東京工科大学 メディア学部 ブログ

こんにちは。最近はスマートフォンやスマートスピーカーなどで話し声を作り出して再生する「音声合成」技術の利用が広がっていますね。今回は最近の音声合成技術について、連載形式でお話します。

音声合成は、任意の文章（テキスト）を音声に変換することです。今日に実用化されている音声合成は、ゼロから音声の波形（音圧の時々刻々の変化）を作り出すのではなく、誰かの声の録音を材料として使って行います。2000年代初めまで主流だったのは、

1. 音声波形を短く切ってつなぎ合わせるもの（波形接続）
2. 一度パラメータに変換してからパラメータの系列を生成するもの（例えば隠れマルコフモデルを使った方法）

/k a/の合成のようす

でした。後者は、上図のように、ある確率でいろんな音ののパラメータを発生（出力）する「状態」（図のマルのところ）の系列を仮定して、出したい音に対応したパラメータを出力させていきます。

近年は、いわいるＡＩの技術のひとつであるディープラーニング（深層学習）が活用されています。ここで、簡単にディープラーニングを用いたニューラルネットを説明します。ニューラルネットは、神経の活動を模した学習モデルです。

神経細胞（ニューロン）同士が互いに結合して構成されています。基本的なモデルでは、ひとつひとつに何本かの入力（図では頭から延びる枝）と枝分かれしている出力（顔の下から延びる枝）の経路が付いています。

入力からは何らかの数値が入ってきます。この合計が小さいと出力がほとんど出ず（ここでは０）、ある値より大きいと「発火」して一気に大きな出力が（ここでは１）出ます。

出力された値には、次のニューロンに届くまでに「重み」と呼ばれる係数が掛け算されます。例えば、1に重み2.1をかけると値は2.1になりますね。全ての枝で重みが掛け算された後で次のニューロンの入力に入り、そこでまた合計が大きい場合に次の発火が起こります。

では、どうやってＡＩは「学習」されるのでしょうか。教師あり学習といわれる学習では、テキストから取り出した情報（発音やアクセントなど）と実際誰かが発声した音声（＝正解の情報）を使います。このデータの組を使ってＡＩにテキスト情報を入力したときの仮の出力と、実際の音声のデータとの差を計算すると、誤差が求まります。この誤差が小さくなっていくようにニューロンの枝の「重み」を微調整していく作業がニューラルネットの「学習」です。

次回は上記を使った音声合成技術の広がりについてお話しします。

メディア技術コース　越智