僕のホラは、次の３月１８日にリアルになるか？

Will my big talk be real next March 18 ?

2022/12/25
藤田昭人

５日間連続投稿の最中に kun432 氏に「こっちにも投稿しませんか？」と誘われて…

実は昨日は一日 Qiita の markdown と格闘してました。が、やっぱりエディタは慣れてないとねぇ…
どうやら Advent Calendar の執筆は外部のブログでも良いようなので、結局、慣れてる「はてなブログ」で執筆することにしました。

これは「５日間連続投稿」の総集編*1とご理解ください。 Advent Calendar との連携の都合上、先に公開してないといけないようなのでいつもとちょっと勝手が違いますが…

僕の「５日間連続投稿」について

僕は毎年このシーズンになると京都ノートルダム女子大学の授業「インターネット社会論」のゲストスピーカーに呼ばれてＡＩの講義をしてきました。で、今年の授業に向けて作成したデモプログラムの作成過程を５つのトピックに分けてブログに書きました。

今、注目のオープンソース音声合成ソフト SHAREVOX の core ライブラリだけを使って、京都検定の問題を読み上げる CLI ベースの text-to-speach コマンドを作成した報告です。

ちゃんと動くところまでは持っていったのですが、読み上げてくれる「つくよみちゃん」の声質が気に入らず、授業での紹介は控えた…という顛末でした。なので、今のところ未完です😀

SHAREVOX について

SHAREVOX は話題のオープンソース音声合成ソフト VOICEVOX から派生した COEIROINK に続く２番目の fork です。

たぶん、次の YouTube 動画を見てもらうのが一番早そう…*2

www.youtube.com

見た目は macOS と Windows で動くダブルクリック・アプリケーションですが、中身はウェブ・アプリの構成になっています。

github.com

この構成は派生した COEIROINK と SHAREVOX の２つでも共通で、僕は SHAREVOX の core を使って読み上げアプリケーションを作りました。

ちなみに…

見た目のポップさとは裏腹に、 VOICEVOXシリーズは本格的な機械学習の技術を使って実現されています。

shirowanisan.com

これは COEIROINK の開発者のシロワニさんのブログです。記事数が少ないので全部目を通すのは比較的ラクなんですが、音声合成に関する arXiv の論文とかを紹介したり… とか機械学習の先端研究の成果を取り入れてかなり高度なことをしていることがわかります*3。

前述の、僕が記事にした core ライブラリは、名工大の OpenJTalk と ONNX runtime による音声合成の複合体です。 GPU を搭載していない僕の旧式の Mac Book でも実用的なスピードで動くのには驚いてます*4。

スマートスピーカーとの関わりは？

しかし kun432 氏は音声合成ネタオンリーの僕のブログ記事をみて、何故スマートスピーカーのアドベントカレンダーに誘ってくれたのでしょうかねぇ？？？

思い当たるのは…

僕を毎年授業に呼んでくれる吉田智子先生が書いた１２月１５日の僕の講義のレポートです。絵が小さいので再掲すると…

これは僕が今年の講義で話した独自研究による「近未来予想」… 平たく言えば僕のホラです😁

ひょっとして、彼はここまでチェックしてたのかも？

もちろん、これはただの思いつき…って訳ではなくて、元祖チャットボットの ELIZE に備わっていた傾聴対話機能（厳密には ELIZA が実行するスクリプト DOCTOR の機能）をスマートスピーカーに当てはめたアイデアです*5。第１次ＡＩブームの頃、チャットボットは「会話を楽しむプログラム」として（ゲーム的な）人気を博したのですが…

今世紀になったあたりから「チャットするためのボット」つまり（自然言語で）何かを命令できるボットとの認識が広まった感が僕にはあります。その延長上の「音声チャットボット専用デバイス」としてスマートスピーカーは位置付けられたのではないでしょうか？でも、ホームユースにおいて命令したいことってそれほど多くない。確かに「電気を灯けて」とか「３分間測って」といったシンプルな命令は非常に需要は高いと思います。が、それ以上に高度な命令ってなかなか思いつきません。最近のスマートスピーカーの先細り感の本質的な原因はこういうところあると僕は考えています。やはりチャットボットの原点である「会話を楽しむデバイス」に立ち戻った方が良いというのが僕の意見です。

