当社偽音声生成ツールの構成
偽音声検出（FVD）の学習・評価に用いる当社の偽音声生成ツールの構成を、国際的な偽音声検出の評価チャレンジ「ASVspoof 5」の攻撃システム一覧（Table 2）の比較形式に準じて示します。研究用途と商用（有償サービス・製品）用途で、基盤とする音声合成モデルを使い分けています。
| 比較項目 | TTS-NNW 基盤：XTTS v2 |
TTS-VS 基盤：XTTS v2 |
CosyVoice 3版 基盤：Fun-CosyVoice3 |
|---|---|---|---|
| 用途 | 研究・論文 非商用に限定 |
研究・論文 非商用に限定 |
有償の鑑定・解析サービス 商用版の音声合成 商用利用可 |
| 種別Category | ゼロショットTTS （音声クローン） |
ゼロショットTTS （複数音声による話者適応） |
ゼロショットTTS （音声クローン） |
| テキストエンコーダText encoder | Transformer（GPT-2型） 入力：日本語テキストを正規化 → ローマ字化 → BPEトークン |
TTS-NNWと同じ 入力：数字のかな読み変換 → ローマ字化 → BPEトークン |
Transformer言語モデル（約0.5B） 入力：日本語テキストを正規化 → OpenJTalkで発音どおりのカタカナに変換 → テキストトークン |
| 音響デコーダAcoustic decoder | 自己回帰Transformer（GPT-2型）で離散音声トークン（21.5 Hz）を予測 ※音素長は明示的に予測しない |
TTS-NNWと同じ | 自己回帰言語モデルで離散音声トークン（25 Hz）を予測 → flow matching（DiT）でメルスペクトログラムを生成 |
| 話者エンコーダSpeaker encoder | H/ASP（ResNet系、512次元） ＋Perceiver（話し方の条件付け） |
H/ASP（複数音声の平均） ＋Perceiver（代表音声） |
CAM++ ＋参照音声の音響特徴（flow matchingに入力） |
| ボコーダVocoder | HiFi-GAN （潜在表現から直接波形を生成） |
TTS-NNWと同じ | HiFT（NSF＋iSTFT型） 位相をiSTFTで明示的に扱う |
| 基盤モデルReference | XTTS v2 | XTTS v2 | Fun-CosyVoice3 |
| FVD用データの作り方Dataset design | パラレル （同一話者・同一テキスト） |
非パラレル （任意テキスト） |
パラレル （同一話者・同一テキスト） |
TTS-NNW・TTS-VSは、非商用ライセンス（Coqui Public Model License）の音声合成モデルXTTS v2を基盤とするため、研究・論文の用途に限定して使用しています。有償の鑑定・解析サービスと、音声合成ソフトウェアの商用版は、Apache-2.0ライセンスで公開されているFun-CosyVoice3を基盤とするCosyVoice 3版で提供しています。いずれのツールも、対象話者の音声によるモデルの再学習は行いません。
比較形式の出典：X. Wang et al., “ASVspoof 5: Design, Collection and Validation of Resources for Spoofing, Deepfake, and Adversarial Attack Detection Using Crowdsourced Speech,” arXiv:2502.08857, 2025（Table 2）。構成の出典：E. Casanova et al., “XTTS: a Massively Multilingual Zero-Shot Text-to-Speech Model,” Interspeech, 2024；Z. Du et al., “CosyVoice 3: Towards In-the-wild Speech Generation,” arXiv:2505.17589, 2025。