【誌上体験】音声発話技術と歌声合成の最前線、「VoiceText」の最新技術とそのしくみ - (page 2)

編集部

従来の歌声合成とは技術的にはどのようなちがいがあるのでしょうか?

HOYA

従来の歌声合成では、比較的短い単位の波形を接続するタイプの波形接続型を使用しているケースが多いのですが、当社はHMM型をベースに歌声合成を開発しています。HMM型では歌全体の流れも含めて機械学習しているため、音程の変化が滑らかです。ビブラートなども本人の歌い方を再現しています。また、歌唱表現なども再現されるため、素となる歌唱者の歌声の表現力・歌唱力が高いほど良い歌声が生成できます。
もう一つの特徴として楽譜の入力のみで高い品質の歌声を生成できることが挙げられます。従来の歌声合成では職人的な調整作業が必要でしたが、HMM型では調整無しでも高い品質の歌声を生成できます。例えば、「Happy Birthday」の名前の部分を変えたり、ユーザーが歌詞の一部分を替え歌にするなどの動的な対応が可能になります。
歌声合成は様々なシーンで利用のニーズが拡がっている分野です。今までは機械的な歌声が多かったのですが、より自然な歌声を実現していくことで、応用範囲はもっと広くなると考えています。

編集部

他にどのような技術を開発中なのでしょうか?

HOYA

「喋り方の変更」と呼ばれる、各キャラクターの「声質」と「喋り方」を組み合わせる技術を開発しています。
例えば、同じ声でもナレーター風、ラジオDJ風、おばあさん風など、「声質」と「喋り方」の組み合わせることでキャラクターの可能性を大きく広げることができます。関西弁・博多弁などの「方言」と組み合わせて訛らせることも変更の一つと考えています。

編集部

「方言」の音声合成というのはどういうものですか

HOYA

例えば、博多弁で録音した音声を機械学習して、博多弁の音声合成器を作成したケースです。これを聞いてみてください。

編集部

面白いですね、博多弁、可愛いし(笑)。今はまだ開発中ということですが、近い将来はどんな方言でも対応可能になるのでしょうか?

HOYA

すぐというわけにはいきませんが原理的には可能です。ただ、アクセントやイントネーションなどの違い等によって、自然に聞こえるように話すための難易度は方言によって大きく異なります。関西弁は意外と難しくて、まだ研究を重ねる必要がある段階です。

編集部

最後に、今後の展開について教えてください

HOYA

「話し言葉」などの表現力拡大を目標に研究開発を進めています。
ロボットなど親しみやすさが重視される分野では、会話における微妙なニュアンスの表現も求められています。
例えば、同じ「そうですよね。」でも、「そうですよねー。」と伸ばした方が共感してくれている印象を受けますし、「そうですよねー…。」と語尾のトーンも下がることで、心配してくれているという印象も感じるようになります。こういった微妙なニュアンスの表現は音声合成では再現が難しい分野です。
今後はこのような表現力の拡大に向けて研究を進めていきます。

HOYA

今後は、IoT、人工知能、対話サービスなどの市場拡大が期待されています。そのため、アウトプットのひとつの方法として音声合成が利用されるシーンがさらに高まってくると考えています。顧客のサービスシーンに応じた声色の開発、感情対応エンジン、欧州の言語をはじめとしたさらなる多言語化など、様々な開発を進めていく予定です。