合成音声技術

商業的にはVocaloidで成功し、その後の系譜は現在まで続いている。

また、youtube界隈でも現役のsoftalkなども合成音声技術のひとつである。

AIとのマリアージュ

短い音声で、人の声を合成できるようになりつつある。

Meta AIは16日、音声用ジェネレーティブAIモデル「Voicebox」を発表した。音声やテキストを入力して、音声合成やオーディオクリップの作成、ノイズ除去、コンテンツ編集、スタイル変換(Style Transfer)、多様な音声でのサンプル生成などに対応する。 Voiceboxでは、トレーニングデータを使わずに、収録した音声と補足する書き起こしから学習するアプローチを採用。Flow Matchingと呼ばれる手法により、音声合成において、最新の英語モデルVALL-Eを、明瞭度と音声類似度の両方で上回るほか、20倍高速化しているという。

Meta、新音声生成AIモデル「Voicebox」 短い音声から自在に声を生成

人の声は、その人かどうかを判別する材料として用いられることから、現時点ではVoiceboxのモデルやコードの一般公開は行なわないとしている。