音声処理は、人間の「声」を対象とするディープラーニング応用分野です。
音声の波形データは連続値かつ時系列的な性質を持ち、テキストや画像とは異なる扱いが必要です。
本節では、音声認識・生成・話者識別に関連する代表的技術を整理します。
音声認識（Speech Recognition）
背景
- 以前はHMM（隠れマルコフモデル）＋GMM（ガウス混合モデル）が主流。
- ディープラーニング導入後、DNN／RNN／CTC によって性能が飛躍的に向上。
特徴
- 音声波形 → 音響特徴量（メル周波数ケプストラム係数など） → テキストに変換。
- エンドツーエンドモデル（入力波形から直接テキストを出力）が近年主流。
応用
- 音声アシスタント（Siri, Alexa, Google Assistant）
- 自動字幕生成
- 医療・コールセンターでの文字起こし
👉 試験頻出：「ディープラーニングによりHMMベースからエンドツーエンド型音声認識へ移行した」。
WaveNet（音声生成モデル）
特徴
- Google DeepMindが2016年に発表。
- CNNベースの生成モデルで、高品質な音声波形を生成可能。
- 従来の音声合成（統計的手法、単位選択方式）よりも自然な音質を実現。
応用
- 音声合成（Text-to-Speech, TTS）
- ボイスアシスタントの自然音声化
- 音楽生成
👉 試験ポイント：「WaveNetは自然な音声合成を実現したモデル」。
CTC（Connectionist Temporal Classification）
背景
- 音声データは「入力と出力が一対一で対応しない」問題がある。
- 例：音声の長さと文字数は一致しない。
特徴
- 入力系列と出力系列の長さが異なる場合でも学習可能。
- 空白トークン（blank）を導入してアライメントを自動的に学習。
応用
- 音声認識（特にエンドツーエンド型）
- 手書き文字認識
👉 試験頻出：「CTCは音声認識で入力長と出力長が異なる問題を解決する」。
話者識別（Speaker Recognition）
定義
- 話者確認（Speaker Verification）：本人かどうかを確認。
- 話者認識（Speaker Identification）：誰が話しているかを特定。
技術
- 音声特徴量（声紋）をディープラーニングで表現。
- Embedding（d-vector, x-vector）を用いて個人の特徴を抽出。
応用
- セキュリティ認証（声によるログイン）
- 法医学的利用（犯罪捜査）
- 個人化サービス（ユーザーごとの声認識精度向上）
👉 試験ポイント：「話者識別は声の特徴（声紋）を使って個人を識別する技術」。
まとめ
- 音声認識：HMMからディープラーニング型へ移行、エンドツーエンド学習が主流。
- WaveNet：高品質な音声生成を可能にしたDeepMindのモデル。
- CTC：入力と出力の長さが異なる系列データを扱う手法。
- 話者識別：声の特徴を使った認証・識別。
出題傾向
- 「WaveNetの特徴は？」＝自然な音声合成
- 「CTCはどのような問題を解決するか？」＝入力長と出力長の不一致
- 「話者識別と話者確認の違いは？」
- 「音声認識技術の進化は？」＝HMM→DNN→エンドツーエンド
練習問題（例題）
問題：音声認識において「入力系列と出力系列の長さが異なる問題」を解決するために用いられる手法はどれか？
- WaveNet
- CTC
- LSTM
- GAN
👉 正解：2
