2026年5月1日、arXivに「SPARCLE: SPeaker-aware Aligned Representations via Contrastive Language Embeddings」と題する研究論文が投稿されました。著者はPriyam Mazumdar氏を含む5名で、この論文はInterspeech会議で発表される予定です。論文は全5ページ、1図、2表から構成され、コードとデータは後日公開される予定です。
音声合成の分野では、近年、音素表現から直接的な文字モデリングへの移行が進んでいます。音素表現はテキストと音響の間の多対一マッピングを解決しますが、音素から文字への変換（G2P）システムに依存するため、話者固有の音響変動を捉えることができません。これまでの研究では、大規模データでは文字ベースのモデルが音素ベースのシステムを上回ることが示されていますが、低リソース設定では性能が低下します。
本研究で提案されたSPARCLEは、話者認識型の文字表現モデルです。このモデルは、対照学習を用いて文字を対応するWav2Vec2音響表現と整列させ、その際に話者IDを条件として与えます。これにより、文字表現に話者固有の音響特性が組み込まれます。SPARCLEは、下流のテキスト音声合成（TTS）タスクにおいてG2Pシステムの代替として機能します。
実験の結果、SPARCLEは極低リソース設定において、標準的な文字ベースモデルと比較して単語誤り率を半減させることに成功しました。この成果は、低リソース言語向けのTTS応用に新たな可能性を開き、音声合成技術のさらなる普及に貢献することが期待されます。
論文の対象分野は、計算と言語（cs.CL）、人工知能（cs.AI）、音響（cs.SD）、音声処理（eess.AS）です。詳細はarXiv（arXiv:2607.01238）から入手できます。