アマゾンが音声合成モデル「BASE TTS」発表、パラメータ拡大で「創発的能力」を発現

従来の音声合成に長文や複雑な表現を読ませると、妙なアクセントがついたり感情が途切れたりして、違和感を拭えないことがよくありました。

アマゾンの AGI 研究チームが発表した「BASE TTS」は、音声合成モデルとして過去最大級の規模を誇る実験的 AI です。大規模言語モデルで知られる「創発的能力」が、音声の世界でも一定のスケールを超えた段階で現れることが確認されました。

4億パラメータで起きた「能力の跳躍」

言語モデルでは、モデルサイズをある水準以上に拡大すると、事前学習で直接教えられていない課題まで急激にこなせるようになる現象が知られています。アマゾンのチームは、この法則が音声合成でも起きるかを検証しました。

用意されたのは3つのサイズです。1000時間の音声で学んだ1.5億パラメータ版、1万時間の4億パラメータ版、そして10万時間のパブリックドメイン音声を用いた最大9.8億パラメータの BASE-large です。学習データの約9割は英語で、残りをドイツ語、オランダ語、スペイン語が占めています。

興味深いことに、能力の急激な変化は中規模にあたる4億パラメータの段階で観測されました。一般的な音質スコアの上昇はわずかでしたが、難解な文章を読み解く能力が跳ね上がりました。

例えば、複数の修飾語が連なる長い複合名詞のアクセント付け、外国語の単語、メール文中の記号、さらには「しーっ」とささやく感情表現や疑問文の抑揚などです。従来の Tortoise や VALL-E といったモデルがつまずきやすかった難問を、特別な指示なしで自然に発声してみせました。

また、BASE TTS はストリーミング処理に対応しており、文全体を生成し終えるのを待たずに低ビットレートで逐次再生できます。抑揚や感情といったメタデータを別回線で送る工夫も施されています。

モデル本体は非公開、評価基準のみを共有

極めて高い表現力を示した一方で、アマゾンはこのモデルの重みやデータを公開していません。悪意ある人物による音声の悪用を防ぐためと説明しています。

代わりに、モデルの創発的な能力を測定するためのテストセットを一般公開しました。

アマゾン AI の広報担当である Leo Zao 氏は、創発が自社モデル特有のものと結論づけるのは時期尚早だとコメントしています。テストセットを公開することで他社モデルでも同様の検証が進むことを期待しており、音声分野におけるスケーリング則の研究はまだ始まったばかりだと述べています。

なぜ重要か

ユーザーや制作現場の視点で見ると、オーディオブックやゲームのキャラクター音声などで、機械らしさを感じさせない自然な朗読が実現する道筋が見えてきました。文脈に応じたささやき声や興奮したトーンを AI が文面から読み取って自発的に演じ分けられるためです。ただし現時点では実験段階の研究であり、公開されているサンプル音声を聴くことしかできず、すぐに自社アプリや制作ワークフローに組み込めるわけではありません。

音声業界全体に対しては、LLM と同様に「データ量とパラメータの拡大がブレークスルーを生む」という現実を突きつけました。これまで多くの開発陣が後処理アルゴリズムの調整に工夫を凝らしてきましたが、10万時間規模のデータを食わせることで、文脈解釈の壁を一気に飛び越えられる可能性が示された格好です。

アマゾンの立ち回りについて私たちは、安全性を名目にモデルを秘匿しつつ、評価ベンチマークを提示することで音声評価の主導権を握る巧妙な手だと考えています。とはいえ音声モデルはテキストの超巨大モデルに比べて計算資源の負担が小さいため、オープンソース陣営が同様のスケールに追いつくのも時間の問題と見られます。