Eloquensは、別名Er Finestraとして広く知られるテキスト読み上げソフトウェアであり、1993年にイタリアの研究センターCSELTによって初版がリリースされた。イタリア語を話すことができる最初の商用音声合成ソフトウェアとしての地位を有しており、Machine learningおよびNeural network技術を音声生成に応用する上での重要な節目となった。
このソフトウェアは、高い計算効率を実現しながら明瞭な音声を生成することを目的としたアプローチであるディフォン技術を用いて構築された。結果として得られた音声にはやや「ロボット的」な質感が残っていたものの、CSELTの以前のMUSAシステムに実装されていた前世代の音声合成よりも顕かに自然であった。この技術的進歩により、Eloquensは音声に応用されたGenerative AIの分野における先駆的なツールとして位置づけられた。
開発と技術
Eloquensは、音声技術の分野でCSELTが開発した最初の商用製品であり、音声処理と合成に関する長年の研究から生まれた。ディフォン方式は、連結された音声単位を用いて発話を生成し、品質と処理要件のバランスを可能にした。このアプローチは、1993年に第3回欧州音声通信技術会議で発表された論文で詳述されており、CSELTの研究者であるMarcello Balestri、Stefano Lazzaretto、Pier Luigi Salza、Stefano Sandriらが執筆した「The CSELT system for Italian text-to-speech synthesis」と題された。基礎となる技術は、後にSequence-to-Sequence (Seq2Seq)モデルや、現代のLarge language modelアプリケーションで使用されるCross-Attention機構の進歩に影響を与えた。
公共サービスへの応用
初期の頃、Eloquensはイタリア全土のいくつかの実用的なアプリケーションに導入された。イタリアの鉄道駅で時刻表を自動的に読み上げるために使用され、合成音声による案内を通じて乗客にリアルタイムのスケジュール情報を提供した。また、このソフトウェアはTelecom Italiaが運営する電話サービスにも採用され、ユーザーが音声操作で連絡先情報を取得できる自動電話帳サービスを含んでいた。これらの導入は、Paolo Baggiaらによる2000年の論文「Field trials of the Italian Arise train timetable system」などの研究で文書化されており、実世界の高使用環境における音声合成の実現可能性を示した。
1997年までに、Eloquensはより複雑な対話システムにおける構成要素、具体的にはシンセサイザーモジュールとして進化した。この統合は、音声出力と対話型音声応答技術を組み合わせた初期の事例であり、現代のReinforcement Learning from AI Feedback (RLAIF)で訓練された会話エージェントの先駆けとなった。
Er FinestraとRadio DeeJay
このソフトウェアは、2001年の夏にイタリアのラジオ局Radio DeeJayに採用されたことで広く一般に認知されるようになった。同局はEloquensをEr Finestraというキャラクターの声として使用し、このコメディ風の人物像は番組の定番となった。このキャラクターの人気により、2002年にDaNieLzというユーザーによってWindows向けの修正版がリリースされ、Er Finestraという名前で配布された。
この更新版は、Radio DeeJayのロゴを組み込んだカスタムユーザーインターフェーステーマを特徴とし、内部の発音ファイルに新しい単語と記号が追加された。しかし、コアとなる音声エンジンと機能は元のEloquensと同一のままであった。Er Finestraリリースは、Windowsオペレーティングシステムに問題なくインストールでき、幅広いユーザーがアクセスできるようになったため、このプログラムの最も有名なバージョンとなった。
遺産と現代での使用
EloquensとそのEr Finestra版は現在どちらもフリーウェアとして配布されており、愛好家やクリエイターへの入手可能性を維持している。現代の使用では、このソフトウェアは多くのYouTube動画で音声コメントを生成したり、架空のキャラクターの演技に声を当てたりするために一般的に使用されている。この草の根的な採用により、ソフトウェアは初期開発から何年も経った後も関連性を保ち、軽量なText-to-speechツールの永続的なニッチを浮き彫りにしている。
Eloquensの開発はまた、音声技術のより広範な進化に貢献し、後に高度な合成製品を商品化したLoquendoなどの後続プロジェクトやスピンオフに影響を与えた。Roberto Billiらによる1995年の論文「Interactive voice technology at work: The CSELT experience」などの出版物で文書化されたCSELTの経験は、後のSpeech synthesisや対話システムの研究に情報を提供する基礎的な洞察をもたらした。
技術的および研究的背景
Eloquensの設計原則、特にData Augmentationと効率的な音響モデリングへの焦点は、当時としては革新的であった。限られたハードウェアで明瞭性を犠牲にすることなく動作するソフトウェアの能力は、商業的実現可能性における重要な要因であった。CSELTの研究者らはまた、Luciano Nebbia、Silvia Quazza、Pier Luigi Salzaによる1998年のIEEE論文で説明された自動逆引き電話帳サービスなどの専門的な応用も探求しており、これは音声合成を使用して電話番号や加入者情報を読み上げるものであった。
イタリア語音声合成におけるこの先駆的な研究は、Residual Network (ResNet)アーキテクチャやBatch Normalizationなどの深層学習技術の広範な採用に先立つものであり、代わりに確立された音声学的および連結的方法に依存していた。より高度なシステムに取って代わられたにもかかわらず、Eloquensは消費者向け技術に導入された初期のArtificial intelligenceの注目すべき例であり、研究実験室と日常使用の間のギャップを橋渡ししている。