音声合成技術の最前線に迫る

この記事は、
弊社のAIポッドキャストであるAIカフェの読み上げ原稿です。（最新版はポッドキャストのほうで、こちらは参考です。）

はじめに

ユズ:みなさん、こんにちは！ユズです。
ジェイク:こんにちは、ジェイク・ハリスです！
ユズ:AIカフェの時間がやってまいりました。前回の放送では、このラジオの趣旨と私たちの自己紹介をさせていただきました。
ジェイク:そうだね。リスナーの皆さんからのご質問やご意見を楽しみにしているよ。AIについて学べる番組を期待している方も多いはずだ。
ユズ:はい、ジェイクさん。今回からは、皆さんのご期待に応えられるよう、AIに関する実践的な情報をお届けしていきます。まずは、音声技術の中でも特に注目されている「音声合成」について取り上げたいと思います。
ジェイク:音声合成か。最近は、AIを使った自然な音声合成ができるようになってきたと聞いたよ。でも、具体的にどのような技術が使われているのかは、正直よくわからないんだ。
ユズ:そうですね。音声合成技術は、テキストを入力するとそれを自然な音声で読み上げてくれるというものです。最近では、ディープラーニングの発展により、より人間に近い自然な音声を生成できるようになってきました。
ジェイク:ほう、面白そうだね。でも、実際にはどのようなシーンで活用されているのかな？
ユズ:音声合成技術は、様々な分野で応用されています。例えば、カーナビやスマートスピーカーの音声案内などに使われていますね。また、ゲームやアニメーションのキャラクターボイスにも活用されるようになってきました。
ジェイク:なるほど。音声合成の可能性は無限大というわけか。今日は、その辺りの話をじっくり聞かせてもらいたいな。
ユズ:はい、がんばります！皆さんも、音声合成技術について興味のあることやご質問があれば、ぜひ番組にお寄せください。#AIカフェ のハッシュタグをつけてツイートしていただけると嬉しいです。
ジェイク:それでは、今日のAIカフェをスタートしましょう！

