1．は　じ　め　に

　テキスト音声合成（TTS: Text-to-Speech）とは，任意に与えられたテキストに対応する音声を合成する技術であり，音声対話システム等様々な応用がある．古くは18世紀後半から音声を合成する機械を作る試みがなされており^(1)～(3)，20世紀後半には計算機上で音声を合成する試みが始められた．調音機構（人間の音声を合成する仕組み）を計算機で模倣する調音音声合成⁽⁴⁾，専門家が音声生成に関する知識を集め定めた多数の規則に基づいて音声を合成する規則音声合成⁽⁵⁾を経て，1990年代には大規模な音声データと計算機資源に基づくコーパスベース音声合成⁽⁶⁾が開発された．

　コーパスベース音声合成には大きく分類して二つの方式がある．一つは録音された音声波形を細かく分割した素片を連結することで，所望するテキストに対応する音声を合成する波形接続型音声合成⁽⁷⁾である．もう一方は，音声とテキストの関係を条件付き生成モデルを用いて学習し，これを用いてテキストに対応する音声を合成する生成モデル型音声合成（GTTS: Generative TTS）⁽⁸⁾である．図1にTTS方式の分類を示す．波形接続型は高品質な合成音声を得られるが，様々な音声を合成するには大規模な音声コーパスを準備する必要がある⁽⁹⁾．GTTSは自動学習可能・省メモリ・様々な音声を小規模音声コーパスから実現可能だが，合成音の自然性に課題があった⁽¹⁰⁾．GTTSの研究は活発に行われてきたが，製品に関しては2010年代中旬まで波形接続型が主流であった．