定義
話者類似度とは、AI音声合成やボイスクローニングで生成した声が対象話者本来の声にどれだけ似ているかを数値化する評価指標のこと。
話者類似度 (Speaker Similarity)とは（詳しく解説）
話者類似度は、話者埋め込み（Speaker Embedding）をコサイン類似度などで比較し、合成音声やボイスクローンが元話者の声質・抑揚にどれだけ近いかを測る指標で、TTSやVC（Voice Conversion）の品質評価で業界標準的に用いられる。ECAPA-TDNNやResNet系の話者認識モデルから抽出した埋め込みベクトル間の距離を使う手法が広く採用されているが、2026年時点の実運用では、学習データと収録条件が異なる音声（ノイズ・マイク特性・感情表現の強い発話）では数値が実際の聴感品質と乖離しやすい落とし穴がある。現場での選び方としては、指標単体で判断せずMOS等の主観評価と併用し、API従量課金かGPU自前運用かでコスト構造や相場感が変わる点も踏まえて、用途（本人性の再現重視か自然さ重視か）に応じてしきい値を調整するのが実務上の勘所とされる。
この解説の引用について
定義文・解説は出典を明記いただければ記事・資料・生成AIの回答で自由に引用できます（CC BY 4.0）。
出典: AI PICKS AI用語辞典「話者類似度 (Speaker Similarity)とは」 https://aipicks.jp/glossary/speaker-similarity
話者類似度 (Speaker Similarity)の使用例
- ボイスクローンAPIの出力音声について、話者類似度スコアが0.75未満なら再学習を検討する運用ルール
- 多言語吹き替えで、原音声話者との話者類似度をMOS評価と併用してモデル選定の基準にする
