AI音声生成、82万パラメータから800万へ。スマホでも動く日が来そう

「パラメータ」って、AI モデルの何を数えてるんだっけ？サイズが小さいと何が変わるの？

パラメータは、AI モデルの「重み」を数えているんですよね。ニューラルネットワークは層状に繋がったノード（ニューロン）でできてて、その一つ一つを繋ぐ矢印には数字が付いてる。その数字が重みで、どのくらい強く信号を通すかを決めてます。パラメータが多いほど、その重みの組み合わせが増える。つまり、より複雑なパターンを学べるし、より細やかに予測できるようになる。 サイズが小さくなると何が変わるかというと、保存に必要な容量と、実行速度です。Kokoro は 82 ミリオンのパラメータだから、ラップトップで訓練するのも大変だし、スマホには到底入らない。Paradee は 10 分の 1 になったから、ファイルサイズは 8.5MB。これならスマホにも常に入っていられる。計算も軽くなるから、バッテリーもそこまで消費しない。 ただ、小さくなると「何を学べるか」の限界も出てくるんですよね。だから今回の研究は、大きなモデルが学んだ知識を一度「指示」に変換して、小さなモデルに教え直すという迂回路を作った。そうすることで、サイズは 10 分の 1 なのに品質は落ちない、という工夫が成立してるようです。

スマホで AI 音声が動くようになると、翻訳アプリとか読み上げアプリって、今より何が便利になるの？

一番大きな変化は「遅延がなくなる」ことだと思います。 いまの翻訳アプリって、音声を生成するときにクラウドサーバーに送って、応答を待つ往復がありますよね。ネット接続がなければ動かない。でもスマホの中で完結すれば、テキストが確定した瞬間に音が出る。会話の中で「あ、これ何て発音するの？」と思ったとき、迷わず即座に聞ける感じになります。 もう一つは「個人化」。いまは基本的に用意されたいくつかの声から選ぶだけですが、スマホ内で軽く動くなら、話者の性別や年代、アクセントまで細かくカスタマイズできるようになるかもしれません。自分好みの声で読み上げてくれる読書体験も実現しやすくなる。 ただ現実的には、品質とサイズのバランスが本当に「生活の中で許容される水準」に達するまでに、もう少し時間がかかるんだと思います。8.5MB は確かに小さいけれど、スマホのストレージや処理能力と釣り合うまでには、まだ調整が必要なのかもしれません。

これまで『音声 AI はサイズが大きくて、スマホには入らない』って言われてたけど、ずっとそうだったの？

音声AIのサイズ問題は、実はここ数年の出来事なんですよね。 昔のテキスト音声変換（TTS）は、むしろシンプルだった。音声データベースから既に録音された音声を組み合わせるとか、数学的な計算式で音を作るとか。パラメータ数は今ほど多くなくて、スマホでも十分動いていました。 転機は、ニューラルネットワーク型TTSが台頭した2010年代半ば。深層学習で「人間らしい喋り方」を学習させることで、品質は劇的に向上した。でも同時に、その学習には膨大なパラメータが必要になった。今回の記事のKokoroは8200万パラメータもあるわけです。 つまり『サイズが大きくて入らない』というのは、品質を求めた代償であって、音声AIそのものの宿命ではないということ。昔は入ったけど品質は低かった。最近は品質は高いけどサイズがネック。今回の圧縮技術は、その綱引きの中で「両立させる道を探ろう」という試みに見えます。

大きなモデルから指示を抽出して小さなモデルに教える、っていうのは、結局『AI が AI を教える』みたいなことなの？

そうも言えるし、そうでもないという微妙なところですね。 たしかに表面的には「AI が AI に教える」に見えます。でも実際に起きているのは、大きなモデルが作った音声データから「どうやってそれを作ったのか」という痕跡を逆算して読み取ってるわけです。大きなモデルは「この指示を出すべき」と意識的に教えてない。音声という成果物しか出していない。それを人間が分析して「この音声の背後にはこういう指示があったはずだ」と抽出して、小さなモデルに学ばせてるんです。 人間の学習に例えるなら、達人の手作業を眺めて「あ、ここでこのくらいの力加減でやってるんだ」と推測して、自分でも練習する感じ。達人が直接教えてくれてるわけじゃなく、成果物から逆算して学んでる。 AI が AI を直接教えるなら、大きなモデルが「こういう場面ではこう考えろ」と説明を与えるはず。ここでは人間が仲介役になって、大きなモデルの「やり方」を翻訳してる段階を踏んでいるのが面白いところなのかもしれません。

スマホで AI 音声が普通に動くようになると、人間の声が必要な仕事って、何か変わってくるの？

スマホで動く AI 音声が普及すると、ナレーションや吹き替え、コールセンターといった「声そのものが商品」の仕事から変わっていくのは確かです。ただそれより先に、声を「使う側」の意識が変わるのかもしれません。 現在、ナレーション動画や自動音声ガイダンスって、どこか機械っぽさが許容されてる領域があります。完全性より「聞き取れればいい」という塩梅で。でも iPhone の中に本当に自然な音声生成が手のひらサイズで存在したら、YouTuber も企業も「わざわざ人間の声を雇う理由」を突きつけられる。 逆説的ですが、AI 音声が完全に自然になるからこそ、人間の声の「欠点」が逆に価値になる側面もありそうです。滑舌の悪さ、息遣い、感情の揺らぎ——そういう「不完全さ」が、個性やプロフェッショナリズムの証になっていくのかもしれません。音声 AI が標準装備された時代に、むしろ「あえて人間が話す」ことが特別な体験になる。ポッドキャストや ASMR、ボイスアクターといった分野が生き残る理由はそこなのかもしれません。