G検定（ジェネラリスト検定） ディープラーニングの応用例 練習問題 第14問: 音声認識・音声合成などの音声のタスクに関する説明として、最も不適切なものはどれか。

正解: 3. WaveNetは、テキストを入力として受け取り内容を分類するモデルで、音声の波形は生成しない。

肢3が不適切です。WaveNetの論文（van den Oord ほか）は、WaveNetを生の音声波形を生成する深層ニューラルネットワークとして提案し、テキスト音声合成に使うと従来の方式より自然だと人に評価されたと報告しています。肢1は適切で、CTC（Graves ほか, 2006）は区切りの付いていない系列のラベル付けを学習でき、各フレームに文字か空白を出して同じ文字の連続をまとめることで、長さの違う入力と出力を対応付けます。肢2も適切で、HMMは1990年代までに音声認識の主流の手法になりました。肢4も適切で、話者識別は多数の話者の声と照合して誰の声かを判定するタスクです。本人かどうかの2択を判定する話者照合と区別します。

関連キーワード: CTC・隠れマルコフモデル・WaveNet・話者識別・音声合成