ユビキタスモバイルの夢

　WaveNetは、多層構造のニューラルネットワーク（DNN：ディープニューラルネットワーク）を用いて、実際の人間の声をサンプリングし、合成音声を生成する。

　音声品質の評価法「Mean Opinion Scores（MOS）」を用いて英語と中国語（北京語）でテストしたところ、英語は人間の音声がMOS値4.55であるのに対し、Googleのテキスト読み上げ機能は3.86、WaveNetは4.21を獲得した。北京語は人間の音声が4.21で、Googleのテキスト読み上げ機能は3.79、WaveNetは4.08だった。

　既存のテキスト読み上げ機能の多くは、音声の断片を記録した膨大なデータベースを用いる方法を採用している。同一人物の音声の断片をつなぎ合わせるため、違う人の音声に変えたり、感情を表現したりするには、新たにデータベースを構築する必要がある。

　音声を生成するのに必要なすべての情報をパラメータ化して保存する方法もあるが、この場合、これまでのところ少なくとも英語のような言語では、自然さに欠けた機械的な音声になる傾向がある。

　これらの方法に対してWaveNetは、音声信号のRAW波形を直接モデリングする。男性の声、女性の声、雰囲気の異なる声を生成でき、音にならない息継ぎや口の動きも学習するという。

出典：http://itpro.nikkeibp.co.jp/atcl/news/16/091202649/