ある広告制作会社が、次の（ア）〜（ウ）の業務で生成モデルの活用を検討している。各業務と用いる手法の組み合わせとして、最も適切なものを1つ選べ。（ア）商品紹介動画のナレーション音声を、原稿から自然な声で作る。（イ）商品を複数の方向から撮った写真をもとに、撮影していない角度からの見え方の画像を作る。（ウ）商品の特徴を箇条書きで与え、紹介文の下書きを作る。
正解と解説を見る
解説
正解 A
この問題の論点：生成したいデータと手法の対応
ポイント
生成モデルは生成したいデータの種類で選びます。音声はWaveNet、新しい視点の画像はNeRF、文章はGPT系の言語モデルです。
選択肢ごとの解説
- A
適切 正解
（ア）は音声波形を1サンプルずつ生成するWaveNet、（イ）は複数視点の写真から3次元のシーンを学び、新しい視点の画像を合成するNeRFが当てはまります。（ウ）は、前の単語から次の単語を順に予測して文章を作るGPT系の言語モデルが向きます。
- B
不適切
（ア）は正しいものの、残りが誤りです。CycleGANは画像の見た目を別の種類の画像に変換する手法で、撮影していない角度の見え方は作れません。BERTは文の理解に強いエンコーダ型のモデルで、文章を先頭から生成する用途には通常使いません。
- C
不適切
（イ）は正しいものの、残りが誤りです。CTCは音声を文字列に変換する音声認識の学習に使う手法で、音声を生成するものではありません。紹介文の生成には、BERTではなく、次の単語を順に予測するGPT系の言語モデルが向きます。
- D
不適切
（ウ）は正しいものの、残りが誤りです。ナレーション音声の生成には、音声認識に使うCTCではなく、音声合成に使うWaveNetなどを用います。新しい視点の画像の合成は、見た目を変換するCycleGANではなくNeRFの役割です。
試験での狙われ方
音声生成・画像生成・文章生成の代表的な手法を、業務の場面と対応づけさせる形が考えられます。