G検定 用語解説
WaveNetとは
音声の波形を1サンプルずつ直接生成する深層学習モデル。従来より自然な音声を合成できる手法として音声合成に使われる。
まず押さえる結論
WaveNetは、G検定の「大項目6 ディープラーニングの応用例」で確認しておきたい用語です。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。 一次情報確認日: 2026-07-03。
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
×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 / 自然言語処理
文中の単語を周囲の文脈に応じたベクトル表現として扱い、Transformerを基盤に事前学習された自然言語処理モデルとして最も適切なものはどれか。
正解は「BERT」である。BERTはTransformerを基盤とする自然言語処理モデルで、文脈に応じた単語表現を扱う。YOLOは物体検出、U-Netは画像のセグメンテーション、WaveNetは音声生成・音声処理に関係するモデルであり、自然言語処理のTransformer系モデルとして問われる場合の答えではない。 各モデルの媒体とタスクを照合する。YOLOは画像の物体検出、U-Netは画像領域分割、WaveNetは音声波形生成に関係する。双方向の文脈を使うTransformerエンコーダを事前学習した自然言語モデルはBERTである。
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 / 音声・強化学習
直接は観測できない内部状態が確率的に遷移し、その状態から観測データが確率的に生成されると考える時系列モデルで、古くから音声認識などに用いられてきたものはどれか。
正解は隠れマルコフモデル（HMM）。直接観測できない状態が確率的に遷移し、各状態から観測値が確率的に出力されると仮定する時系列モデルで、ディープラーニング普及以前から音声認識などで広く使われてきた。word2vecは単語を分散表現に変換する手法、WaveNetは音声を高品質に合成する深層生成モデル、seq2seqは系列を別の系列に変換するEncoder-Decoder構成で、いずれも隠れた状態遷移を確率的に扱うHMMとは異なる。 時系列モデルの構造を照合する。seq2seqはEncoder-Decoderの系列変換、word2vecは単語埋め込み、WaveNetは音声波形生成である。隠れ状態のマルコフ遷移確率と観測出力確率を持つのは隠れマルコフモデルである。
同じ章で確認したい用語
到達チェック
- WaveNet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、WaveNet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: ミナト編集部（運営者情報を見る）