【G検定100日チャレンジ 41日目】AI画像は叩かれるのに、AI音声は受け入れられる？ 「ゆっくり解説」が育てた私たちの耳
みなさん、こんにちは。
Kokichiです。
以前、自分の声をAIに学習させて、
私が絶対に言っていないセリフを「私の声」で喋らせるツールを試したことがあります。
出来上がった音声を聞いたとき、「あれ、私この発話したっけ？」と本気で勘違いしそうになるくらいリアルで、背筋が少しゾクッとしたのを覚えています。
今日41日目のテーマは、テキストを音声に変換する「音声合成」について。
AIがどうやってあんなに自然な声を作り出しているのか、そして私たち人間とAI音声の「不思議な距離感」について考えてみました！
今日の学習内容：
テキストを音声に変換する技術
与えられたテキストを音声に変換して出力する技術「Text to Speech（TTS）」の進化についてのまとめです。
■ 従来の音声合成と2つの方式
テキストを音声にするには、「形態素解析 → 読み推定 → 音素列への変換 → 音声波形の生成」という複数のステップを踏みます。
最後の「音声波形の生成」には、主に以下の2つの方式がありました。
波形接続方式： あらかじめ録音しておいた様々な音素の波形データベースを、切り貼りしてつなぎ合わせる方式。
パラメトリック方式： 声の高さや音色などのパラメータを推定し、それをもとに音声を人工的に合成する方式。当時はこちらのほうが「質が低い」とされていました。
■ 質を劇的に向上させた「WaveNet」
パラメトリック方式は質が低いという常識を覆したのが、2016年にDeepMindが発表したディープラーニングモデル「WaveNet」です。
従来の音声処理では、音声を一旦「周波数スペクトル」に変換してから処理するのが一般的でしたが、WaveNetはこれをせず、量子化された状態のままニューラルネットワークで直接処理を行いました。
このアプローチにより、人工的な音声合成の質が劇的に向上し、現在のような滑らかで自然な発声が可能になりました。
今日の感想 ～「ゆっくり解説」に慣れた私たちとAI音声への寛容さ～
今回の学習内容はあっさりしていましたが、
私自身のこれまでの経験と照らし合わせて、すごく考えさせられるテーマでした。
冒頭で話した「自分の声のクローン」を作ったとき、正直、抑揚が少し不自然なところもありました。
でも、ふと気づいたんです。「不自然なところが目につくってことは、それ以外の部分は完璧に自然で違和感がないってことだよね」と。
特に日本語は英語に比べて難易度が高いと思っていたのに、いつの間にかここまで技術が追いついていたことに驚愕しました。
そしてもう一つ、すごく面白いなと思った考察があります。
最近、AIで作られたイラストやポスターを見ると、「うわ、AIっぽいな……」と内容よりもその不自然さに目がいってしまったり、世間的にもちょっとした嫌悪感やネガティブな反応が起きたりしますよね。いわゆる「不気味の谷」です。
AIぽいなあ〜ということに目が行ってしまい、
中身が入ってこないと感じる人も一定いるでしょう。
でも、「音声のAI」に対しては、そういうネガティブな反応ってすごく少ない気がするんです。
なぜだろうと考えたんですが、私たち日本人は昔から「ゆっくり解説」のような音声合成コンテンツに触れまくっていて、AIの人工音声に耳が完全に慣れきっているんですよね（音声合成のネイティブ世代、と言ってもいいかもしれません）。
なんなら私は、動画を見ていて「生身の人間が喋るより、AI音声の方がノイズがなくて聞きやすいな」と思ってしまうことすらあります。
AIの音声がどれだけ自然になっても、あの「ゆっくり解説」の独特な棒読みのテンションは、ひとつの文化としてあえて残っていくような気もします。
まとめ
AIが描く「絵」にはまだまだ警戒心がある私たちですが、AIが紡ぐ「声」に対しては、驚くほどすんなりと心を開いて受け入れています。
同じAIのアウトプットなのに、視覚と聴覚で人間側の「許容度」が全然違うのって、すごく興味深い現象ですよね。
音声合成の未来はまだまだ明るいなと確信しつつ、自分の声のクローンにnoteを読み上げてもらう日も近いかもしれないと思うKokichiなのでした。
この記事は、「深層学習教科書 ディープラーニング G検定（ジェネラリスト）公式テキスト」の学習内容を基に作成されています。
