G検定 用語解説
音声合成とは
文字（テキスト）から人の話し声に近い音声を作り出す技術。WaveNetは自然な音声波形を生成する代表的な音声合成モデルの一つ。
音声合成の意味と見分け方
音声合成は、G検定の「大項目6 ディープラーニングの応用例」に出てくる用語です。定義だけでなく、どの場面で使う言葉か、何と混同しやすいか、問題文のどの表現で判断するかまで確認します。
情報源と編集区分
公式範囲を確認し、具体例・誤答例・判断手順は当サイトが編集。
試験概要（公式）試験での問われ方
定義の言い換え
用語そのものではなく、説明文の一部を言い換えて出されることがあります。
似た概念との比較
同じ章の用語と入れ替えた選択肢に注意します。対象、目的、使う場面を分けます。
具体例からの判断
問題文の事例が、定義のどの部分に対応しているかを先に確認します。
誤答しやすいポイント
「大項目6 ディープラーニングの応用例」の問題で、取り違えやすい組み合わせです。
- 物体検出（R-CNN系/YOLO/SSD）とセグメンテーション（セマンティック＝画素単位の塗り分け、インスタンス＝個体ごとに区別）の混同。
- word2vec・BERT・GPTの違い（BERT＝前後両方向、GPT＝一方向・自己回帰）。
- 強化学習の応用（DQN、AlphaGo）と画像/言語タスクの取り違え。
関連する確認問題
大項目6 ディープラーニングの応用例 / 音声・強化学習
van den Oordらが2016年に発表したWaveNetの原論文（WaveNet: A Generative Model for Raw Audio）の抄録が述べるモデルの特徴として、最も適切なものはどれか。
正解は「生の音声波形を生成するモデルで、各音声サンプルの予測分布がそれ以前のすべてのサンプルに条件づけられる、完全に確率的で自己回帰的なモデルである」である。WaveNetの原論文（arXiv:1609.03499）の抄録は、WaveNetを生の音声波形を生成する深層ニューラルネットワークと紹介する。モデルは完全に確率的で自己回帰的であり、各音声サンプルの予測分布はそれ以前のすべてのサンプルに条件づけられる。音声合成に適用すると、英語と中国語の両方で、人間の聴取者が最良のパラメトリック方式・連結方式のシステムより有意に自然だと評価した。話者のIDで条件づければ1つのWaveNetで多数の話者を切り替えられ、音楽を学習させると新しく写実的な音楽の断片を生成し、識別モデルとして音素認識にも使えると述べる。
大項目6 ディープラーニングの応用例 / 音声・強化学習
音声波形を直接扱い、高品質な音声生成・音声合成と関連して知られるディープラーニングモデルはどれか。
正解は「WaveNet」である。WaveNetは音声波形を扱うディープラーニングモデルとして知られ、音声生成や音声合成と関連する。YOLOは物体検出、BERTは自然言語処理、U-Netは画像のセグメンテーションでよく使われるモデルである。 候補を媒体とタスクで分ける。YOLOは画像の物体検出、BERTはTransformer系の自然言語モデル、U-Netは画像領域分割である。時間方向の音声波形サンプルを条件付きで順次生成するモデルはWaveNetである。
大項目6 ディープラーニングの応用例 / 画像認識・物体検出
画像内の物体の種類だけでなく、位置を囲む枠も推定するタスクとして最も適切なものはどれか。
正解は「物体検出」である。物体検出は、画像内に何があるかだけでなく、その位置をバウンディングボックスなどで推定するタスクである。画像認識は画像全体の分類を指すことが多い。機械翻訳は言語変換、音声合成はテキストなどから音声を作る技術であり、画像内の物体位置を推定するタスクではない。 画像タスクは出力粒度で区別する。画像認識は画像全体のクラスを返す場合が中心で、位置の枠を必須としない。機械翻訳と音声合成は言語・音声の変換である。物体ごとの種類と矩形位置を返すのが物体検出である。
同じ章で確認したい用語
到達チェック
- 音声合成を一文で説明できる
- 同じ章の似た用語と違いを説明できる
- 問題文の具体例から、音声合成に関係する論点を拾える
- 関連問題を解き、誤答した選択肢の理由を確認できる
執筆: AI資格ドリル編集部（運営者情報を見る）