アーティキュレートリー・シンセシス

調音合成について

調音合成、またはアーティキュレートリー・シンセシスとは、人間の声道の構造を基盤に音声を生成するための計算手法の一つです。この方法では、舌や唇、顎といった調音器官の配置の変化によって声道の形を制御し、それにより生じる空気の流れをデジタル技術でシミュレーションします。こうして生成される音声は、自然な言語発音に近いものとなります。

歴史の概略

調音合成の起源は古代にさかのぼります。歴史的な意味での音声合成は、クリスティアン・クラッツェンシュタインやヴォルフガング・フォン・ケンペレンなどの研究者によって確立されました。彼らは喋る機械の製作に取り組み、音声合成技術の第一歩を踏み出しました。特にケンペレンは1791年にその成果を発表し、以降の音声合成研究に大きな影響を与えました。

電子式声道の発展

1950年代から60年代にかけて、音声合成技術は急速に進化しました。最初の電子式アナログ声道は、静的なモデルが主流でしたが、次第に動的な声道モデルが登場します。ロゼン（1958）は動的な声道を組み立て、コンピュータ制御にも挑戦しました。この時期には、多くの科学者がアナログ声道に関する研究を進め、よりリアルな音声シミュレーションが可能になりました。

ソフトウェアによる調音シンセサイザーの登場

1970年代半ば、Haskins Laboratoriesにおいて、フィリップ・ルービンやトム・ベア、ポール・マーメルスタインらによってASY（Articulatory Synthesis）が開発されました。このシンセサイザーは、声道のモデルに基づく音声生成の新しい計算手法を提供しました。また、前田眞治による舌の形状制御を用いたモデルも、調音合成の発展に寄与しています。

現代の進展

近年の技術革新により、調音合成方法は一層進化しています。Haskins CASYモデルに見られるように、MRIデータを用いて声道の三次元モデルを構築する技術が登場しました。この新しいアプローチは、実際の生体のデータに基づくため、より正確な音声生成が可能となります。また、Olov Engwallによるフル3次元調音合成モデルや、Peter Birkholzが開発した幾何学的な3次元調音合成モデルも現れています。さらに、ArtiSynthプロジェクトでは、3次元の生体力学モデリングツールが提供され、人間の声道や上気道の理解が深まっています。

商用システムの発展

1980年代後半には、カナダのカルガリー大学のスピンオフ企業であるTrillium Sound Researchによって、商用の調音スピーチシステムが開発されました。このシステムは、GNU General Public Licenseの下で公開され、Gnuspeechという名称で知られています。1994年に初めて市場に登場した際には、伝送路アナログを利用し、人間の発声を模擬する高度な機能を備えていました。

まとめ

調音合成は、計算技術の進歩とともに、音声生成の理解を深める重要な分野です。音声合成の過去から現在までの技術の進展を振り返り、今後の可能性についても探求していくことが求められています。今後の調音合成の技術がどのように発展していくのか、注目が集まります。

もう一度検索