DAISYプロジェクト（デイジィプロジェクト）とは、2000年3月ヤマハが開始したVOCALOID開発プロジェクト[1]のコードネームである[2]。この名称は、1961年、ベル研究所の公開実験でコンピュータが世界で初めて歌った歌"Daisy Bell[3]をリスペクトして命名された。なお正式名称は「VOCALOID」に決まり、2003年2月に正式発表された[4]。 2000年4月[5]バルセロナのポンペウ・ファブラ大学 Music Technology Group（MTG）との共同研究が開始され、VOCALOIDの信号処理部分が開発された[6][2]。2002年5月札幌のクリプトン・フューチャー・メディア、同年秋イングランドのZero-G Limited
経緯
ヤマハが共同研究を行ったポンペウ・ファブラ大学 Music Technology Group（MTG）は、1994年に設立された音と音楽のコンピューティングに関する研究グループで、現在[いつ?]約40名の研究者が所属し、信号処理・音響・音楽・演奏モデル・音楽コミュニケーション等の研究を行っている。2005年発表の実世界インタフェースを使った仮想モジュラーシンセサイザー Reactable（英語版）も、このMTGの研究開発成果の一つである。その他 Freesoundプロジェクト（英語版）（Freesound.org）、音楽関連IT企業 BMATなどの活動が知られている。
Xavier SerraXavier Serra「:en:Xavier Serra」も参照
MTG創立者でディレクターのXavier Serraは、1980年代にはスタンフォード大学CCRMAに所属し、物理モデリング・シンセシスで著名なJulius O. Smithと共に、MQ手法と同様なフェーズボコーダのピッチトラッキング拡張による分析/合成手法PARSHLを1987年開発した。また1989年には、McAuleyとQuatieriがMQ手法で提案した正弦波ベースの音声分析/合成手法 Sinusoidal modeling（）[7]の拡張として、音響モデルに音声合成で実績のあるノイズ成分を加えたインハーモニックな楽音分析/合成手法 Spectral modeling synthesis（SMS）を提案した。このSMS手法は、2000年4月開始のVOCALOIDの共同研究でも基盤技術の一つとして活用されている。 Loscos (2007)によれば、MTGとヤマハの共同研究で開発された信号処理手法は、2001?2003年の三つの論文 Bonada & Loscos (2003)、Bonada et al. (2003)、Bonada et al. (2001)で発表された。この研究ではフレームベースの周波数領域テクニック（diphone等のフレーム単位に区切られた音声素片を周波数領域で処理する手法）を使って、与えられた楽譜と歌詞に従って歌声データベース上の音声素片を移調/時間伸縮/連結
共同研究の成果
この研究の音声モデルは、スペクトル・モデルの1つ SMS手法による「調波+残余」表現をベースに、準物理モデルの1つソース・フィルタモデルの拡張として新規開発された Excitation plus Resonances（EpR）音声モデルによる「励起+共鳴」表現を組合せて表現される。なおモデルと元波形の相違は、分析時に差分スペクトル形状として保存し、再合成時に加算して音質変化を抑制する[9][10]。
歌声合成の基盤として、phase-locked vocoder[11][12]に基づく[13][脚注 1]フレームベースのスペクトル分析/合成手法Spectral peak processing（SPP）を使ったサンプル変形手法 —— 時間スケーリング、スペクトルの非線形スケーリングによるピッチ変換、位相補正、スペクトル包絡のピーク強度調整[6]（equalization）による音色調整 —— が開発された[8][14]。また素片接続に関しては、素片フレーム間に遷移フレームを挿入し、上記サンプル変形手法を使って位相接続やスペクトル形状接続（いわゆるスペクトル包絡補間[6]）を行う手法が開発された[15]。
なお製品版VOCALOIDで実際に採用された技術については、たとえば剣持 & 大下 (2008)に概略説明がある。
参考文献
Bonada, J.; Celma, O.; Loscos, A.; Ortola, J.; X. Serra, Y. Yoshioka, H. Kayama, Y. Hisaminato, H. Kenmochi (2001), “Singing voice synthesis combining Excitation plus Resonance and Sinusoidal plus Residual Models”, Proc. of ICMC, .mw-parser-output cite.citation{font-style:inherit;word-wrap:break-word}.mw-parser-output .citation q{quotes:"\"""\"""'""'"}.mw-parser-output .citation.cs-ja1 q,.mw-parser-output .citation.cs-ja2 q{quotes:"「""」""『""』"}.mw-parser-output .citation:target{background-color:rgba(0,127,255,0.133)}.mw-parser-output .id-lock-free a,.mw-parser-output .citation .cs1-lock-free a{background:url("//upload.wikimedia.org/wikipedia/commons/6/65/Lock-green.svg")right 0.1em