そこには「一人暮らしの高齢者」である僕の個人的な事情も含まれています。事実、定年退職を境に誰かと会話する機会が急激に減りました。そういう生活を半年も続けていると、なんだか滑舌が悪くなったり、他の誰かの話し声が聞き取りにくくなったり… もちろん目や声に異常がある訳ではなく、日常的に声を出して会話する機会が減ると会話する能力が衰えていくようです。コロナ禍の影響で同じような体験をした方もいらっしゃるんではないかと思うのですが、僕のような高齢者の場合は特にこの能力低下が著しいようです*6。

授業では、このような「人間に寄り添うＡＩ」をメインテーマに、さらに加齢による記憶力や認知能力の低下を補う「知的義肢としてのＡＩ」のコンセプトについて学生諸君に話をしました。

対話してくれるのは誰か？

授業では「次世代ＡＩスピーカー」のコンセプトや開発目標のみを簡単に説明するに留めましたが…

この場では実現方法に関するこれまでの検討について簡単に述べます。

「人間の比較的短い音声メッセージにスピーカーが音声で応答する」従来のスマートスピーカーとは逆に、次世代ＡＩスピーカーの場合は「スピーカーの比較的短い音声メッセージに人間が音声で応答する」ので「人間が発話するロングメッセージ」に対応する音声認識技術に開発の重点を置かなければならないと考えていたのです。実は夏頃までは…

が、今年の９月に OpenAI *7 が Whisper を公開しました。

openai.com

あくまでも僕個人の見立てなのですが…
ソースコードも公開されている Whisper は音声認識技術のゲームチェンジャー*8だと僕は考えてまして、この技術の応用事例の発表は既に始まってますが、今後もしばらくは続くだろうと想像しています*9。やはり、音声認識技術に関しては Whisper の動向をしばらくウォッチしておいた方が良さげかと考えてます*10。

一方、音声合成技術の側、つまりスピーカー側の発話に関する実装には、僕が「対話してくれるのは誰か？」と呼んでいる問題があると考えてします。１年ぶりに復活した記事でも書いたように、僕はほぼ１年前に「童話の読み聞かせ」をする音声チャットボットを実装しました。実装している最中は「利用者は自分の発言が正しく伝わっていることに関心を持つだろう」と、つまり音声認識に関心が集まるだろうと考えていたのですが、完成後に実際に利用した人の感想を聞くと「iPhoneとMacで声が違う」といった音声合成へ関心を寄せる声が多かった。僕にとってこれは意外な反応でした。

その後、理由を考えてみたのですが…

人間は聞こえてきた音が言葉のように聞こえると「それが擬似的であろうが人工的であろうがそこに人格があると仮定しその存在が親和的であるか？敵対的であるか？あるいは信用できるか？否か？を直感的に判断しようとするのではないか？」と推測しました。また、この傾向は高齢者の方が強いとも考えました*11。

つまり、デバイスの使用感を支配するのは音声合成技術ではないかと僕は考えています。

そこで、SHAREVOX core を使った音声合成機能だけの「次世代ＡＩスピーカー」のデモシステムを作ることにしました。その際、よく考えなければならないことが、既に述べた「対話してくれるのは誰か？」という問題です。

この問題を考える上でも SHAREVOX （および VOICEVOX から派生したオープンソース）は非常に良い示唆を与えてくれます。 VOICEVOX シリーズの音声合成ソフトウェアはいずれも、複数のキャラクターをバンドルしています*12。僕は世代的に、ゲームは全くやらないし、漫画は読んでもアニメはほとんど見ない人間なので、大きく誤解してると思いますが、 VOICEVOX シリーズはニコニコ動画のコミュニティから出て来たソフトウェアで、それ故に複数のキャラクターがバンドルされる事は極めて自然なことなのだと想像しています。

一方、数ある音声合成ソフトの中での VOICEVOX シリーズの特徴を考えると、オープンソースであることと徹底したキャラクター指向が挙げられるように思います。特に音声チャットボットを構築する上では、このキャラクター指向は対話をする人間の関心と共感を獲得する上で大きな助けになるのではないかと僕は考えています*13。

SHAREVOX では４人６声のキャラクタが標準でバンドルされますが、僕が特に注目しているのは「つくよみちゃん」です。というのも、「つくよみちゃん」の声の主である夢前黎さんが次の「会話テキストデータセット」も作成・配布されているからです。

tyc.rei-yumesaki.net

これは、いわゆる（言語）コーパスでして、この「会話テキストデータセット」を利用すれば、単純なルールベースのチャットボットであれば比較的簡単に構築できそうです。