おしゃべりなコンピュータ 音声合成技術の現実と未来 丸善ライブラリー385

山岸順一(著者), 徳田恵一(著者), 戸田智基(著者), みわよしこ(著者), 国立情報学研究所

• 販売会社／発売会社: 丸善出版
• 発売年月日: 2015/04/01
• JAN: 9784621053850

商品レビュー

2015/10/25

・何を言っているかは明瞭に理解できるものの、いかにも「機械がしゃべっています」という不自然さえを拭えないコンピュータの声。あるいは、何を言っているのか全く理解できないものの、いかにも「人間がしゃべっています」という感じがするコンピュータの声。どちらも、１９７０年代の音声合成の姿

・「VOCALOID」シリーズは、いずれも「ダイフォン合成」をベースにした手法によって「歌って」います。実際の人間の歌声から「声のかけら」を収集しておいたデータベースにがあり、必要に応じて、歌詞に応じた「声のかけら」をつなぎ合わせ、最後に強弱・高さや強さの揺れ・ブレス・などの情報を加えると、人間が歌っているらしい声になる

・「さとうささら」たちの歌声や話し方は、隠れマルコフモデル」方式により、完全にコンピュータによって合成されている。人間が声を出す仕組みをコンピュータで「ざっくり」とシミュレートする。１．脳で発生することを考える、２．脳から声帯へ制御信号を送り、音声の元となる音を発する、３．脳から口・喉・舌へ制御信号を送り、声道の形を変形させ、脳で考えた音にする、４．口から音が発生される。→１．任意のテキストが与えられる、２．HMMによって、与えられたテキストから声帯の制御パラメータを推定し、そこから音声の元となる信号を生成する、３．HMMによって、与えられたテキストから、声道の制御パラメータを推定し、それによってデジタルフィルタを制御して音声が生成される過程をシミュレート、４．スピーカーから音

・ダイフォン合成は、実際に人間によって話された音声データから、ダイフォン（二つの音素）」のつなぎ目の前後を切り取ったデータを多数用意しておき、必要に応じてつなぎ合わせる（波形接続）方式。

・音声合成において「関数によって声を表現できる」ということは、同じ関数を用いて、声を自在に操作できるということでもある

・「ロンバード効果」を反映して合成した音声は、この問題を解決することが出来る。２０１２年に行われた研究では、単に音量を大きくしただけの通常の音声・同じ音量の「ロンバード効果」を反映した音声を、同様の騒音下・他の人が話している場面で聞き比べてもらったところ、後者では８０％程度の単語が聞き取られる。ボリュームを上げずに「聞き取りやすく」なる

・このような発想から生まれたのが「平均声」からの音声合成

・自分の声は、自分のアイデンティティの一つなのです

・声を提供するというボランティアにより、自分自身の声のアーカイブが作られ、自分が必要としたときに使うことも出来る。ここからボイスバンクが生まれた

・違いは何を入力するか。音声合成ではテキストを入力。この技術では、入力するのは、代替発声、「その人らしくない、その人の声」です。出力されるのは「その人らしい、その人の声」。

・ゆくゆくは、そこに流れている音声が生きている人間のものか、そうでないのかの判断が必要。声の詐称対策には、声そのものによって、本当に人間かどうかの判断を行えることが必要だが、構想段階。

・NAMを利用すれば、声を周囲に漏らすことなく、ぼそぼそ、つぶやいても利き手には明瞭に声が聞こえる。話し手の声道の中の空気振動を直接拾って音声変換を行う。

・NAMによるコミュニケーションが実用化されれば、マナーが変わっていく。

2015/05/17

音声合成について、初めて知る事が大半。でも、難しさは難しいままで、どういう理路で次の声を作っていくのかの道筋を丁寧に解説しているのに好感。
ストーリーの中に時々「技術コラム」が挟まっている。理系頭ではない自分は、ストーリーをまず一度読んだ後で改めて「技術コラム」を読み返した。