音響モデルからボコーダまで、日本語の音声合成を根っこから設計した。
120ms
短文合成（T4実測）
数社
国内でこれを自社でできる会社の数
4人
チームのメインとして主導
'24–'25
Livetoon 取締役CTOとして
What
何を作ったか
テキストを音声にする流れは、大きく2段です。文から音の特徴を作る音響モデルと、その特徴を実際の波形に変えるボコーダ。よくある構成は、どちらかに既製品を使います。Livetoonでは、その両方をゼロから設計して学習させました。声の自然さも、遅さも、既製品の都合に縛られたくなかったからです。
音声合成を自社でフルスクラッチで持てる会社は、国内では大手を含めても数社ほど。そこに、4人の小さなチームで挑みました。私はそのメイン開発者として、アーキテクチャの設計から学習の回し方まで手を動かしています。画像も音声も言語も、生成AIの主要なモダリティを「訓練する側」で経験できたのは、この時期が大きかった。
Used by
現場で使われた
2025年10月、富士通のヘルスケアAIエージェントの実証で、このTTSが読み上げに使われました。担当者から「音声読み上げ特有の違和感がかなり小さく驚いた」という評価をもらっています。数字の自慢より、実際に使った人のこの一言のほうが、作った甲斐がありました。
Coverage
取り上げられた
- AWS Startup Blog。フルスクラッチ日本語音声合成の開発について、技術インタビューを受けました。
- NVIDIA主催ウェビナー。「エージェント型AIを活用したデジタルヘルスの実現」に登壇（2025年11月）。
Related