コンピュータが人間の言葉を音声で発する音声合成。テキストをスピーチに変換するという意味で「TTS(Text to Speach)」と呼んだり、「入力文字読み上げソフト」といった表現をすることもあるが、この音声合成の世界がこの1～2年で大きく発展を遂げている。
その背景にあるのがディープラーニングを用いた人間の声の分析と合成になるのだが、もはや人間が喋っているのか、機械が喋っているのか判別できないレベルに進化してきているのだ。実はさっき人が喋っていると思っていた声が、コンピュータによる合成だった……というケースも少なくないはず。実際、いまどんなことが起きているのか、整理しながら紹介してみたい。
ほほ～ん。結構自然だなぁ。動画にナレーションでもつけてみる？そこまで暇じゃねぇのでGWくらいになんかやってみるか。
