音声合成（テキストトゥスピーチ） とは？

昔はロボットみたいな声だったけど、今のAI音声合成はびっくりするほど自然だよ。感情を込めた話し方や、特定の人の声を再現することもできるんだ。YouTubeのナレーションでAI音声が使われていても気づかないことがあるくらいだよ。

まずテキストを解析して、読み方やアクセント、イントネーションを決めるんだ。例えば「今日は」が「きょうは」なのか「こんにちは」なのかを文脈から判断する。次にその情報をもとに音声波形を生成するよ。最近のモデルはこの一連の処理をニューラルネットワークで一気にやるんだ。

できるよ。「ボイスクローニング」と言って、ある人の声を数秒〜数分録音するだけで、その人そっくりの声で任意のテキストを読み上げられるんだ。有名人の声でニュースを読ませたりもできてしまう。

まさにそこが大きな課題なんだ。本人の声を勝手にコピーして詐欺電話に使う「ボイスフィッシング」が実際に起きていて、家族の声で「お金を振り込んで」と電話がかかってくるケースも報告されている。技術が進歩するほど悪用のリスクも高まる。音声が本物かAI生成かを判定する「音声ディープフェイク検出」の研究も進んでいるけど、生成技術と検出技術のいたちごっこになっていて、倫理的・法的なルール作りも含めて社会全体で考えないといけない問題なんだよ。