うむ

■5秒の電話で声が盗まれる？“オレオレ詐欺”に悪用も　増加“見知らぬ番号からの電話”への対策は【Nスタ解説】
(TBS NEWS DIG - 10月23日 21:06)
https://news.mixi.jp/view_news.pl?media_id=266&from=diary&id=9000471

ウェーブレット変換（WT）

声帯の物理的な特徴や振動パターン（基本周波数や倍音成分など）を解析・抽出できれば
その人の「声の骨格」となる肉声の下地（ベースとなる音色や響き）を人工的に再現することは技術的に可能

声帯の閉鎖・開放時における微細な過渡応答（アタック感や揺らぎ）は短時間フーリエ変換（STFT）では捉えきれないが、ウェーブレット変換は「時間・周波数両面での高い解像度」によって正確にパラメーター化できる

というか、その技術を応用（標本化から音を再現）したものが「ボーカロイド」

以下は、Google AI先生の要約

■従来のボーカロイド（VOCALOID 1〜4）
• 技術のベース：素片連結型歌声合成 ＋ STRAIGHT（フェーズボコーダー派生）
• 人間の声をあらかじめ細かく録音（サンプリング）しておき、それを繋ぎ合わせて歌わせます。
• この時、音高（ピッチ）や音色を変えるために使用された代表的な技術が「STRAIGHT（ストレート）」という音声分析合成システムです。STRAIGHTは、STFT（短時間フーリエ変換）の弱点である「窓幅の影響」を巧みな平滑化処理によって克服し、声帯の振動（光源）と声道フィルター（共振特性）を綺麗に分離する技術です。つまり、従来のボカロは「高度に洗練・改良されたフーリエ変換の応用」が主流でした。

■現代の音声合成技術（CeVIO AI, Synthesizer V, VOCALOID:AIなど）
• 技術のベース：ディープラーニング（深層学習） ＋ ニューラルボコーダー
• 現代のAI歌声合成では、声の「骨格（特徴量）」を抽出するステップや、それを音に再変換する「ボコーダー」のプロセスにニューラルネットワークが使われています。
• ここで、ご指摘のウェーブレット変換の思想がダイレクトに活きています。
• 例えば、最新のAI音声合成の裏側で動いている「DiffWave」や「WaveNet」といったニューラルボコーダーの一部や、音声の構造を学習するモデル（Diff-SVCなど）では、時間と周波数のマルチスケール（多角的な解像度）で音を捉えるアーキテクチャが採用されています。また、ニューラルネットワークの内部でウェーブレット変換（またはそれに類する多重解像度解析）を組み合わせることで、より人間の肉声に近い「アタック感」「息遣い」「揺らぎ」をリアルに再現しています。

■結論
「ウェーブレット変換のような時間・周波数両面で高い解像度を持つアプローチによって、声帯の微細な挙動をパラメーター化し、肉声の下地を人工的に再現する」という発想は、現代の最先端AI音声合成・歌声合成技術がまさに到達し、体現している領域そのものです。



【余談】
四半世紀前（警備会社がホームセキュリティー端末を発表する１年ほど前）に、物が発する音（人が歩くときの靴や地面の状況など）の特徴をウェーブレット解析で標本化した防犯システムを自作したことがある