WaveNet — 音の波形を一つずつ作る

2016年の音声生成研究。録音をつなぐ以外に、波形そのものをモデルから作る道を、研究紹介と論文の両方からたどります。

なめらかな声を作るには、どれほど細かな時間を扱う？

DeepMindの紹介は2016年9月8日、論文の初公開は同月12日。ここでは当時の原型の研究を説明しています。

展示記事更新 2026-10-29

その時代、何を目指した？

音声は、文字の列だけでは表せません。声の高さや抑揚、息づかいなどが、細かな時間ごとの信号に含まれています。

録音した声の断片をつなぐ方法などでは、必要な音の組合せや自然な変化をどう作るかが課題になります。波形を直接作る場合も、1秒に何万点もある音の値を、前後のつながりを保って扱う必要があります。

WaveNetの公式研究紹介では、読み上げや音楽の音声例が示されています。声の自然さを扱う研究と、長い曲を構成する制作ツールは同じ到達点ではありません。音声例は、その研究が実際に試した課題の範囲で聴きます。

論文は、これまでの波形を条件に次の値の分布を予測し、順に生成する仕組みを説明しています。文章を条件にする読み上げも、波形をモデル化する方法の応用として読み取れます。

WaveNetは、すでにある音の値を条件に、次の値の分布を予測して波形を作りました。時間的に離れた情報も扱いやすい畳み込みの工夫を使い、論文では読み上げ音声の自然さや、音楽の断片生成を検証しました。

拡張畳み込みは、少ない層でも広い範囲の過去を参照するための工夫です。過去だけを見る因果的な構造と組み合わせます。音を圧縮した記号列として扱う後のMusicGenと比べると、生成対象の表し方の違いが分かります。

原型のWaveNetは音の値を順に作るため、生成の計算量が課題でした。また、論文が示した音楽の断片は、歌詞・曲構成・各楽器を自由に編集できる完成した作曲サービスを意味しません。

編集の視点：声の自然さ、指示した内容、曲全体の構成は別々に聴きます。短い音が自然に聞こえても、3分間の曲の展開が良いとは限りません。「何を単位に生成し、どれだけ長いまとまりを保てるか」が音の道具を見る軸になります。

本文は資料をもとにした日本語の解説です。引用画像は個別に出典を表示しています。研究の結果と現在の製品の提供条件は区別して読んでください。

公式発表・研究資料WaveNet: A generative model for raw audio Google DeepMind · 2016-09-08 · DeepMindの研究紹介
読む場所：WaveNet; text-to-speech; music generation
生の波形の自己回帰生成、自然な読み上げ、音楽断片、当初の計算量。
資料確認 2026-10-22
研究論文WaveNet: A Generative Model for Raw Audio van den Oord et al. / arXiv · 2016-09-12 · arXiv初公開
読む場所：Abstract; WaveNet; Conditional WaveNets; Music generation
因果・拡張畳み込み、次の波形値の分布、逐次サンプル生成。
資料確認 2026-10-22