見出し画像

ElevenLabsで自分の声を学習させて音声スピーチを作成する

矢野哲平@耳で学ぶAI

[読了目安: 3分]
こんにちは、ロボシンクの矢野哲平(@robothitnk_jp)です。この記事ではTTS(Text to Speech)について解説します。音声で聞きたい方はこちら👇

👨‍💻対象読者

  • AIを使って自分の声色に似せた音声を作成したい人

  • ElevenLabsを触ってみたい人

🎉記事を読むとできること

  • テキストからスピーチを作成できる(TTS)

  • 自分のAI音声を作成できる

自分のAI音声を作成する場合はクレジットカードと学習用の音声が必要な点にご注意ください。
なお、基本的な利用は無料です。

ElevenLabs

音声系のAIスタートアップです。テキストからスピーチを作成したり、自分の声でAI音声を作成できます。
最近では録音した音声から環境音を除去する技術も発表しました。

(こんなに環境音が除去されるんか..)

ログイン

会員登録は無料で出来ます。Googleと連携も可能。サクッとログインしましょう。

料金

自分の声を使った音声の作成は$5からできます。$5のスタータープランではインスタントボイスという簡易な学習を試せます。

無料で試す

ElevenLabsは無料でも利用できます。無料の場合は用意されている声を利用します。
メニュー > Speechに移動。発話させたいテキストを入力して音声を選択します。

下部にあるGenerate Speechを押すと音声が生成されます。生成したスピーチはダウンロード可能です。
作成した音声👇

Instant Voice

(以降は課金後を想定しています)
メニュー > Voices > Add a new voice > Instant Voice Cloningを選択。

マイクに向かって話すか音声ファイルをアップロードします。環境音を含まないクリアな音声が好ましいとされています。

Record Audioを押すとマイクが起動します。30秒画面に向かって話しかけます。30秒分の台本がない方はこの記事を読み上げに活用してください。
(ポッドキャストでは1分と説明していました。謹んで訂正いたします。)

ちなみにサンプルは25本分アップロードできます。サンプルが多い方が音声の精度も上がります。
出来上がった音声がこちら👇

サンプル1本だと声質はあまり似ていませんね。

上位プランの学習

同じ手順で上位プラン($22)を試してみます。(初月は半額)
メニュー > Voices > Add a new voice > Professional Voice Cloningを選択。

以降の流れはほぼ同じです。異なる点は以下👇

  • アップロードする音声ファイルは3時間分が目安

  • テキスト読み上げによる本人確認がある

音声ファイルをアップロードして学習完了まで4時間くらい時間がかかりました。
そうして出来上がった音声がこちら👇

イントネーションが気になるものの声質はほぼ私です。
TTSは長い文章をスピーチ化すると、イントネーションがおかしくなったり破綻が多くなります。

  • 破綻が多い場合はテキストを分割する

  • 漢字の読み間違いがある場合は平仮名にする

色々と工夫していくとより精度が上がります。ぜひ参考にしてください✌️

XではAIの最新ニュースやプロンプト、活用アイデアを発信しています。フォローよろしくお願いします！(@robothink_jp)

この記事が気に入ったらサポートをしてみませんか？