テキスト音声合成技術の変遷と最先端

テキスト音声合成 (Text-to-Speech Synthesis; TTS) とは，任意の文章 (テキスト) に対応する音声波形を合成することである．テキスト音声合成技術は，計算機資源の増大とともに，専門家による音声生成の先験的知識に基づいた規則的手法から，大規模データベースに基づいた統計的手法に移行してきた． 統計的手法には，音声データベース内の自然音声の波形を接続することで合成音を得る波形接続型 (Concatenative TTS) と，データより統計モデルを学習し，ここから直接合成音を出力する生成モデル型 (Generative TTS) がある．近年，機械学習・特に深層学習が生成モデル型に導入され，合成音の自然性が大きく向上した．また，高い自然性を保ったまま話者性の変更や感情の付与が可能になり，応用範囲が大きく広がっている．本稿では，テキスト音声合成技術の変遷及び最先端の動向と，著者が考える今後の研究課題を報告する．

• Speech Processing