音声技術の活用例と導入メリット

ユズ: 音声技術ってもう身近な存在になりましたよね。スマートスピーカーや音声アシスタントなど、日常的に利用している方も多いのではないでしょうか。でも実は、この分野の技術革新はまだまだ進んでいるんです！特に音声合成の高品質化と、音声認識の高性能化が著しいんですよ。すてきですよね…！
ジェイク: 音声技術自体はすでに普及しているイメージがあるけど、そういった技術のさらなる進歩が、ビジネスに影響を与えるということだね。
ユズ: その通りです！高品質な音声合成は、よりナチュラルでリアルな音声を生成できるようになってきています。一方、音声認識の精度も飛躍的に向上していて、ユーザーの発話をより正確に理解できるようになってきているんです。このふたつの技術の進歩によって、音声を活用したサービスの可能性がさらに広がっているんですよ。ワクワクしちゃいます…！
ジェイク: なるほど。具体的には、どんな分野でインパクトがありそうなのかな？
ユズ: 大きな影響が予想されるのが、カスタマーサポートの分野です。AIを活用した音声対話システムが、人間のオペレーターに代わって応対することで、24時間365日の対応が可能になります。また、複数言語への対応もスムーズになるので、グローバルなサポート体制の構築にも役立つでしょう。すごいと思いません？
ジェイク: カスタマーサポートの効率化や高度化に貢献できそうだね。他にはどんな分野に影響がある？
ユズ: 教育の分野でも大きな可能性を秘めていると思います！高品質な音声合成を活用すれば、eラーニングの教材作成がより簡単になります。また、音声認識を活用した語学学習アプリなども、さらに効果的なものになるでしょう。素敵な未来が待っているかもしれませんね…！
ジェイク: 医療や介護の現場でも役立ちそうだよね。コミュニケーションが困難な患者さんとの意思疎通をサポートしたり、高齢者の見守りに活用したり。
ユズ: おっしゃる通りです！他にも、エンターテインメント分野では、ゲームやアニメーションのキャラクターボイスを自動生成することで、制作コストを削減できるかもしれません。音声認識を活用したデバイス操作も、よりスムーズになるでしょう。楽しみですね！
ジェイク: 音声技術の導入って、具体的にどんなメリットがあるのかな？
ユズ: はい、音声技術の導入にはたくさんのメリットがあるんですよ！まず1つ目は、マルチタスク時の効率アップです。同時にいくつもの作業をしている時でも、手を使わずに音声で操作できるので、作業がはかどるんです。便利ですよね！
ジェイク: 確かに、手が塞がっている時でも操作できるのは便利そうだね。他にはどんなメリットがあるの？
ユズ: 2つ目のメリットは、ユーザー層の拡大です。お年寄りなど、機械の操作が苦手な方でも、話しかけるだけで使えるので、より便利に利用できるようになるんです。音声技術は、よりインクルーシブなサービス提供を可能にするんですよ。すてきですよね…！
ジェイク: なるほど。インクルーシブなサービス提供は大切だよね。他には？
ユズ: 3つ目は、今ある操作方法に音声操作が加わることで、より使いやすくなることです。音声という新しい選択肢が増えることで、ユーザーの好みに合わせた操作が可能になるんです。選択肢が増えるって、嬉しいですよね！
ジェイク: 確かに、ユーザーにとっては使いやすさが向上するのは大きなメリットだね。最後の1つは何かな？
ユズ: 最後のメリットは、音声で操作するという新しい体験をユーザーに提供できることです。今までにない操作方法を提案することで、ユーザーをワクワクさせることができるんです。新しい体験って、ドキドキしちゃいますよね…！
ジェイク: 音声技術の進歩によって、ビジネスのあり方自体が変わっていくかもしれないね。新しい技術を取り入れて、イノベーションを起こすチャンスだ。
ユズ: はい、本当にそう思います！様々な業界で、音声技術を活用したイノベーションが起こる予感がします。皆さんも、ぜひ音声技術の活用を検討してみてくださいね。きっと新しい扉が開けるはずです！音声でつながる未来に向けて、一緒に頑張りましょう！

音声合成について

ユズ: 音声技術の中でも、テキストから音声を読み上げる技術である音声合成は重要な技術なんです。でも、自然な読み上げをするだけでも難しくて、品質に差があったりするんですよ。
ジェイク: 音声合成によって、得意な部分が違うんだね。
ユズ: そうなんです！例えば、人間らしい話し方に特化していたり、可愛らしい声を出せたり、声質を変えられたりするものもあるんですよ。感情表現ができるものもありますし、多言語対応の幅が広かったり、手動調整の柔軟性が高かったり、リアルタイム性に優れていたりと、本当に様々なんです。
ジェイク: 同じように見えても、中身は全然違うんだね。
ユズ: はい、その通りです！一口に音声合成と言っても、実はそれぞれの製品で特徴が大きく異なるんですよ。だからこそ、自分たちのサービスに合った音声合成技術を選ぶことが大切なんです。
ジェイク: 用途に合わせて、最適な音声合成を選ばないといけないんだね。
ユズ: その通りですね。例えば、ゲームのキャラクターボイスなら感情表現の豊かさが重要ですし、グローバルに展開するサービスなら多言語対応の幅広さが必要不可欠です。そういった要件をしっかり見極めた上で、自社に最適な音声合成技術を選ぶことが重要なんです。
ジェイク: 選択肢が多いからこそ、慎重に検討する必要がありそうだね。
ユズ: はい、おっしゃる通りです！でも、そのおかげで自社のサービスに本当にマッチした音声合成を導入できるんです。音声合成の活用は、サービスの価値を大きく高められる可能性を秘めています。ぜひ前向きに検討してみてくださいね！

