音声合成

デジタル信号を処理し、人工的な音声を合成する技術の総称。またはその技術を利用した人工的な音声を合成音声という。あらかじめデジタル化した音声信号、または、音声を合成する規則をメモリに保存し、これを使って目的の音声を合成する。音声技術の見本市としては、毎年SpeechTEK & Speech Technology Magazineが米国で主催する「スピーチTEK(SpeechTech)」を開催している。詳細情報はURL(http://www.speechtek.com/)で知ることができる。LSI化によって低コストのモノが登場し、あらかじめ用意された言葉を再生するシステムが自動販売機や家電製品に使われている。最近では、自由に入力した文章を読み上げる音声合成技術が英語圏で普及してきている。しかし、日本語の場合は、構文解析の面で問題があり、開発が遅れていた。例えば、筋委縮性側索硬化症で自由が利かなくなった車椅子の天才宇宙物理学者のホーキング博士(Stephen W.Hawing 1942~)の声は、キー入力した文章をパソコンで音声合成して読み上げられた声である。汎用の音源ボードを使って音声を出す日本電気のWindows Sounds System内蔵のPCM音源とシステム・ファイルのMacinTalkを使って、英語によるテキストを読むMacintoshなどがある。また、PlainTalkを使えば、性別、年齢別などの設定も可能になった。Nisus Writer 4.1Jでは、英語、ドイツ語、フランス語から日本語まで、あらゆる言語で表示されたテキスト・データを音声合成で発音する機能が付いた。1996年6月3日、日本アイ・ビー・エムは日本語によるGUI画面の読み上げをする視覚障害者向けのOS/2 Warp対応ソフトIBMスクリーン・リーダー/2を発表した。富士通は1996年6月7日にWindows 95対応の日本語読み上げソフト「おしゃべりメイト for Windows 2.0」を発売した。関西文化学術研究都市のART音声翻訳通信研究所は1996年11月18日に、マネしたい人の音声をコンピュータに記憶させ、母音や子音を細かく分類して音声データベースを作り、他人そっくりの声を自由に出せる日・英・独・韓の4カ国に対応した音声合成システムを開発したと発表した。システム・ラボは、Netscape Navigatorで読み込んだWWWページの内容を日本語で読み上げてくれる音声合成ソフトNetMan Talks! for Windows 95を1996年11月25日に発売した。富士通は1997年4月18日に、音声合成技術「音声波形辞書」を応用し、キーボードで押したキーやかな漢字変換された文字を音声で読み上げるWindows 95対応のソフト「音声キーボードVer.1.0」を発売した。また、NTTの情報通信研究所が開発したAUDIOTEX(オーディオテック)や、ヒューマンインタフェース研究所が開発したFLUET(フルート)、沖電気工業が1996年6月に発売したSMARTTALKなども有名である。沖電気工業は、AV機器・車載AV機器・家電製品向けに固定メッセージが再生できる1チップの音声合成LSI(製品名:MSM9831)を開発し、1998年3月に発売した。詳細情報はURL(http://www.oki.co.jp/OKI/Home/JIS/New/OKI-News/1998/02/)で知ることができる。カシオは1998年1月22日に会話110文を音声で収録した電子辞書「エクスワード XD-300」を発売した。詳細情報はURL(http://www.casio.co.jp/productnews/xd_300.html)で知ることができる。1998年3月19日には沖電気工業が開発した汎用音声マイクロプロセッサ(SCP/Speech Control Processor/製品名:MSM7630)向けにフランスのエラン(Elan informatique)社が開発した英語、米語、フランス語、ドイツ語、スペイン語のテキスト音声変換エンジンを移植し、それに日本語を加えた6ヵ国語となった製品を全世界に販売することで合意した。詳細情報はURL(http://www.oki.co.jp/OKI/Home/JIS/New/OKI-News/1998/03/z9788.html)で知ることができる。富士通は11月9日から、アプリケーションに音声機能を組み込むためのソフトウェア開発環境「Fujitsu Voice Series」を開発し、デベロッパー向けにライセンス販売を開始した。詳細情報はURL(http://www.fujitsu.co.jp/hypertext/news/1998/Nov/9-5.html)で知ることができる。また視覚障害者のための文字コードの歴史についてはURL(http://www.nyise.org/blind/)にHistory of Reading Codes for the Blindというホームページがある。