ある自治体が、防災情報を自動で読み上げる音声合成システムを導入した。このシステムは、漢字かな混じりの文章から読みとアクセントを推定するテキスト解析部、その読みとアクセントから音響特徴量を予測する音響モデル、WaveNetによるボコーダで構成される。声は自然だが、地域の地名の読みを誤ることがある。改善策として、最も適切なものを1つ選べ。
正解と解説を見る
解説
正解 A
この問題の論点：音声合成の処理段階と誤り
ポイント
音声合成の誤りは、どの処理段階で生じたかを見極めて対策します。読みやアクセントの誤りは、テキスト解析の段階で直します。
選択肢ごとの解説
- A
適切 正解
この構成では、読み（音素の並び）はテキスト解析部が決め、後段はその読みどおりに音を作ります。地名の読みは一般的な文章から推定しにくいため、正しい読みとアクセントを辞書に登録するのが直接の対策です。
- B
不適切
ボコーダは、音響モデルが予測した特徴量を波形に変える部分です。置き換えると音質は変わりえますが、前段から誤った読みが渡されれば、誤った読みのまま自然な声で読み上げるだけです。
- C
不適切
音響モデルの入力は、テキスト解析部が出力した読みとアクセントです。地名を含む録音で学習し直しても、入力される読みが誤っていれば、その誤った読みどおりの音響特徴量を予測するだけで、読みの誤りは直りません。
- D
不適切
標本化周波数を上げると、より高い周波数の成分まで表せるため、子音などの明瞭さは増しえます。しかし、どの読みで読むかは音の帯域とは関係がないため、読みの誤りは解消しません。
補足
Tacotron 2のように、文字の並びから直接メルスペクトログラムを予測し、テキスト解析の多くを学習に任せる方式もあります。日本語では漢字の読み分けやアクセントの推定が難しいため、読みとアクセントを前段で推定してからモデルに渡す構成がよく採られます。音声合成エンジンに単語の読みを外部から与える書式として、W3Cは発音辞書の仕様（PLS）を定めています。
試験での狙われ方
WaveNetが音声合成のどの部分を担うかは、テキストから波形までの処理の流れと合わせて問われやすい論点です。