深層学習で「自然さ」を向上した音声合成ソフト

　NTTテクノクロスの「FutureVoice Crayon」は、テキストデータを合成音声で読み上げてくれる、音声合成ソフトである。特徴は、音声の合成方法としてディープラーニング（深層学習）を活用したこと。これにより、少量の音声データから人の声と遜色のない自然な音声を作成できる、という。

ディープラーニング（深層学習）を活用した音声合成のイメージ

（出所：NTTテクノクロス）

[画像のクリックで拡大表示]

　イントネーションや声質の材料となる音声データベースを利用し、読み方やアクセントを他の話者の音声データによって補う。このやり方で、少量の音声データから、その話者の音声を、より自然に聞こえるように合成する。これまで音声合成では難しかった、ナレーションやガイダンスといった用途にも使えるという。

　日本語は53話者、外国語は10言語22話者を用意している。いずれもディープラーニングによって作成した話者である。好きな話者を選んで利用できる。要望があれば、学習用の音声データを用いた話者の作成や、ユーザーのイメージに合わせた話者の作成にも応じるという。

　開発の背景には、コンタクトセンターにおける自動音声案内や、音声対話サービスやロボットを使った受付案内など、音声合成技術を活用するシーンが広がっている状況がある。だが従来の技術では、人の声に近付けたり、声のバリエーションを増やそうとすると、費用の負担が大きくなってしまう問題があったという。