center/9px no-repeat}.mw-parser-output .id-lock-limited a,.mw-parser-output .id-lock-registration a,.mw-parser-output .citation .cs1-lock-limited a,.mw-parser-output .citation .cs1-lock-registration a{background:url("//upload.wikimedia.org/wikipedia/commons/d/d6/Lock-gray-alt-2.svg")right 0.1em center/9px no-repeat}.mw-parser-output .id-lock-subscription a,.mw-parser-output .citation .cs1-lock-subscription a{background:url("//upload.wikimedia.org/wikipedia/commons/a/aa/Lock-red-alt-2.svg")right 0.1em center/9px no-repeat}.mw-parser-output .cs1-ws-icon a{background:url("//upload.wikimedia.org/wikipedia/commons/4/4c/Wikisource-logo.svg")right 0.1em center/12px no-repeat}.mw-parser-output .cs1-code{color:inherit;background:inherit;border:none;padding:inherit}.mw-parser-output .cs1-hidden-error{display:none;color:#d33}.mw-parser-output .cs1-visible-error{color:#d33}.mw-parser-output .cs1-maint{display:none;color:#3a3;margin-left:0.3em}.mw-parser-output .cs1-format{font-size:95%}.mw-parser-output .cs1-kern-left{padding-left:0.2em}.mw-parser-output .cs1-kern-right{padding-right:0.2em}.mw-parser-output .citation .mw-selflink{font-weight:inherit}CiteSeerx: ⇒10.1.1.18.6258 （ ⇒PDF）
Bonada, Jordi; Loscos, Alex (2003), ⇒“Sample-based singing voice synthesizer by spectral concatenation”, Proc. of SMAC 03: 439–442, ⇒http://mtg.upf.edu/node/322
Bonada, J.; Loscos, A.; Mayor, O.; Kenmochi, H. (2003), ⇒“Sample-based singing voice synthesizer using spectral models and source-filter decomposition”, Third International Workshop on Models and Analysis of Vocal Emissions for Biomedical Applications., ⇒http://mtg.upf.edu/node/338
Loscos, A. (2007), Spectral processing of the singing voice, Ph.D. Thesis, Pompeu Fabra University, https://hdl.handle.net/10803/7542 （ ⇒PDF）
剣持, 秀紀 (2008), ⇒“歌唱合成システム VOCALOID と初音ミク”, デジタルコンテンツの知的財産権に関する調査研究報告書：進化するコンテンツビジネスモデルとその収益性・合法性 — VOCALOID2、初音ミク、ユーザ、UGMサイト、権利者 —, デジタルコンテンツ協会 (2008年3月発行), pp. 33–42, ⇒http://www.dcaj.org/report/2007/data/dc08_03.pdf
^ 剣持 2008
^ a b Loscos 2007, p. 3, "Daisy"
^ ⇒14. "Daisy Bell（Bicycle Built for Two）," Max Mathews（1961）, “National Recording Registry Adds 25”, The Library Today (Library of Congress), (June 23, 2010), ⇒http://www.loc.gov/today/pr/2010/10-116.html
^ a b パソコン上でリアルな歌声を合成 歌声合成ソフトウェア『ヴォーカロイドVOCALOID』を開発, ヤマハ株式会社, (2003年2月26日), ⇒オリジナルの2007-01-01時点におけるアーカイブ。, https://web.archive.org/web/20070101134112/http://www.yamaha.co.jp/news/2003/03022602.html
^ 小松陽一「事業創造と意味ネットワークの構造変化：「初音ミク」と米黒酢の事例をめぐる一考察」『日本情報経営学会誌』第30巻第1号、日本情報経営学会、2009年8月、88-98頁、ISSN 1882-2614。