NTTサイバーコミュニケーション総合研究所は1999年12月21日に、任意の漢字かな混じりテキスト文を高品質な合成音声に変換する音声合成技術「FinalFluet」を発表した。システムトラストは2000年7月3日に、WINDOWS 95/98版音声合成システムを利用した珠算、暗算のためのマルチメデア学習ソフト「あばかすくらぶ」改良版を発売した。詳細情報はURL(http://www.abacus-net.com/)で知ることができる。NTTドコモは2001年8月27日に、音声読み上げ機能付きiモード端末「F671i」を発売した。高電社は2002年1月24日に、インターネットのホームページや電子メールを始め、各種アプリケーションで表示される英語、韓国語、中国語、フランス語、ドイツ語、イタリア語、スペイン語、ポルトガル語、オランダ語、ロシア語、日本語の世界11カ国語で表示されたテキストを読み上げるWindows対応のソフト「WORLD VOICE2」を日韓共催サッカーW杯に向けて発売した。また、IPA(International Phonetic Association/国際音声記号協会)が提供しているThe International Phonetic Alphabet(国際発音記号)情報がある事典はURL(http://www2.arts.gla.ac.uk/IPA/ipachart.html)にある。AllAfrica.comは2002年10月17日に、the Shuttleworth Foundationが設立したThe Zuza Software FoundationはTranslate.orgの協力を得て、ブラウザのMozilla上でアフリカのXhosa語やZulu語、Venda語、Northern Sotho語、Siswati語、Tswana語でしゃべる環境を開発し、オープンソースとして公開すると発表した。詳細情報はURL(http://allafrica.com/stories/200210170169.html)で知ることができる。日立製作所中央研究所は2004年7月30日に、漢字かな混じり文を入力するだけで、肉声に極めて近い高品質のアナウンス音声を生成できる音声合成技術を開発したと報告した。詳細情報はURL(http://www.hitachi.co.jp/media/New/cnews/month/2004/07/0730a.html)で知ることができる。2005年日本国際博覧会協会、ソーシャルサービス協会、日本IBMは2005年3月22日に、2005年日本国際博覧会(愛・地球博)のホームページで、パソコン初心者や高齢者、視力の弱い方などが、容易にホームページを閲覧できるようにするインターネット支援ソリューション「らくらくウェブ散策」を採用し、日・英・仏・中(繁体字、簡体字)・韓・西の7つの言語の読み上げ機能を提供すると発表した。詳細情報はURL(http://www-6.ibm.com/jp/press/20050322001.html)または、URL(http://www.expo2005.or.jp/jp/index.html)または、URL(http://www.expo2005.or.jp/)で知ることができる。イギリスのバーチャル・リアリティ・コントロール・システムを開発しているTelevirtual社は2005年10月20日に、Media Laboratoryが世界で初めてartificial speech engineを使った放送局を開設したと報告した。この開発にはイギリスの一流の科学者解説者とBBCが協力していて、Televirtual社がMETmanを誕生させ、最新版の天気図とテキストベースのデータから天気概況を提供している。このシステムは人工音声とTTS(Text-to-Speech) engineをカスタマイズして、放送システムの基本を構築し、人間の声はTelevirtual社のボスとテレビのニュース・アナウンサーになりたかった開発者Tim Childの声から作られている。詳細情報はURL(http://www.televirtual.com/news.htm)で知ることができる。スピーチエンジンは最大30時間の書き取られたスピーチを記録することによって、作成され、音声合成のTimの声で解説され、Televirtual社は、これまでで考えられない、とんでもない性能レベルのロボットを達成することができたと自負している。今回開発されたシステムは、Televirtual社がXMLスタイルマークを操作して口パクアニメーションの引き金として開発し、受賞した3DのRAP アニメーションシステムとも相互運用できるそうですから、そのうちに3Dアニメーションのオラウータンがアナウンサーとして現れ、ニュースを読み始める時代が近いかもしれない。最近では、ゴリラのようなアナウンサーや娼婦のようなアナウンサー、漢字の読めないアナウンサー、滑舌が悪いナウンサーもいるので、正確に話す必要があるニュースには、こちらの方が良いかもしれない。くだらないお笑いタレントなら、こっちの方が面白そうで、それに、このタレントなら警察にも捕まらなくて、スキャンダルもない。