音声合成

テキストから自然な音声の生成を行うもので、正規化、発音、韻律といった言語学的フロントエンド分析と、連結型からニューラルネットワークを用いた波形生成を組み合わせたものである。

Definition

音声合成、またはテキスト音声合成とは、入力されたテキストから、理解可能で自然な音声信号を計算によって生成することである。

Scope

テキスト音声合成を対象とし、テキストを正規化し、発音と韻律を予測するフロントエンド、および連結型、パラメトリック型、ニューラルネットワーク型のアプローチにわたる波形を生成するバックエンドを扱う。これには、文字から音素への変換と韻律モデリングが含まれる。音声認識については、関連トピックで扱われる。

Core questions

• 書かれたテキストはどのように正規化され、発音に変換されるのか？
• 韻律（リズム、アクセント、イントネーション）はどのように予測され、表現されるのか？
• 連結型、パラメトリック型、ニューラルネットワーク型合成はどのように異なるのか？
• 合成音声は、明瞭度と自然さについてどのように評価されるのか？

Key concepts

• テキスト正規化
• 文字から音素への変換
• 韻律
• 連結型合成
• パラメトリック合成
• ニューラルボコーダー
• 明瞭度
• 自然さ

Key theories

フロントエンド言語処理

波形が生成される前に、正規化、文字から音素への変換、韻律予測を通じて、生テキストを言語学的仕様に変換すること。

波形生成パラダイム

録音された単位の連結、統計的パラメトリックモデル、または高い自然さのために波形を直接生成するニューラルネットワークによって音声を生成すること。

History

初期の合成は、ルールベースのフォルマント合成、次いで録音された単位をつなぎ合わせる連結型合成が用いられ、Taylorによって詳細に調査されている。2000年代には統計的パラメトリック合成が柔軟性を向上させ、2010年代後半にはニューラル波形モデルが人間の自然さに近い音声を生成するようになった。

Debates

自然さと制御可能性のトレードオフ

ニューラル合成は非常に自然であるが、特定の韻律や話者の特徴を制御するのが、以前のパラメトリック手法よりも難しい場合があり、表現豊かなアプリケーションにおいてはトレードオフとなる。

Key figures

• Paul Taylor
• Daniel Jurafsky
• James H. Martin

Seminal works

• taylor2009
• jurafsky2025

Frequently asked questions

文字から音素への変換とは何か？

これは、書かれた単語がどのように発音されるかを予測するステップであり、文字を音素記号に対応させる。特に固有名詞やなじみのない単語の場合、スペルが発音の完全な指針とならないため、不可欠である。