中途半端な記事
はじめに
これは「ぼすきー Advent Calendar 2025」への参加記事です。
合成音声キャラクターコンテンツとはなんなのか
ぼすきーで専ら話題になっている合成音声キャラクターコンテンツ、まずこれはなんだろうか。
まず音声合成と合成音声について定義しておこう。音声合成とは表現したい発話の音素列を人工的に再現することであり、合成音声とは音声合成によって作られた音声であるとする。
噛み砕くと、音声を合成することを音声合成、合成された音声を合成音声と呼ぶこととする。
音声合成の歴史
音声合成の試みの歴史は古く、西アフリカのトーキングドラムも一種の音声合成の試みであったと拡大解釈はできるだろう。
トーキングドラムとは楽器の一種であり、西アフリカで使われていた歴史を持つ締太鼓だ。この時、叩き方を工夫することで人が話しているような音色を再現できたという。
そして18世紀頃には/a/, /e/, /i/, /o/, /u/の音の生理学的違いを説明し、それを再現する事で音声合成を試みた例がある。
これらの例は音の合成、どのように音を再現するのかという音声合成の側面が強いように感じる。
音声合成と合成音声の歴史に共通する大きな転換点として
計算機の普及以降、音声合成といえば専らTTSのことを指すだろう。
TTSとはText-to-Speechの略語であり、入力としてテキストを与えると、そのテキストの読みを音声出力または音声ファイルで返すようなアプリケーションである。
TTSが研究の枠を脱して発展していった背景にはアクセシビリティという考えの存在がある。
アクセシビリティは能力や環境によらずアクセスできるような状態を語るときに使われる語だ。
https://www.gov-online.go.jp/useful/article/202310/2.html
さらに時代が進むと、TTSはアクセシビリティの為の機能にとどまらず、キャラクターコンテンツと融合するようになった。
その顕著な例はAquesTalkであり、この声は今でも「ゆっくり」の声として親しまれている。
また、TTSではないがVOCALOIDという歌唱に特化した音声合成技術も登場した。VOCALOIDで有名なものは初音ミクだろう。
VOCALOIDはそれぞれの歌唱音声にキャラクターを与えて売り出されており、合成音声とキャラクターコンテンツの結び向きを成功させた顕著な例だろう。
また、あとに続く形でVOCALOIDも登場したがその認知度はゆっくりやVOCALOIDほどではない。
TTSでキャラクターコンテンツとして成功した顕著な例はVOICEVOXのずんだもんだろう。
TTSから、感情の獲得へ
合成音声がキャラクターコンテンツと結びつくに従って感情の表現の需要が高まっていったように感じる。
以前からユーザーは話速や音高の調整で感情の表現を模索していた。それに対して、ユーザーのテクニックではなくソフトウェアの側からニーズに応える流れが生まれた。いわゆる「スタイル」という機能だ。
これにより、キャラクターコンテンツとしてのTTSが現在に至るまで発展し続けている。
TTSと言語的な制約
TTSは特定の言語に留まらない。音と対応するような文字列表現が存在するような言語であれば、作成することは可能だろう。
しかしながら、自然なTTSとなると途端に少なくなるというのも事実だ。そもそも学習用の発音例が少ないような言語では機械学習的な手法が有効ではなかったり、あるいはフォルマント合成によるTTSしかなかったりもする。
本題
さて、ボイスロイド動画で言語解説動画を作りたいと考えている人はいるだろうか。どうにかして同じ声の他言語TTSは作ることはできないだろうか。
例えば読み上げ音声のデータがあれば、それを分析して音素ごとに分類をしたのちになんらかの手段でTTSを生成できるのだろうか。
ただ正直やるにはモチベがないしありえないほどめんどくさそうなんだよな……。というところである。
そして記事を書くモチベーションもここで尽きたため、これ以上は蛇足しかない。
結局心境の変化ってなんだったの
最初は「言語って別に文字列表現と音素列表現が対応しているのってまったく自明ではないよね」みたいなことを話したかったのだが流石に話が複雑になりそうだったり、そもそも言語って音声言語だけではなく手話とかもあるよねとか混ぜて話したくなってしまい話のオチがつかなかったという話だ。
言語と音声と感情。真剣に考えるには自分はあまりにも物事について詳しくない。願わくばだれか手話とその表現ソフトについて述べてほしい。
コメント