自然な音声作る「WaveNet」の衝撃 なぜ機械は人と話せるようになったのか

2017年、米Googleや米Amazonなどの「スマートスピーカー」と呼ばれるデバイスの普及が日本で始まった。例えば、「ねえGoogle、今日の予定は？」と話しかけると、カレンダーアプリに入力していた予定を流ちょうな日本語で読み上げてくれる。中に人がいるわけではない。デバイスが人の声を認識し、応答となる声を合成しているのだ。 このデバイスが音声で応答するために使用しているコアの技術は、「音声認識」と「音声合成」という2つの技術だ。音声認識は人の声の波形を機械で処理し、どんな文であったかを推定する技術。音声合成は与えられた文やデータから、人が話す音声を合成する技術だ。 ここに、音声認識で推定した文に対して適切な応答文を出力する「対話制御」という技術が加わり、「人の話を聞いて適切な応答を音声で返す」という一連の動作を実現している。 音声認識・合成ともに、コンピュータを利用した研究は1950年

[call_me_nots]

“畳み込みニューラルネットワークにより、従来の数理モデルで必要だった過程や近似などの研究者による調整作業がなくなった”

[schrift]

“戸田教授は「WaveNetのようなものが出てくるのはあと10年かかると思っていた」と、その衝撃を振り返る。 ”

[i-hako]

今更だけど、arXivってアーカイブって読むんだって知った…

[otihateten3510]

このレベルのボイスロイドが手元まで降りてくるのにあとどんくらいだろう

[ga_kun]

1/fの揺らぎも再現できるってことか

[daybeforeyesterday]

うーむ

[manFromTomorrow]

"急にブレークスルーが起きたように外からは見えるかもしれませんが、長年の技術の積み重ね"

[abracadabra321]

1年遅れの情報。何の価値があるのかわからない。BaiduのDeepVoiceと比較するとかないの？

[t-tanaka]

ここでも数の暴力は強し。

[iboggy]

何しゃべらしてもいけるんかな

[foom_99]

喋らせると敬語は素晴らしいが、タメ口は急に機械的になる。

[skypenguins]

前にサンプル聞いたけどマジで人間と区別つかないくらい自然だったんだよな

[verda]

流暢じゃなくても声が選べればそれでいいんです というより少しくらい機械ぽいのが萌えます

[medihen]

"2016年に登場したWaveNetが、精度良くゆらぎを表現した「自然な音声」を実現" "WaveNetには単純化や近似といった、大きな劣化を生むプロセスがないことが特筆すべき点"

[witchstyle]

(2018/03/27の記事)