WaveNet
DeepMindが2016年に発表した、音声を1サンプルずつ生成するニューラルネット。機械の声を目に見えて機械らしくなくした。
それ以前の音声合成は、録音の断片をつなぐか、パラメトリックなボコーダーを動かす方式で、聞けばそうとわかる音だった。WaveNetは波形そのものをモデル化する。新しいサンプルは過去のすべてから予測され、膨張率が層ごとに倍になる因果畳み込みによって、ネットワークは数百ミリ秒前まで見通せる。サンプルはμ則で256段階に量子化され、課題は分類問題になった。聴取テストでは、合成音声と人間の音声の差を約半分縮めた。
難点は速度で、当初は1秒の音声に数分かかった。2017年の並列版が解決し、Google アシスタントに採用された。このアーキテクチャはニューラルボコーダーの雛形となり、ギタリスト向けのアンプモデルなど意外な場所にも現れる。