「人間の喋り声と見分けつかなくね？」 アップル「Siri」の音声合成品質が向上

Appleが「Siri」の音声合成の品質向上についての論文を自社サイトで公開した。音声合成とは、喋りたい言葉を発話する能力のことである。もちろん喋らせるだけであれば、どんな音声合成ソフトでもいいかもしれない。しかし、それがより自然に聞こえるようにと考えると話は別だ。イントネーションやスピード、間など微妙な違いで、自然に聞こえたり、不自然に聞こえたりする。

ぜひ聴き比べて欲しい

8月6日、Apple Machine Learning Journalに「Deep Learning for Siri’s Voice: On-device Deep Mixture Density Networks for Hybrid Unit Selection Synthesis」という論文が掲載された。ここでは、いかにAI技術を活用してSiriの音声合成の質が向上したかについて、詳細にまとめられている。

・・・などなど原文は技術者向けの内容であり、非常に難しい話である。


中でも私たちが注目したいのは、その結果、どの程度音声合成の質が向上したかだ。
この論文の後半で、iOS 9、iOS 10、iOS 11での音声合成サンプルが用意されており、向上の様子を確認できる。
実際にサイトに訪れて、新しいSiriの声を聴き比べて欲しい。表現力の違いを体感できるくらい、質が向上していることがわかる。もはや人間の声との違いがわからないレベルだ。

HomePodの最新情報

蛇足ながら、Apple HomePodのセットアップの様子がリークされたので合わせて紹介しておく。

国（言語）の選択、シリアル4桁番号入力、Apple ID表示、「使う部屋の設定」などを行うという。使う場所の設定を行うのは新鮮だ。ただのアンケートではないはずであり、使う場所によって提供する何かが変わってくるはずである。
この「HomePod」に搭載される「Siri」には最新の音声合成が使用されるはずであり、音声合成がより自然になったことはユーザーにとっては嬉しいニュースとなった。