Google、人間のような音声AI「Tacotron 2」を発表

Googleが人間に近い自然な音声合成技術「Tacotron 2」を公開

Googleは、テキストから人間の話し声とほぼ区別がつかない自然な音声を生成する新しい音声合成システム「Tacotron 2」を発表しました。この技術は、ディープラーニングを活用し、従来の音声合成システムよりもはるかに自然な抑揚、間の取り方、感情表現を実現しています。

Tacotron 2の仕組み

Tacotron 2は、シーケンス・ツー・シーケンスのニューラルネットワークアーキテクチャを採用し、テキストから直接スペクトログラム（音声の周波数表現）を生成します。その後、WaveNetボコーダーを用いてスペクトログラムから高品質な音声波形を合成します。この2段階のアプローチにより、従来の統計的パラメトリック音声合成やユニット選択合成では難しかった、自然なプロソディ（イントネーション、リズム、強勢）の制御が可能になりました。

主な特徴と性能

人間レベルの自然さ: 平均意見スコア（MOS）テストにおいて、人間の録音音声とほぼ同等のスコア（4.5以上/5.0）を達成。
エンド・ツー・エンドの学習: 手作業で設計された特徴量や複雑な前処理パイプラインを必要とせず、大量の音声データから直接モデルを訓練可能。
高速な推論: 最適化により、リアルタイム以上の速度で音声生成が可能。
話者適応：少量のデータで新しい話者の声に適応可能。

応用分野と将来展望

この技術は、Googleアシスタント、Googleマップのナビゲーション、オーディオブックの自動生成、多言語対応サービス、障害者支援ツールなど、幅広い分野での応用が期待されています。また、音声合成の民主化により、中小企業や個人開発者でも高品質な音声インターフェースを構築しやすくなるでしょう。

GoogleはTacotron 2の研究成果を論文として公開し、関連コードの一部をオープンソース化しています。今後も表現力豊かな多言語・多話者対応、感情制御、低リソース環境での動作最適化などが研究課題として進められる見込みです。

MeltdownとSpectre脆弱性：システム保護のための8つの必須知識 2018年必見のテクノロジーカンファレンス14選：イノベーターが参加すべき主要イベント

産業技術