その「ズズッ」は、どの麺の音か。

要旨— すすり音を数で出す

麺種・啜り時間・勢い・一口の麺量・汁の量を入力すると、すすり音の音響プロファイル（主要周波数・広帯域度・立ち上がりの鋭さ）を決定的に推定し、啜り音タイプと、音から推した麺種ランキングを出す。

これは録音でも当てずっぽうでもない。麺と空気と汁が口元で立てる乱流音を、いくつかの記述入力から、信号処理の素直なモデルで近似する。文化の優劣も、啜りの巧拙も、ここでは測らない。同じ入力には、必ず同じ結果が返る。

同じ「ズズッ」でも、麺で音は違う。

方法— 何をどう推定するか

入力から吸引流速の代理量を求め、麺の太さと汁量から主要周波数帯・広帯域度・音圧エンベロープの鋭さを推定する。各麺種の「標準条件で啜ったときの基準プロファイル」をあらかじめ計算しておき、入力から得た特徴ベクトルとの距離で麺種を推定する。

特徴量

主要周波数（細い麺・高い勢いで上がる）／広帯域度（汁・麺量で上がる）／立ち上がりの鋭さ（勢い・短時間で上がる）

分類

特徴量から「啜り音タイプ」を判定。各麺の基準プロファイルとの距離で麺種ランキングを算出

スコア

Slurp Profile Score＝立ち上がりの鋭さ・勢い・帯域のまとまりの加重（音の"キレ"の指標。巧拙・国籍とは無関係）

限界

記述入力からの粗い近似。実録音・実測ではない。係数は信号処理の通念の範囲で体感調整

AIの関与（開示）

下の「AI所見」と本稿の考察・限界・啜り音タイプの命名は、推定された数値を入力に AI が生成し、研究部が検証・編集した。プロファイル推定そのものは決定的な信号処理であり AI ではない

結果— 自分の啜りで出す

食べているつもりの麺・啜り時間・勢い・一口量・汁量を入れて「音を推定する」を押すと、音響プロファイル波形・啜り音タイプ・音から推した麺種ランキングが出る。同じ入力なら、何度押しても同じ結果。

• 01音を支配するのは麺の太さと勢い。細い麺＋強い勢いで主要周波数は上がり、太い麺で下がる。
• 02汁が増えると広帯域になり、音はこもる。澄んだ「ズズッ」は、汁が少なく勢いが強いとき。
• 03食べているつもりの麺と、音から推した麺はよくズレる。音は具材より、太さと勢いに引っ張られる。

結論— 測れるのは音のかたちだけ

このモデルで分かるのは、記述した啜りがどんな音のかたちになるか、という近似だけだ。実際の録音でも、誰かの食べ方の評価でもない。

すすり音は、麺と空気と汁の乱流音という素直な物理を持つ。allfesta Labs は、こうして普段は誰も数えない音を、信号処理の通念で淡々とかたちに置き換え、何が推定でき何ができないのかを、その都度はっきりさせていく。考察の言語化は AI が担い、研究部が検証している。

ネタもと— 流用元・前提

• AZampini & Spence (2004)
  "The role of auditory cues in modulating the perceived crispness and staleness of potato chips." 食べる音が知覚に効くことを示した実証研究。音と食の関係の前提として参照。
• B音響特徴の標準量
  音圧エンベロープ・主要周波数・広帯域度（帯域の散らばり）は信号処理の標準的な特徴量。本稿の推定式はその通念に基づく簡易版です。
• C音響イベント分類の系譜
  環境音を分類する AI（YAMNet 等）の考え方を、特徴ベクトル距離による麺種推定として簡略化して流用。
• DAI自由研究 — 自作研究プロジェクトの流用
  本稿は allfesta Labs の自作研究プロジェクト（Ramen Slurp）の流用。推定は決定的信号処理、考察・タイプ命名は AI 生成・研究部検証。