And Family Voice 研究所
プライバシー・セキュリティ

AI生成音声の見えない印：高音質を保つ電子透かし技術「Smark」

📄 Smark: A Watermark for Text-to-Speech Diffusion Models via Discrete Wavelet Transform

✍️ Zhang, Y., Li, C., Gu, Y.

📅 論文公開: 2025年12月

電子透かし Text-to-Speech 拡散モデル 知的財産保護 AI倫理

3つのポイント

  1. 1

    AIが生成した音声に、人間の耳には聞こえない「電子の透かし（ウォーターマーク）」を入れる新技術「Smark」が提案されました。

  2. 2

    この技術は、音質への影響が少ない音声の安定した部分（低周波領域）に情報を埋め込むことで、品質と追跡可能性を両立させます。

  3. 3

    特定のAIモデルに依存しない汎用設計のため、偽情報対策やコンテンツの著作権保護への幅広い応用が期待されます。

論文プロフィール

  • 著者 / 発表年 / 掲載先: Yichuan Zhang, Chengxin Li, Yujie Gu / 2025 / arXiv
  • 研究対象: テキスト読み上げAI（TTS）の中でも、特に高品質な音声を生成する「拡散モデル」向けの電子透かし（ウォーターマーク）技術。
  • 研究内容: 音質劣化を最小限に抑えつつ、様々な種類のTTS拡散モデルに適用可能な、汎用性と耐タンパー性（改ざんへの強さ）を両立した電子透かし手法「Smark」を提案し、その有効性を実験で示しました。

エディターズ・ノート

AIによる音声合成がますます身近になる一方、その技術がなりすましや偽情報に悪用されるリスクも指摘されています。

今回ご紹介する論文は、生成された音声の出所を明らかにする「トレーサビリティ（追跡可能性）」を確保する技術に関するものです。これは、私たちがプロダクト開発においてプライバシーと安全性をどのように両立させていくかを考える上で、非常に重要な視点を与えてくれます。

実験デザイン

本研究では、音質を損なうことなく、様々なAIモデルで生成された音声に「これはAIが作った音声です」という印を付けられるかを検証しました。

手法：安定した音の領域にそっと情報を載せる

Smarkの核心は、人間の耳に聞こえにくい「低周波」の音に情報を埋め込む点にあります。

  1. 音の分解: まず、「離散ウェーブレット変換（DWT）」という手法で、音声を様々な周波数の波に分解します。
  2. 埋め込み: 次に、比較的変化が少なく安定しており、かつ人間の聴覚に影響を与えにくい低周波の成分を選び出し、そこに電子透かし情報を埋め込みます。
  3. 汎用性の確保: 多くのAI音声生成モデルが共通して利用する「逆拡散」というプロセスで透かしを埋め込むため、特定のモデル構造に依存せず、幅広く適用できるのが特徴です。
従来手法との音質比較（概念図） 0 12 24 36 48 60 音質への影響（概念値） 60 従来手法 20 Smark
従来手法との音質比較（概念図）
項目 音質への影響（概念値）
従来手法 60
Smark 20
従来手法との音質比較（概念図）
🔍 「離散ウェーブレット変換（DWT）」とは？

音のような複雑な信号を分析する際、どのくらいの高さ（周波数）の音が、どのタイミングで鳴っているかを知りたくなります。

DWTは、信号を「時間」と「周波数」の両方の情報を持ったまま、大きさの異なる波（ウェーブレット）に分解する数学的な手法です。

これにより、Smarkは音声全体の中から「情報を埋め込むのに最適で、かつ安定している部分」をピンポイントで見つけ出すことができます。

評価と結果

研究チームは、Smarkを適用した音声の「品質」と「透かしの読み取りやすさ」を評価しました。

  • 音質: Smarkで透かしを入れた音声は、元の音声と聴覚上の差がほとんどない、高い品質を維持していることが確認されました。
  • 透かしの耐性: 生成された音声データが圧縮されたり、ノイズが加えられたりといった「攻撃」を受けた後でも、埋め込まれた透かしを高い精度で抽出できることが示されました。

この結果は、Smarkが実用的なシナリオにおいて、音質と情報の堅牢性の優れたバランスを実現している可能性を示唆しています。

🔍 研究の限界と今後の課題

本研究は非常に有望な結果を示していますが、注意点もあります。

例えば、実験はシミュレートされた環境での攻撃シナリオに基づいています。今後、現実世界で起こりうる、より多様で巧妙な攻撃に対してどこまで耐性があるのか、継続的な検証が求められます。

また、複数の電子透かしが重ねて埋め込まれた場合の挙動など、さらに複雑なケースでの評価も今後の課題と言えるでしょう。

技術的背景

この研究を理解する上で重要な2つのキーワードが「拡散モデル」と「電子透かし」です。

  • 拡散モデル (Diffusion Models) 近年、非常に高品質な画像や音声を生成できることで注目されているAI技術です。ランダムなノイズに少しずつ情報を与え、目的のデータ（例えば、人の声）へと変化させていくプロセスを学習します。この丁寧な生成過程が高い品質の秘訣ですが、同時に生成されたコンテンツの悪用リスクも生み出しました。
  • 電子透かし (Digital Watermarking) 画像、音声、動画などのデジタルコンテンツに、著作権情報や作成者情報といった、目には見えない（耳には聞こえない）情報を埋め込む技術です。コンテンツの不正コピーを防いだり、その出所を証明したりするために利用されます。Smarkは、この技術を最新のAI音声生成モデルに応用したものです。

And Family Voice としての解釈

プロダクトの思想と研究の接続点

And Family Voice は、ご家族の生の声をそのまま記録し、外部に送信しないことを基本設計としています。そのため、現時点でAIが音声を「生成」する機能は限定的です。

しかし、私たちは将来的な可能性として、Gemini AI を活用した機能の発展を常に探求しています。例えば、「蓄積された日記をお子さんの声に似せたAIナレーションで読み上げる」といった機能が生まれるかもしれません。

その時、「この音声はAIによって、あなたの家族のために生成された安全なものです」という証明は、ユーザーの皆様の安心に直結します。

本研究で示された「音質を損なわずに、コンテンツの出自を証明する」というアプローチは、ユーザー体験を何よりも大切にする私たちの思想と深く共鳴します。私たちは、このような「責任あるAI（Responsible AI）」を実現するための技術動向を常に注視し、プライバシーと利便性を両立させる未来のプロダクト設計に活かしていきたいと考えています。

日常生活で意識できるヒント

AIが生成したコンテンツに触れる機会は、今後ますます増えていくでしょう。

その中で大切なのは、「この声や文章は、本当に本人が発したものだろうか？」と一歩立ち止まって考える習慣です。特に、友人や家族を名乗る音声で金銭の要求や個人情報の提供を求められた場合は、すぐに信じるのではなく、別の方法で本人確認を行うように心がけましょう。

読後感

AIが生成した声と、本物の声。その境界がますます曖昧になる未来において、私たちは「本物であることの証明」に、どのような価値を見出すことになるのでしょうか？