人間はついに、自らの声を機械に与えた。
ある研究論文が発表された。今月Googleが発表したこの論文は査読を受けていないが、Tacotron 2と呼ばれる音声合成システムについて詳述している。同システムは、テキストから人の話し声を再現する際、人間に近い精度を実現するとしている。
このシステムは、Googleによるこの技術の公式な第2世代で、次の2つのディープニューラルネットワークで構成されている。最初のネットワークはテキストをスペクトログラム（PDF）に変換する。スペクトログラムは、時間の経過に伴う音声周波数を視覚的に表すものだ。次に、このスペクトログラムがWaveNetに入力される。これはAlphabetのAI研究部門DeepMindが開発したシステムで、図を読み取り、それに応じた音声要素を生成する。
以下の2つのサンプルを聞くことができる。各文のサンプルの一方はAIが生成したもので、もう一方はGoogleが雇った人間によるものだ。どちらがどちらかは確かにはわからない。（ただし、「ページのソース」を表示し、Googleの研究ウェブサイトにある各ファイル名を見ると、一方には生成サンプルを示すと思われる「gen」というラベルが付いている。）
「ジョージ・ワシントンは、アメリカ合衆国の初代大統領でした。」
「あの女の子は、スター・ウォーズの口紅についての動画を作りました。」
Googleの研究者たちは、Tacotron 2が発音の難しい単語や名前を扱えることに加え、句読点に応じて発音の仕方を変えられることも示している。たとえば大文字で表記された単語は強調される。文の中で特定の単語が重要であることを示すとき、人がそうするのと同じだ。
例を見てみよう。
「バスは問題ではありません。実際には解決策を提供しています。」
「バスは問題ではありません。実際には解決策を提供しています。」
同社が手がける基礎的なAI研究の一部とは異なり、この技術はGoogleにとってすぐに役立つ。2016年に初めて発表されたWaveNetは、現在Googleアシスタントの音声生成に使われている。製品化されれば、Tacotron 2はこのサービスにさらに強力な機能を加える可能性がある。
ただし、このシステムは1人の女性の声を模倣するようにしか学習されていない。男性や別の女性のような声で話すには、Googleはシステムを再び学習させる必要がある。
