いている。

「発音評価のためにプロソディ評価を有効にします。この機能は、ストレス、イントネーション、話す速度、リズムなどの側面を評価します」。

そして続けて「プロソディ評価の有効化は省略可能です」とある。

⇒ 韻律の採点は、サービス側が明示的にオンにして初めて返ってくる。オンにしなければ、そもそも数字が出ない。

• オンにしていないアプリでは、韻律の欄そのものが存在しない。
• 公式は「このメソッドが呼び出されると、ProsodyScore 結果値が返されます」と書いている。裏を返せば、呼ばなければ返らない。
• さらに「プロソディ評価を調べるには、SDK バージョン 1.35.0 以降にアップグレードします」という条件も付いている。

つまり韻律の有無は、あなたの実力ではなくアプリの実装で決まる部分がある。

採点項目が3つしかないアプリと4つあるアプリを比べて「こっちのほうが厳しい」と言っても、比較として成立していない可能性がある。

韻律の評価はAI英会話で言語設定を変えると消える

公式ドキュメントには、同じ注意書きが2か所に繰り返し置かれている。

「プロソディ評価は、en-US ロケールでのみ利用可能です」。

これは韻律の採点が米国英語の設定でしか動かないという意味だ。

⇒ イギリス英語やオーストラリア英語で練習したいと思ってロケールを切り替えると、韻律の評価はそこで落ちる。

同じドキュメントは、音節レベルの精度スコアについても「音節レベル (en-US のみ)」と括弧書きしている。

また、どのロケールを選ぶべきか迷った場合について、公式はこう助言している。

「複数のロケールを持つ言語に設定するロケールがわからない場合は、各ロケールを個別に試してください。たとえば、スペイン語の場合は、es-ES して es-MX してみてください。シナリオに対してどのロケールがより高いスコアを持つかを判断します」。

⇒ ロケールを変えれば同じ声でもスコアが変わる、と公式が前提にしている。

採点が急に甘く／辛くなったと感じたときは、設定の話である余地がある。

韻律のスコアはAI英会話の総合点にどう効くのか

ここが、韻律という項目のいちばん実用的な部分だ。

公式ドキュメントは総合スコアの計算方法を、式の形でそのまま公開している（発音評価の使い方・Microsoft Learn）。

「精度、プロソディ、流暢さ、完全性のスコアを低から高 (各スコアが使用可能な場合) に並べ替え、最も低いスコアから s0 から s3 までの最高スコアを表す場合、発音スコアは次のように計算されます」。

シナリオ	韻律スコアの有無	公式が示している式
読み取り（原稿を読む）	あり	PronScore = 0.4 * s0 + 0.2 * s1 + 0.2 * s2 + 0.2 * s3
読み取り	なし	PronScore = 0.6 * s0 + 0.2 * s1 + 0.2 * s2
話す（自由発話）	あり	PronScore = 0.6 * s0 + 0.2 * s1 + 0.2 * s2
話す	なし	PronScore = 0.6 * s0 + 0.4 * s1

s0 は「いちばん低いスコア」だ。そこに最大の重みが乗っている。

⇒ 韻律が自分の最低点になっているなら、韻律を1つ直すのが総合点を上げる最短経路になる。

逆に、韻律が高くて精度が最低点なら、韻律をいくら磨いても総合点の動きは鈍い。

式が公開されているということは、伸ばす順番が計算できるということでもある。

公式自身も「この数式は、各スコアの重要度に基づく加重計算を提供し、発音の包括的な評価を保証します」と書いている。

韻律の中身①｜AI英会話が見ている「間」の測り方

韻律のフィードバックは、スコアとは別に単語レベルで返ってくる。

公式は「Feedback＝Break や Intonation など、単語レベルに関するフィードバック」と説明している。

Break は日本語でいえば「間」や「区切り」にあたる部分だ。

ここで返るエラーの種類は2つある。

• UnexpectedBreak＝公式の説明は「単語の前に予期しない中断が発生したことを示します」。要するに、切ってはいけないところで切っている。
• MissingBreak＝公式の説明は「単語の前に欠けている区切りを示します」。切るべきところで切っていない。

そして判定の作り方まで公式が明かしている点が面白い。

「現在のバージョンでは、中断エラーの種類は提供されません。UnexpectedBreak – Confidence フィールドと MissingBreak – confidence フィールドにしきい値を設定して、単語の前に予期しない改行や欠落した改行があるかどうかを判断する必要があります」。

そのうえで推奨値が書かれている。「両方の信頼度スコアで推奨されるしきい値は 0.75 です」。

⇒ 「間がおかしい」という判定は、0か1かではなく確信度の数字であり、どこで線を引くかはアプリを作る側が決めている。

公式も「0.75 は推奨される値ですが、独自のシナリオに基づいてしきい値を調整することをお勧めします」と、調整を前提にしている。

だから同じ話し方でも、アプリによって「間が変」と言われたり言われなかったりする。

韻律の中身②｜AI英会話が見ている「抑揚」とMonotone判定

抑揚のほうは、判定の種類が1つしかない。

公式は Intonation について「音声でのイントネーションを示します」とし、そのエラー種別を「イントネーションに関連するエラーの種類。現在は Monotone のみをサポートしています」と書いている。

