Tesuji動画の説明を読む声、ゲームの台詞、作品の短い案内。AIの音声を使うときは、「文章を音にする」だけでなく、どんな話し方で届けたいかを考える場面があります。
Irodori-TTSはAratako氏が公開する日本語の音声合成モデルと学習・推論コードのプロジェクトです。この記事では、公開されているv4.1-Smallの説明を例に、声づくりの入口を整理します。作者のモデル一覧には他の系列もあるため、これを最新・唯一の選択肢として紹介するものではありません。公開モデル一覧
本記事は公式仕様をもとにした案内です。音質や生成速度を独自に測定したレビューではありません。
三つの入口を分けて考える
公式リポジトリでは、読み上げる文章、参照音声、声の特徴を表す文章などを使った生成を案内しています。絵文字による表現の指定も紹介されています。公式リポジトリ
制作の目的に合わせるなら、次のように分けると考えやすくなります。
| 入口 | 最初に確かめたいこと |
|---|---|
| 文章を読み上げる | 言葉と意味が伝わるか |
| 声の特徴を文章で指定する | 作品の雰囲気に合うか |
| 参照音声を使う | 同じ話者らしさを保てるか |
これは品質の順位ではありません。参照音声を使う場合も、使う権限を確認できる自分の録音などから試すと、制作の条件を整理しやすくなります。
まずは、同じ短い原稿で比べる
最初から長い作品を生成する前に、自分の制作で実際に使う短い文章を一つ決めます。例として、案内の一文、固有名詞を含む台詞、感情を伝える一文を用意すると、違う問題を見つけやすくなります。
以下は比較用の入力例で、生成結果を確認済みという意味ではありません。
- 案内：「こちらから次の展示をご覧いただけます。」
- 読み：「明日の午前十時に、会場でお待ちしています。」
- 表現：「やっと、ここまで来られたね。」
一度に変えるのは、原稿、声の説明、参照音声のうち一つだけ。気に入った・気に入らないという感想に加えて、「読みが違う」「間が長い」「語尾が強い」のように、直したい箇所を残します。
モデル名と設定を一緒に残す
v4.1-Smallのモデルカードでは、v4-Smallからの変更点として発話の長さを予測する部分の改善を説明しています。モデルカード
同じ「Irodori-TTS」であっても、使ったモデルや設定が違えば、比較している条件が変わります。音声ファイルだけでなく、モデル名、原稿、声の説明、設定、直したい箇所を一緒に残す。これなら、次に修正するときも、ほかの人へ制作を引き継ぐときも話が早くなります。
TesujiのAI Soundでは、声のモデルやサービスを紹介しながら、動画・ゲーム・音声作品で使える形へ持っていく手順も追っていきます。まずは一つの原稿で、「読めた」と「伝わった」を聴き分けるところから始めてみてください。
編集・運営：NexA／Tesuji。