メモリ効率の良い分離型時間深度拡散トランスフォーマーによる音声合成

皆さんのスマホ、iPhoneで話しかけると、どんな声で返ってきますか？　今、アップルが、もっと自然で、もっと豊かで、しかも「スマホの中だけで」高度な音声合成を実現する技術を発表しました。その名も「AFM 3 Core Advanced」。

この技術のすごいところは、インターネットにつなぐ必要が全くない、ということです。つまり、あなたのiPhoneが、まるで人間のように、リアルタイムで、しかも色々な声色で話してくれるようになるかもしれません。電話の相手の声が、もっと聞き取りやすくなったり、音声アシスタントが、もっと感情豊かに応答してくれるようになったり、ゲームの世界に、もっと没入できたり…想像するだけでワクワクしますね。

この魔法のような技術を支えているのが、「デトナイザー」と呼ばれる新しい仕組みです。これは、スマホの中にある「基盤モデル」が作り出す、音声の「意味」や「ニュアンス」の情報（これを「セマンティックオーディオトークン」と呼ぶそうです）を、私たちが聞くことができる、きれいな音（高解像度オーディオ）に変換する役割を担っています。

これまでの音声合成技術は、サーバー側で処理することが多く、どうしても通信の遅延や、プライバシーの懸念がありました。しかし、この新しい技術なら、スマホの中で全てが完結するため、より速く、より安全に、そしてより高品質な音声体験が可能になります。アップルは、この技術によって、私たちのデバイスとの関わり方が、もっと自然で、もっと豊かなものになると考えているようです。