Monotone は単調、つまり棒読みのことだ。

⇒ 現行仕様で抑揚について機械が言えるのは「棒読みかどうか」の1点だけである。

さらに、この判定の付き方には独特の癖がある。

公式の説明はこうだ。「モノトーンは発話全体で検出されますが、タグはすべての単語に割り当てられます。同じ発話内のすべての単語が同じモノトーン検出情報を共有します」。

⇒ 棒読み判定は発話まるごとに付く。だから画面上では「全単語が赤い」ように見えることがあるが、それは全単語が個別に悪かったという意味ではない。

この判定にも調整用のつまみがある。

公式は「Monotone - SyllablePitchDeltaConfidence フィールドは、ユーザーがカスタマイズしたモノトーン検出用に予約されています」と書いている。

フィールド名にある SyllablePitchDelta は「音節ごとのピッチの差」という意味の語だ。

⇒ 抑揚は、音節ごとの声の高さがどれだけ動いたかという量で見られている。

韻律は「読み上げ」と「自由会話」でAI英会話の測り方が変わる

同じ韻律という項目でも、練習の形式によって土台が入れ替わる。

公式ドキュメントは評価を2種類に分けている。

「スクリプト化された評価は、読み取り言語学習シナリオ用です。スクリプトなしの評価は、話す言語学習シナリオ用です」。

	スクリプト化された評価（読み上げ）	スクリプトなしの評価（自由会話）
参照テキスト	設定する	設定しない
韻律スコア	返る（en-US のみ）	返る（en-US のみ）
完全性スコア	返る	公式の結果表に無い
総合点の式	0.4 * s0 から始まる4項の式	0.6 * s0 から始まる3項の式

そして自由会話側には、精度についての注意書きが付いている。

「スクリプトなしの評価では、使用される音声テキスト変換 (STT) モデルは、STT Azureとは異なります。非常に正確に認識されたテキストに基づく評価が必要な場合は、最初Azure STT を呼び出して参照テキストを取得してから、スクリプト化された評価を実行することをお勧めします」。

⇒ 自由に話した場合と原稿を読んだ場合とでは、そもそも使われているモデルが違う。

韻律の点が形式によってブレるのは、この構造から素直に説明できる。

読み上げ練習の点と会話練習の点を並べて比べることには、あまり意味がない。

韻律はAI英会話が話す側にもある｜prosody要素という逆向きの仕様

ここまでは、あなたの声を測る側の話だった。

AI英会話にはもう1つ、AIが英語を読み上げる側がある。

そちらにも韻律を扱う仕様がそのままの名前で存在している。音声合成マークアップ言語（SSML）の prosody 要素だ。

公式はSSMLを「ピッチ、発音、読み上げ速度、音量などのテキスト読み上げの出力属性を微調整するために使用できる XML ベースのマークアップ言語」と定義している（SSML の概要・Microsoft Learn）。

そして prosody 要素については「テキスト読み上げ出力のピッチ、輪郭、範囲、レート、音量の変更を指定できます」と書かれている（SSML を使用した音声とサウンド・Microsoft Learn）。

属性	公式の説明（要点）	公式が挙げている定数値
pitch	テキストのベースライン ピッチ。変更は元のオーディオの 0.5〜1.5 倍以内	x-low / low / medium / high / x-high
rate	読み上げ速度。変更は元のオーディオの 0.5 倍から 2 倍の範囲内	x-slow / slow / medium / fast / x-fast
volume	音量レベル。絶対値は 0.0 から 100.0、既定値は 100.0	silent / x-soft / soft / medium / loud / x-loud
contour	「輪郭はピッチの変化を表します」。時刻位置とピッチ変化量の組で指定する	（定数値なし）
range	テキストのピッチの範囲を表す値	pitch と同じ表現を使う

この contour には、学習者にとって意味のある注意書きが付いている。

「音調は、単一の単語や短い語句では機能しません。文全体または長い語句のピッチの輪郭を調整することをお勧めします」。

⇒ 抑揚は単語1つでは成立しない量だと、合成側の仕様書がはっきり書いている。

間についても同じで、SSMLには break 要素がある。

公式はその strength 属性に相対時間の対応表を載せている（SSML ドキュメントの構造とイベント・Microsoft Learn）。

strength の値	公式が示す相対期間
x-weak	250 ミリ秒
weak	500 ミリ秒
medium（既定値）	750 ミリ秒
strong	1,000 ミリ秒
x-strong	1,250 ミリ秒

⇒ 英語の「間」は、公式の実装上は数百ミリ秒単位の量として扱われている。

ついでに言えば、強弱にあたる emphasis 要素には利用条件がある。

公式は「単語レベルの強調チューニングは、en-US-GuyNeural、en-US-DavisNeural、en-US-JaneNeural のニューラル音声でのみ使用できます」と書いている。

