音声認識と音声合成の手法に関する説明として、最も不適切なものを1つ選べ。
正解と解説を見る
解説
正解 C
この問題の論点：音声認識と音声合成の手法
ポイント
WaveNetは音声波形を1サンプルずつ生成するモデルで、音声合成の自然さを大きく高めました。
選択肢ごとの解説
- A
適切
HMMは、観測できない状態（音素など）が確率的に移り変わり、各状態から音響特徴が出力されるとみなすモデルです。音響モデルと言語モデルを組み合わせる構成が、長く音声認識の主流でした。
- B
適切
音声のフレーム数は出力する文字数よりはるかに多く、どのフレームがどの文字に当たるかは通常わかりません。CTCは同じ文字の連続をまとめてブランクを除く規則を使い、ありうる対応づけをすべて考慮して学習します。
- C
不適切 正解
WaveNetは、音声波形を直接生成するモデルとして2016年に発表されました。テキストからの音声合成に用いると、当時の従来方式より自然な音声が得られ、音声合成の品質を大きく高めました。
- D
適切
これをDilated Causal Convolutionと呼びます。層ごとに間隔を2倍に広げると、少ない層数で受容野を指数的に広げられます。WaveNetはこの構造で、波形を1サンプルずつ自己回帰的に生成します。
試験での狙われ方
HMMからCTCなどのEnd-to-End方式への流れや、WaveNetが合成と認識のどちらのモデルかを問う形が見られます。