⑤ ディープラーニングの応用例／ 30. データ生成

音声生成とは

音声生成とは、テキストなどの情報から、自然な人間の声を音声波形として生成する技術です。WaveNetやDiffusion Modelが代表例です。

この用語はG検定シラバスの「30. データ生成」に含まれます。章全体の用語は用語解説⑤（全133語）にまとまっています。

テキストなどをもとに、人の声の波形そのものを作り出す技術です。

音声合成との関係

音声合成（TTS）はテキストを読み上げることに焦点があります。

音声生成はより広く、生成モデルの一分野として音声波形そのものを作るという視点です。実際には重なる部分が多く、WaveNetはどちらの文脈でも登場します。

読み上げサービス、音声アシスタント、吹き替えや歌声の生成などに活用されています。

一方で、本人の声を模倣したなりすましが容易になるという深刻な課題があります。話者識別による本人確認の信頼性にも影響し、AI倫理・セキュリティの論点になっています。

合成音声を見破る検知技術も同時に研究されています。

しかし生成技術が進むほど検知は難しくなり、技術だけでは解決しきれないという認識が広がっています。制度面の対応も議論されています。