作詞：耳ロボP
作曲：耳ロボP
編曲：耳ロボP
歌：重音テト/桃音/KAITO/初音ミク/鏡音リン・レン
翻譯：（還沒去做）字幕的人
若要統合歸一 就將之仔細包裹起
避開那黑影 前來我所在之地
前行彼方 追溯路標
尋訪探走 前來我所在之地
枯朽的語言 被扭曲不見原形的語言
滅頂的語言 仍然將其連綴起
一個 兩個 相吸拼綴連繫起
音素的排列 存在意圖與意義
※
※
隱而不現的馬爾可夫
在其最優化之名之支配下
※
編織著情網 編織著情網
編織著情網 被拋棄 又再次被捨棄
注視著過去 切斷了分枝
縱使泫然欲泣 也還是要 讓Ｎ再增遞
※
出發旅行之前 被賦予之韻律
意義在此處 語言在何方？
※
上升 下沉 高低起伏的F0
尋找其下降階梯之所在
※
紊亂了呼息 隨波形擺盪
傾聽其零散語言之意圖與意義
※
摒棄了呼息 將語言串起
攪動搖晃不停 直到漩渦成形
然後
編織著情網 編織著情網
厭倦煩膩後 被拋棄 又再次被捨棄
描繪出圓形 塗成赤紅色※
縱使泫然欲泣 也還是要 拼湊起收集
注視著前方 轉動著舵槳
若是不想眼淚流下 就更加放聲高歌 高歌吧
編織著情網 編織著情網
將那些過去都捨棄 前來我所在之地
※phoneme：音素、音位。拼音語言、以及抽象語音具有辨義功能的最小單位，不能再被分割。
語言裡的發音、字音都是由一個以上的音素所組成。
一個音素的改變會影響到附近的音素，故對人工語音系統的建立，
音素分析及連結相當重要。
（隱而不見的馬爾可夫）
※隠されたマルコフ：①隱馬爾可夫模型（Hidden Markov Model，HMM）一種統計模型。
在正常的馬爾可夫模型中，狀態概率變遷是直接可見的。
而在隱馬爾可夫模型中，狀態並不是直接可見的。
此模型多應用在「語音識別」、「機器翻譯」上，
以離散時域有限狀態自動機的概念計算語音識別系統的輸出值，
以建立「語言模型」。
②馬爾可夫鏈（Markov Chain）系統內的事件並非各自獨立。
受前一事件所影響，下一事件在一定機率下會出現特定事件。
馬爾可夫鏈即為以現有事件推算系統全形之機率計算。
→浪漫化白話文：「以現狀推測未來即將發生的事件，計算未來的形貌」
（最優化，或稱最佳化）
※最尤の名：摸索最優化系統樹（or決策樹模型）外形的方法為定義初期系統樹，
用遞歸法從根到葉推算每一分枝的數據，並根據結果剔除、修剪、交換分枝，
以概率計算的方式進行模擬試誤學習，
摸索最佳樹形（應行的路徑軌跡與未來的模樣）。
※Ｎ：①機率學中樣本的母數、分數中的分母。
②ｎ對語。又稱組語，是利用單語的最後母音做規則的變化的語彙壓縮法。
二對語為兩個母音(a.i)組對、三對語為三個母音(a.i.o)成組、
以此類推發展為ｎ對語。在人工語言學裡雖然便於學習，但也容易有錯誤，
以及語調不正確時聽者容易會聽成負面意義的風險。
③最優化系統樹中的最鄰近分枝（Nearest Neighbor）
→下一個選擇、不同的可能性、分歧的未來。
※Ｆ０：語音基本頻率(Fundamental Frequency, F0)。
F0的高低升降即構成所謂的「聲調」，與聲母、韻母同樣具有辨義的作用。
（下降階梯）
※カタセシス：catathesis。又稱downstep，是一種在呼吸漸減時，
所產生一種音調（F0）的狹窄現象，特徵為VOCAL會描繪出跳躍性的下坡軌跡。
在音韻學中downstep的出現將會「影響語言中焦點意義的傳遞」，
故為機械語音中調音運動重合（gestural overlap）的研究重點。
（零散語言）
※パラ言語：paralanguage。即使內容一樣，只要說話方式不同、給人的印象就會不同。
在以聲音傳遞情報的狀況下，是否能將發話者的真意傳遞給對方？
パラ語言情報在其中擔任重要的角色，如音調高低、音量、速度、音質等變化。
聲音中包涵的情報可分為三種──語言情報、パラ語言情報、非語言情報。
若將聲音還原其要素可分出兩種類──分節與韻律。
前者傳遞語言情報、後者傳遞パラ語言情報。
若抽出聲音中的特徵韻律、並加以分析其特徵韻律所產生的F0模式生成模型，
可推知其中包涵之パラ語言情報、非語言情報，並從而推測發話者的「心之形態」。
※描繪出圓形 塗成赤紅色：有一說為即為錄音鍵●
※廢言：我竟然真的寫了那麼多。雖然資料查得很有趣，但也心知肚明大概沒什麼人會看。
此為暫定版，（如果我有去）向耳ロボｐ確定後，錯誤之處將會再修正。
最終更新：2022年07月16日 14:42
