四本淑三の「ミュージック・ギークス！」 第34回

初音ミクと「ゆっくり」の声、何が違う？　アクエスト社に聞く

ゆっくりの中の人はAquesTalk

――　おそらくニコニコ動画を観ている層には、AquesTalkの音声は「ゆっくり」でおなじみだと思うんですけど。

山崎　ただSofTalk^※ばっかり有名になっちゃってるなぁ、というのはありますけどね。

――　あ、やっぱり。

山崎　「ゆっくりの声はSofTalkの声だ」って言われちゃうと、えーっ、ちょっとなー、とは思いますけどね。SofTalkはAquesTalkのフロントエンドなので。

^{※ SofTalk : 無償頒布のテキスト読み上げソフト（公式サイト）。何度も言うように音源はAquesTalk}

――　じゃあそこだけ太字で書いておきましょうか？

山崎　いやいやいや！ これだけ有名にしていただいたのは、SofTalkのおかげです。

――　SofTalkのあの独特のイントネーションはAquesTalkの地声と思っていいんですか？

山崎　アクセントの記号を入れればちゃんと読むはずだし、AquesTalkはその機能を持っているんです。でも、そうじゃない方がいいらしいですね。あの独特の平坦な声が、あのキャラクターと合ってるし。

――　音声合成方式の違いを教えてください。たとえばVOCALOIDと比べられますか？

山崎　VOCALOIDはきちんとサーベイしていないので分からないんですが、うちのは古典的な音声合成ですね。

――　古典的というと、たとえばCHATR^※とか？

山崎　あっ、詳しいですね。CHATR系は今の主流で、コーパスベース^※とも言われています。HOYAさんのVoiceText^※やエーアイさん^※が使われている技術は、あの流れなんですね。大量のデータベースの中から合成する文に合う、なるべく長い単位の音素を探し出してきて、くっつけるというやり方なんです。

<sup>※ CHATR : チャター。ATR音声翻訳通信研究所のNick Campbellが開発した音声合成技術。人の声を録音して音声データベースを作り、つなぎ合わせて音声を作成する

※ コーパスベース : corpus。自然言語処理のために大量の文章を蓄積した用例データベースのこと

※ VoiceText : Pentaxの同名商品として知られていたものと同じ。ペンタックス株式会社とHOYA株式会社の合併によりHOYA製品となった（公式サイト）

※ エーアイ : 合成音声技術を開発している会社（公式サイト）。同社の技術「VOICELOID」を使った製品として、AHS「月読アイ」などが有名。</sup>

――　なるほど。小さな容量は実現できないですよね。

音声読み上げソフト「月読アイ」（1万5750円）

山崎　それに比べてうちのやり方は、非常に細かい単位で、たとえば「あ」「い」「う」「え」「お」のような音素を持っていて、それをつないで行くものです。

――　UTAUに近いんですか？

山崎　近いですね。最終的なシンセサイザーの方式は違っていて、UTAUは時間領域^※で処理されていると思うんですが、うちのは周波数領域^※で処理しています。どちらでやっても最終的には同じなんですが、周波数領域に移してパラメータに変換するかしないかが、ひとつのポイントになってくると思います。

<sup>※ 時間領域 : オシロスコープで可視化できる波形のように、信号を時間軸で解析して扱うこと

※ 周波数領域 : スペクトラムアナライザで可視化できる周波数分布のように、信号を周波数を軸に解析して扱うこと</sup>