リアルな人間っぽい合成音声を生成するAI 「えー」「あぁ」「うん」なども再現 YouTubeやPodcastで学習

Innovative Tech： このコーナーでは、テクノロジーの最新研究を紹介するWebメディア「Seamless」を主宰する山下裕毅氏が執筆。新規性の高い科学論文を山下氏がピックアップし、解説する。Twitter: ＠shiropen2 米カーネギーメロン大学に所属する研究者らが発表した論文「A Vector Quantized Approach for Text to Speech Synthesis on Real-World Spontaneous Speech」は、より人間に近い会話の音声合成を生成できる学習モデルを提案した研究報告である。 テキストから音声合成を生成するText-to-Speech（TTS）システムは、合成した音声の品質を大幅に向上させた。しかし、TTSシステムのトレーニングに使用する標準コーパスは、ほとんどの場合、制御された環境で録音した読み上げや演技の音声

[mmaka2787]

ほぼ人間じゃないか。。“平均3.89点を獲得し、他のモデルによる音声合成よりも優れていることを示した。ちなみに、実際の人間の音声は4.01点”

[trashcan]

AI小林完吾「あー、さてー」 AI田中角栄「まーそのー」

[Seamless]

会話時に情報を補う言語以外の音声「パラ言語」相づちや咳払い多様なリズムやパターンの「えー」「あぁ」等を加味して学習する。プロジェクトページで音声を確認できる。