音声合成とは

音声合成は、文章などの入力から、人の声に近い音声を作り出す技術です。文章を読み上げるテキスト音声合成（TTS：Text-to-Speech）が代表例で、カーナビの案内、駅の放送、スマートスピーカーの応答などで使われています。音声を文字に変える音声認識とは、逆向きの処理です。

処理の流れ

従来のテキスト音声合成は、大きく2段階に分かれます。まず、文章を解析して、読み・アクセント・区切りなどを決めます。日本語では、漢字の読み分けやアクセントの付け方が自然さを大きく左右します。次に、その情報から音声の波形を作ります。

方式の移り変わり

• 波形接続型：録音した大量の音声を細かい断片に分け、文章に合う断片を選んでつなぎ合わせます。肉声に近い音質を得やすい一方、声の調子を自由に変えにくい方式です。
• 統計的パラメトリック型：声の高さや声道の特徴を表すパラメータを、隠れマルコフモデル（HMM）などの統計モデルで予測し、ボコーダで波形にします。声質を変えやすい一方、機械的な音になりがちでした。
• ニューラルネットワーク型：2016年のWaveNetは、波形を1サンプルずつ直接生成し、自然さを大きく高めました。2017年のTacotron 2は、文章からメルスペクトログラムを予測し、WaveNetを改良したボコーダで波形にします。入力は文字の並びで、従来のテキスト解析の多くを学習に任せています。論文では、自然さの評価がプロの録音音声に迫ったと報告されています。

現在は、ニューラルネットワークによる方式が主流です。

社会的な論点

少量の録音から特定の人の声を再現する技術も進んでいます。本人の同意のない声の利用、なりすましによる詐欺、偽の音声によるデマの拡散などが問題になっています。

覚え方

「音声認識は耳、音声合成は口」と覚えます。