読み上げ側でも、韻律まわりは音声を選ぶと機能が変わる。

韻律が自然に聞こえるAI英会話の合成音声は、何をしているのか

AIの英語が昔より自然に聞こえる理由も、公式は韻律の語で説明している。

テキスト読み上げの概要ページには、こう書かれている。

「ディープ ニューラル ネットワークを使用して、音声言語でのストレスとイントネーションに関する従来の音声合成の制限を克服します。韻律予測と音声合成が同時に行われるため、より滑らかで自然な音声出力が得られます」（テキスト読み上げの概要・Microsoft Learn）。

⇒ 「韻律の予測」が合成の工程そのものに組み込まれている、というのが公式の説明だ。

つまりAI英会話の中では、韻律が2回登場している。

• あなたの声を測る側＝発音評価の ProsodyScore。
• AIが話す側＝合成音声の韻律予測と、SSMLの prosody / break / emphasis 要素。
• 手本として聞く音も、採点される音も、同じ韻律という枠で設計されている。

この対称性は、練習の設計に使える。

韻律の点を上げるためにAI英会話で何ができるか

ここからは、仕様から言えることだけを並べる。効果を約束する話はしない。

公式仕様が示していることを、練習の形に翻訳するとこうなる。

• ロケールを確認する。 韻律の評価は en-US ロケールでのみ利用可能だと公式が書いている。設定が別の英語になっていれば、そもそも測られていない。
• 短い単語ではなく文で練習する。 公式が「音調は、単一の単語や短い語句では機能しません」と書いている以上、抑揚は文の長さがないと現れない。
• 棒読みを疑う。 抑揚側のエラー種別は現在 Monotone のみ。抑揚で減点される主な形はそこに集約されている。
• 切る場所を意識する。 間のエラーは UnexpectedBreak と MissingBreak の2方向。速く言うことではなく、切る位置の問題として扱われている。
• 自分の最低点を先に見る。 総合点の式は最低点 s0 に最大の重みを置いている。韻律が最低点でないなら、優先順位は別の項目にある。

もう1つ、採点の粒度を上げる設定も公式に書かれている。

GradingSystem は「FivePoint は、0 から 5 の浮動小数点スコアを提供します。HundredMark は、0 から 100 の浮動小数点スコアを提供します。既定値: FivePoint」と定義されている。

⇒ 100点満点で出るアプリと5点満点で出るアプリの違いは、厳しさではなく設定値の違いでしかない。

韻律に関するよくある質問

Q. 韻律のスコアが表示されないアプリがあるのはなぜか。 A. 公式は韻律の評価について「プロソディ評価の有効化は省略可能です」と書いている。アプリ側が有効化していなければ、ProsodyScore 自体が返ってこない。

Q. 韻律と発音の精度は何が違うのか。 A. 精度は「音素がネイティブ スピーカーの発音とどの程度一致するか」、韻律は「ストレス、イントネーション、話す速度、リズムなど、いかに自然であるか」と、公式の定義文そのものが別になっている（出典）。

Q. イギリス英語で練習していると韻律の点が出ない。 A. 公式は「プロソディ評価は、en-US ロケールでのみ利用可能です」と明記している。仕様上の制限であって、話し方の問題ではない。

Q. 韻律の点はどこまで総合点に響くのか。 A. 公式の式では、4つのスコアを低い順に s0〜s3 と置き、読み取りシナリオで韻律ありの場合は PronScore = 0.4 * s0 + 0.2 * s1 + 0.2 * s2 + 0.2 * s3 となる。韻律が s0 に来ているかどうかで響き方が変わる。

Q. 韻律のフィードバックで全単語に同じ印が付くのはなぜか。 A. 公式が「モノトーンは発話全体で検出されますが、タグはすべての単語に割り当てられます。同じ発話内のすべての単語が同じモノトーン検出情報を共有します」と説明している仕様どおりの挙動だ。

まとめ｜韻律はAI英会話の採点で「自然さ」を担当している

もう一度整理する。

• 韻律は ProsodyScore として返り、公式の定義はストレス・イントネーション・話す速度・リズムの4要素をまとめた「自然さ」だ。
• 韻律の評価は省略可能な機能で、アプリ側が有効化して初めて数字が出る。
• 韻律の評価はen-US ロケールでのみ利用可能と公式が2か所で明記している。英語の種類を変えると消える。
• 韻律の中身は間（UnexpectedBreak / MissingBreak）と抑揚（Monotone）の2方向で、しきい値の推奨値は 0.75 と公開されている。
• 総合点は最低点に最大の重みが乗る式。韻律を伸ばすべきかどうかは、自分の最低点がどれかで決まる。

⇒ 韻律は「感覚で直すもの」に見えて、実際には公式仕様のうえで条件と計算式が全部公開されている項目だ。

点数に振り回される前に、まず自分の設定がどうなっているかを見たほうが早い。

※本記事の一次ソースはすべて2026-09-16に各公式ドキュメントで確認した。仕様は更新されるため、最新は各公式ドキュメントで確認してほしい。