はじめに

Amazon から発売されている Alexa のように、精密な発音をする音声の読み上げの機能について
AWS はどのようにして最適化を行っているのか、について記事があったのでご紹介いたします。

Amazon Polly とは

Amazon Polly は現在、2 つの日本語音声を提供しています。
日本語は書記体系が複雑であるため、TTS システムに多くの課題をもたらします。

日本語の書記体系は、主に 3 つの書記法（漢字、平仮名、片仮名）で構成されています。
多くの場合、書記法は互換できます。

例：『ロウソク』を表す単語は、漢字『蝋燭』、平仮名『ろうそく』、片仮名『ロウソク』
と書くことができる。

英語の場合、単語はスペースで分かれているため、この作業は簡単ですが、日本語の場合は一筋縄にはいきません。

日本語は、間にスペースを入れずに単語をつなぎ合わせるため、単語と単語の境界を予測するモデルが必要になる
英語で、『Applesonatable』などの文字列を個々の単語に分解する場面では、
言語的な知識を用いると、“Apple son at able” ではなく “Apples on a table” であり
これを自動的に行うにはモデルを学習する必要がある

同じ漢字の連なりの単語であっても、発音が異なり、文脈に応じて異なる意味を有することがあります（同形異義語）

「東京都に行った」⇒「東京/都/に/行った」と分割でき、この場合は「とうきょうとにいった」と読みます。
「東/京都/に/行った」⇒「ひがしきょうとにいった」と読みます。

これらの両方の場合に、「行った」は「いった」と読みますが、
「東京都に行った事業の報告をする」という文脈では、2 番目の意味『何かを実行したこと』となり、
「いった」ではなく「おこなった」と読みます。

アクセントの違いによって単語の意味に違いが生じる可能性があります。
例：雨（頭高型アクセント）と飴（平板型アクセント）
平仮名で書くと両方とも「あめ」ですが、アクセントの表記がありません。

人は、書かれた文脈が不十分でも、より広い文化的または状況的知識から文脈情報を推測し、筆記された文を理解できます。
現在の TTS モデルでは、利用可能な情報はあってもモデルがそれを使って正確な予測を行うことができないこともあります。

母国語話者でさえ、背景知識がないために正しい発音を予測するのに苦労する場合があります。
人名や地名で特によくあることで、
例：「愛」という名前は、「あい」、「めぐみ」、「まなみ」、「まな」
このように少なくとも 28 通りの読み方があります。

この問題を回避するために、日本語テキストの発音をコントロールする方法がいくつかありますので、後編でご紹介していきます。