ボイスチェンジャー
ボイスチェンジャーは、人間の声の音高や音色をリアルタイムに変換して別の声にする技術やソフトウェアです。従来のピッチ変換に加え、近年はディープラーニングなどのAI技術を用いたリアルタイム音声変換が主流となり、極めて自然に他人の声やキャラクターの声へ変換することが可能になりました。エンタメからセキュリティまで幅広く活用されています。
音声合成のAI用語一覧
8件音声合成に関するAI用語を8件掲載しています。意味や使い方、関連用語を一覧から確認できます。
テキスト読み上げ
テキスト読み上げとは、入力された文字データを音声波形に変換し、コンピュータやAIが自然な声で発声する技術です。音声合成の主要な技術として、アクセントやイントネーションの制御が可能になり、幅広いアプリケーションで活用されています。
ボコーダー
ボコーダーは人間の音声の特徴を分析・合成する技術です。AI分野では、ニューラルネットワークを用いたニューラルボコーダーが音声合成の品質を大きく向上させ、自然な発話を生み出すために広く活用されています。
メル・スペクトログラム
メル・スペクトログラムは、音声信号などの音響データを時間、周波数、強度の3次元で表現したスペクトログラムに、人間の聴覚特性を反映したメル尺度を適用して周波数軸を変換したデータ表現です。人間の耳が低音域の変化に敏感で高音域には鈍感である特性を模擬しているため、音声認識や音声合成などのAIモデルにおける特徴量として広く利用されています。
音声波形
音声波形とは、音の空気振動を時間経過に伴う振幅の変化として視覚的・数値的に表現したものです。AIによる音声認識や音声合成などの分野において、音声データをコンピュータが処理するための基本データとして広く活用されています。
ニューラルボコーダー
ニューラルボコーダーとは、ディープラーニングを用いて音響特徴量から高品質な音声波形を生成する技術です。従来の数理モデルに基づくボコーダーとは異なり、人間の肉声に近い極めて自然な音声を合成できます。音声合成システムや声質変換の処理に広く活用されており、WaveNetやHiFi-GANなどのモデルが存在します。
WaveNet
WaveNetは、GoogleのDeepMindが開発した音声合成のためのディープラーニングモデルです。従来の波形処理とは異なり、音声の波形データを直接生成することで、人間と聞き分けがつかないほど自然で滑らかな音声を合成することを可能にしました。
HiFi-GAN
HiFi-GANは、高品質で自然な音声を高速に生成することに特化した敵対的生成ネットワーク（GAN）ベースのボコーダーです。音声合成の分野で広く活用されています。