TTS

Text-To-Speech。テキスト読み上げシステム全体。 音声合成のモデルに加え、 前処理と制御を含む。

前段のテキスト処理#

音響モデルに入れる前に、テキストを整える必要がある。

処理	例
正規化	「2024年」→「にせんにじゅうよねん」
読み推定	「行った」→ いった / おこなった
アクセント推定	日本語の高低アクセント
分かち書き	形態素解析

日本語はここが特に難しい。 漢字の読みが文脈依存で、アクセントも語の結合で変化する。 英語の TTS より前処理の比重が大きい。

話者性の制御#

方式	内容
単一話者	1 人の声だけ。高品質
多話者	話者埋め込みで切り替える
ゼロショット	数秒の参照音声から未知の話者を再現

VALL-E は音声を離散トークンとして扱い、 言語モデルの枠組みで 3 秒の参照音声から話者を再現できることを示した。

評価#

主観評価が基本。MOS（Mean Opinion Score、5 段階）が標準指標。 自然さは客観指標で測りにくく、 人間の聴取実験が依然として必要とされる。

倫理的な問題#

数秒の音声で声を複製できるようになったことで、 なりすましの危険が現実になった。

• 電話での本人確認の無効化
• 政治家などの偽の発言音声

音声の透かし、検出モデル、 学習データの同意取得といった対策が議論されている。 技術の進歩が先行し、制度が追いついていない領域。

参考文献#

• Chengyi Wang et al. Neural Codec Language Models are Zero-Shot Text to Speech Synthesizers (VALL-E). 2023. https://arxiv.org/abs/2301.02111
• Yi Ren et al. FastSpeech 2: Fast and High-Quality End-to-End Text to Speech. ICLR, 2021. https://arxiv.org/abs/2006.04558
• ITU-T Recommendation P.800. Methods for subjective determination of transmission quality. https://www.itu.int/rec/T-REC-P.800-199608-I/en