用語：音声生成AI
AI用語の分類：生成AI・言語・検索・推論
ひとことで：音声生成AIは、テキストや音声、映像などの条件から、発話・会話・効果音など新しい音響を生成するAIです。
音声生成AIは、テキスト、音声、画像、動画、制御情報などを条件として、新しい音声・音響を生成するAIの総称です。日本語で「音声」と言うと人の話し声を連想しやすいため、Text-to-Speech（TTS）と同義に見えることがありますが、実際にはより広い概念として使われる場合があります。
生成対象には、読み上げ音声、会話、声質を指定した発話、効果音、環境音、場合によっては音楽まで含まれます。そのため、記事や製品ページで「audio generation」「speech generation」「voice generation」のどれが使われているかを確認することが重要です。日本語の「音声生成AI」という訳語だけでは対象範囲が曖昧になることがあります。
目次
何を生成しているのかを最初に確認する
音声生成AIの理解で最初に見るべきなのは、出力が何かです。人間の発話を作るのか、足音や雨音のような効果音を作るのか、複数人の対話を作るのかで、必要なモデル能力も評価軸も変わります。
Google DeepMindが公開してきた音声生成研究では[1]、テキストや話者情報から自然な発話を生成し、複数話者の対話、ポーズ、イントネーション、音響的細部を扱う例が示されています。長い音声を生成するには、音をそのまま高いサンプリング周波数で逐次予測するのではなく、音声を圧縮した音響トークンや潜在表現に変換して扱う方式も利用されます。
この点はLLMの文章生成と似て見えますが、音声では内容だけでなく、声質、韻律、間、速度、背景音、音質など多数の要素を同時に扱う必要があります。
TTSとの違い
TTSはText-to-Speechの略で、入力されたテキストを人間の発話音声へ変換する技術です。したがってTTSは音声生成AIの代表的な一部と考えられますが、音声生成AIのすべてではありません。
たとえば、台本のない会話を生成するモデル、既存音声の続きを生成するモデル、映像から効果音を作るモデルは、単純なTTSの枠を超えます。逆に、製品が「生成AI音声」と宣伝していても、実際には高品質なTTSだけを提供している場合があります。
元の記事で「音声生成AIが進化した」と書かれていたら、まず入力と出力を確認し、TTS、音声変換、会話生成、効果音生成のどれを指しているかを特定します。
音声認識とは方向が逆
音声認識（ASR）は、音声を入力して文字列へ変換する技術です。音声生成は文字や条件から音声を出力します。つまり情報の流れが逆です。
実際の音声アシスタントでは、ASRで発話を文字へ変換し、言語モデルが応答文を作り、TTSで音声に戻す構成が使われます。ただし、最近の音声モデルには、音声入力から内部で直接音声出力を扱う構成もあります。その場合でも、ASRと音声生成という概念上の役割は分けて考えると理解しやすくなります。
「自然な声」は何で決まるのか
音声生成の品質は、文字内容が正しいだけでは評価できません。少なくとも、発音の正確さ、イントネーション、リズム、ポーズ、感情表現、話者の一貫性、音響ノイズ、長時間での安定性などがあります。
複数話者ではさらに、誰が話しているかの維持、話者交替、重なり、笑い、相づちなどが問題になります。人間には自然に聞こえる短いデモでも、長い会話では話者が混ざったり、抑揚が単調になったりすることがあります。
したがって「人間と区別できないほど自然」という主張を見るときは、どの文章、言語、話者、長さ、評価方法での結果なのかを確認する必要があります。
声のクローンと音声生成AIは同じではない
特定の人物に似た声を作るvoice cloningは、音声生成AIの一つの利用形態です。しかし音声生成AIが必ず他人の声を複製するわけではありません。既定の合成音声だけを使うサービスもあります。
ここには重要な社会的境界があります。技術的には話者特徴を条件として生成する能力でも、実在人物の声を無断で模倣すると、詐欺、なりすまし、権利侵害につながります。製品の安全策として、本人同意、声の登録手続き、生成物の識別、利用制限などが設けられることがあります。
ただし「音声生成AI」という用語だけから、クローン機能の有無や安全策の有無を推論してはいけません。
音楽生成との境界
音楽も音波としてはaudioですが、音楽生成AIは旋律、和声、リズム、構成など音楽固有の長期構造を扱うため、独立したカテゴリとして語られることが多くあります。音声生成AIという日本語がspeech generationを意味している文脈では、音楽は含まれません。一方、audio generationという広い英語表現では、音楽・効果音・音声をまとめて扱うことがあります。
したがって翻訳記事では、原文のaudio、speech、voiceを確認すると誤解を減らせます。
具体例で読む
あるサービスが「テキストから二人の自然な会話音声を生成できる」とします。これはTTSに似ていますが、単に文章を一人の声で読むだけではありません。二人の話者を維持し、交替タイミング、間、相づち、感情、声質を生成する必要があります。
別のサービスが「動画を入力すると足音や風音を作る」とします。[2]これも音声生成AIですが、人の発話を作るTTSではありません。同じ「音声生成」という言葉でも中身は大きく異なります。
元の文脈へ戻ったときのチェックリスト
- 原文はaudio、speech、voiceのどれか。
- 出力は人の発話、会話、効果音、環境音、音楽のどれか。
- 入力はテキストだけか、参照音声や映像も使うか。
- TTSと広義の音声生成を混同していないか。
- 品質評価は発音だけでなく、韻律や長時間安定性を含むか。
- 特定人物の声を再現する機能があるか。あるなら同意・安全策は何か。
- 「リアルタイム」が生成速度を意味するのか、対話全体の低遅延を意味するのか。
音声生成AIを正しく読む鍵は、「何の音を、何を条件として、どの品質軸で生成するのか」を分解することです。
関連するAI用語
- 音楽生成AI
music-generation-ai - 音声認識（ASR）
automatic-speech-recognition - 音声合成（TTS）
text-to-speech - Speech-to-Speech
speech-to-speech
注・出典
- Google DeepMind, Pushing the frontiers of audio generation↩
- Google DeepMind, Generating audio for video↩
AI協働制作について
本記事は、著者が独自に設計した指示、参照資料、出典確認規則、著作権確認および監査工程を組み込んだChatGPT等の生成AIを、情報収集の補助、資料整理、構成検討、草稿作成、文章校正および監査補助に使用して制作しました。記事の対象範囲、情報源の採否、構成、解釈および最終表現は著者が判断し、最終稿を承認しています。著者は、本記事の正確性、独自性、引用、著作権処理および公開内容について責任を負います。 制作工程の詳細は「AI協働制作方針」をご覧ください。