ナビゲーションアプリに道路名を読み上げさせると、テキスト読み上げ技術の働きを実感できます。このシステムは、文字情報を人間が理解できる波形に変換します。初期のバージョンは録音された音声断片をつなぎ合わせていたため、機械的な音声でした。しかし、現代のニューラルシステムは音声を直接生成するため、合成音声と人間の音声の差は大幅に縮まっています。

処理パイプラインは通常、テキスト正規化から始まります。文脈に応じて「Dr.」を「Drive」や「doctor」に展開したり、数字や通貨を音声に変換したりします。次に、発音、アクセント、イントネーションを予測する言語分析が行われます。最後に、音響モデルとボコーダーによって、これらの特徴が音声に変換されます。

どこに現れるか

• 視覚障害者および弱視者向けのスクリーンリーダー
• 音声アシスタントとスマートスピーカー
• オーディオブックの大規模制作
• 言語障害のある方のためのアクセシビリティツール

品質は言語によって大きく異なります。英語と中国語には膨大な録音データがありますが、多くのアフリカ言語や先住民族言語にはほとんどデータがありません。そのため、これらの言語の合成音声は不自然に聞こえたり、そもそも存在しなかったりします。音声クローン技術は、さらに別の懸念材料となります。人の声を忠実に再現した音声は詐欺に悪用される可能性があるため、現在では一部のベンダーが透かしを埋め込んだり、同意を得た上での録音を義務付けたりしています。