【聴覚の認識の限界】

(1) サンプリング周波数

http://en.wikipedia.org/wiki/Sampling_(signal_processing)#Speech_sampling

For most phonemes, almost all of the energy is contained in the 5Hz-4 kHz range, allowing a sampling rate of 8 kHz.

（ほとんどの音素が 5Hz から 4kHz の周波数帯に収まるので、（エイリアシングを防ぐには）サンプルレートは 8kHz で間に合うことになる）

(2) 量子化ビット数

http://en.wikipedia.org/wiki/Quantization_(sound_processing)#Audio_quantization

Telephony applications frequently use 8-bit quantization. ...中略... but the result is still more than adequate to represent human speech.

（電話機では８ビットの量子化が頻繁に使われている。 しかし、その結果は人間の会話を表すには十分以上だ。）

http://scitation.aip.org/getabs/servlet/GetabsServlet?prog=norma...

The above results imply that dithering is most advantageous for speech quantized in the 4–6 bits/sample range.

（上の結果が示すところによると、ディザリングは会話を 4-6bits/sample の範囲で量子化した場合、最も効果的だということになる）

サンプリングは8kHz以上、量子化は4bit以上が理想という事でしょうかね。

はっきりとしたことは分からないので、それっぽいけど答えになってない答えですが・・・

普通のアナログ電話では8KHz、帯域としては300Hz～3.4kHz（らしい）、これに対して男性の声は90～100Hz前後（たぶん）です。でも実際に電話をかけてみると、本来聞こえないハズの90Hzの男声が聞こえてしまいます。これは「失われた基音」（Missing fundamental）という現象で、90Hzの発声時に出る180Hz、270Hz、360Hz、450Hz。。。の高次倍音を聞いた場合、人間は基音(90Hz)を知覚してしまう、というものです。

これが物理的なもの（高次倍音による基底膜の振動によって基底膜上の基音に相当する箇所が振動する、などなど）のか、心理的なもの（脳味噌による処理）なのかはわかりませんが、サンプリングに使う周波数帯を工夫すれば、サンプリング周波数は結構下げられるのではないでしょうか。

量子化ビット数についてはあまり分かりませんが、サンプリング周波数が低ければ低いほど、量子化ビット数を高くしてやらないと、音声として知覚出来ないと思いますので、切り離しては考えられないと思います。

「2.4kbps」というのは，認識できる音声ではなく，音声(会話)を伝達するのに最低限必要な情報量という意味だと思われます。

http://www.kyastem.co.jp/technical/ExplanationCodec01.html

に各種音声コーデックの比較が載ってますが，もっともビットレートが低いものが2.4kbpsですので，これが2.4kbpsの根拠でしょう。これ以上ビットレートを下げると音声が聞き取れなくなるだろうということでの下限だと思いますが，それが「認識できる音声」ということにはならないと思います。

というのは，2.4kbpsに圧縮された音声と，もっと大きなビットレートの方式で圧縮された音声は，後者の方が聞き取りやすいので，聞き取りやすさに差が出るということは，認識できているということになります。

なお，圧縮された音声のビットレートを単純にサンプリング周波数と量子化ビットで換算するのは，ちょっと無理があります。8kHz/8bitでサンプリングしても，圧縮の結果2.4kbpsまで落とすのは可能ではないか?と思われます(方式の詳細を知らないので，なんともいえませんが)。

何をお知りになりたいのか，質問の意味がわからないところもあるのですが，

• ノイズがない通信路で，
• 「人間の会話が認識できる程度の」（←ここがあいまい）音声伝送品質が確保できる，
• 無圧縮の符号化方式（PCM?）の，
• 必要ビットレート．

がお知りになりたいというところでしょうか．一番手っ取り早いのは適当な音声データをいろいろなパラメータで

リサンプリングしてみて，ご自身の耳で確かめてみる（もう少しまじめにやるなら何人か集めてMOS値をとる）のが

良いとは思いますが．おそらく，音声データもいろいろ変えながらやってみると「人間の会話が認識できる程度の」

という条件がいかにあいまいか実感できると思います．

もしくは，そのあたりの技術や歴史に興味があるのでしょうか．「いかに小さいビットレートで会話を成立させるか」

というあたりは，音声伝送の品質評価という技術分野がありITU-T等で標準化もされています．たとえば，PSQM という

評価法が ITU-T勧告 P.861, PESQ が P.862 になっています．通信路にノイズがない前提であれば，PSQM でしょうか．

なお，PSQM については，ITU-T 勧告を…というのはあんまりなので，たとえば http://www.kowa.co.jp/interstream/pdf/voip2.pdf

に概要があるようです．