テキスト読み上げ（TTS）は、書かれたテキストを音声に変換する技術である。これはConversational AIシステム内における音声認識の出力側の対応物であり、2020年代に主流の生成AIアプリケーションとなる以前から、アクセシビリティツール、電話システム、ナビゲーション機器で数十年にわたり使用されてきた。
歴史
初期のTTSシステムは、人間の音声の小さな録音済みセグメントを連結する連結合成、または声道の音響を記述するルールから音声を生成するフォルマント合成に依存しており、どちらも明らかにロボット的な出力を生み出した。大きな転換は、深層学習の音声生成への応用によってもたらされた。2016年に発表されたDeepMindのWaveNetは、畳み込みアーキテクチャを用いて生の音声波形をサンプルごとに生成し、従来の手法よりも著しく自然な音声を生み出したが、計算コストは高かった。その後のTacotronや、それに続くトランスフォーマーベースのモデルは、自然さの向上を維持しつつ生成を高速化し、2020年代初頭までにニューラルTTSは業界全体で標準的なアプローチとなった。
現代のシステム
現代のTTSモデルは通常、テキストから中間的な音響表現を予測し、その表現をボコーダーで波形に変換するというタスクを分離しているが、新しいエンドツーエンドシステムでは、これを単一のモデルに統合することが増えており、多くの場合拡散モデルや自己回帰型トランスフォーマーアーキテクチャに基づいている。ElevenLabsなどの企業は、コンテンツ制作者、オーディオブックのナレーション、吹き替えを対象とした、表現力が高く低遅延のTTSを普及させ、感情、ペース、アクセントの制御を提供している。TTSはまた、音声アシスタント、リアルタイム翻訳ツール、視覚障害者向けアクセシビリティソフトウェアの中核コンポーネントであり、NotebookLMのポッドキャスト形式の要約などのAI生成音声機能の基盤となっている。
音声クローンと品質
最も重要な最近の進歩は、少数ショットの音声クローンであり、モデルが一般的な合成音声ではなく、短い参照録音から特定の人物の声を再現する。合成音声が人間と区別がつかないレベルに近づくにつれ、評価は単純な明瞭度テストから、知覚的な自然さのスコアへ、そしてますます、音声が合成であることを検出する能力へと移行しており、これはより広範なディープフェイク研究と共通する懸念である。
応用と懸念
TTSは、オーディオブック、カスタマーサービス電話システム、ビデオナレーション、ゲーム、支援技術にわたって使用されており、聞くことも話すこともできるより大規模なマルチモーダルAIシステムの構成要素となっている。その急速な改善は、音声ベースの詐欺、政治的な偽情報におけるなりすまし、声優の仕事の置き換えに関する懸念も引き起こしており、一部の企業は合成音声にAI透かしや来歴ラベルを採用し、一部の法域では本人の同意なしに声を使用することを規制している。