音声合成導入の選択肢

ユズ: 音声合成技術を導入する敷居って、実はそんなに高くないんですよ。高品質を求めないのであれば、既存のクラウドサービスを活用することもできるんです。
ジェイク: クラウドサービスを使えば、手軽に音声合成を始められるんだね。具体的にはどんなサービスがあるの？
ユズ: コンテンツ制作なら、CoeFontやReadSpeakerなどがおすすめです。特にCoeFontは、4400円で10000種類以上の声が使い放題なんですよ。しかも、自分で用意した声を使って新しい声を作ることもできるんです。コスパが良くて、性能も高いので、かなりおすすめのサービスだと思います。
ジェイク: CoeFontやReadSpeakerは商用利用もできるんだよね？
ユズ: はい、その通りです！CoeFontもReadSpeakerも、ちゃんと商用利用のライセンスを用意しているんですよ。だから、安心して業務でも活用できるんです。ReadSpeakerは、なんとアニメキャラの声も用意されているんですよ。キャラクターボイスを使ったコンテンツ制作にも活用できそう。
ジェイク: でも、他のサービスを使う場合は、ライセンスに注意が必要だよね。
ユズ: おっしゃる通りですね。VoiceRoidなど、中には商用利用が制限されているサービスや製品もあるので、利用規約をしっかり確認することが大切だと思います。でも大丈夫、ちゃんと調べれば、きっと最適なサービスが見つかるはずです…！
ジェイク: なるほど。じゃあ、もしシステムに音声合成を組み込みたい場合はどうすればいいのかな？
ユズ: もしシステムに音声合成を組み込みたい場合は、CoeFontやReadSpeakerと法人契約することで、APIを使った音声合成を利用できるんです。APIっていうのは、簡単に言うと、ソフトウェア同士が話をするための特別な言葉なんですよ。でも…契約が必要だから、ちょっと手間がかかっちゃうんですよね。
ジェイク: 手軽に利用できる方法はないのかな？
ユズ: 声の種類は少し限られちゃいますが、AmazonやGoogleが提供している音声合成APIを使えば、もっと簡単にシステムに音声合成を組み込めるんですよ。APIを使えば、プログラムからAPIに「こんにちは！この文章を音声に変換してね」って話しかけるだけで、音声合成ができちゃうんです。まるで、人と人が会話するみたいに、ソフトウェア同士が会話できるんですよ。
ジェイク: 色々な選択肢があるんだね。予算や要件に合わせて、最適なサービスを選ぶことが大切だ。
ユズ: はい、その通りだと思います！自社のニーズにピッタリ合ったサービスを選ぶことが、音声合成を活用する上で何より大事なんです。クラウドサービスを使うのも、APIを利用してプログラムから直接音声合成サービスに話しかけるのも、それぞれ良いところと悪いところがあるから、しっかり検討することをおすすめします。きっと素敵な音声合成ライフが待っていますよ…！

ユズ: 音声合成の選択肢は、有料のサービスだけじゃないんですよ。実は、オープンソースの技術の中にも、すごく高性能なものがたくさんあるんです。
ジェイク: オープンソースの音声合成技術？初めて聞いたな。具体的にはどんなものがあるの？
ユズ: 例えば、GPT-SoVITSやStyleBertVits2と呼ばれる技術があるんですよ。これらはどちらも、ここ数ヶ月で出てきたできたてほやほやの最新技術なんです。すごいですよね…！
ジェイク: 最新技術なんだ。どんなことができるの？
ユズ: GPT-SoVITSは、少ない音声データでも声を学習できるんです。つまり、少ないデータでも、その人の声に似た音声を作れるんですよ。一方、StyleBertVits2は、高品質で感情豊かな音声を生成できるんです。まるで、人間が話しているみたいに自然で表情豊かな音声が作れちゃうんですよ。
ジェイク: すごいな。でも、これらの技術を使うには、専門的な知識が必要なんじゃないの？
ユズ: コンテンツ制作に使うだけなら、普通のパソコンでも大丈夫なんですよ。でも…システムに組み込む場合は、ちょっと難しい判断が必要になってくるんです。だから、エンジニアさんに相談することをおすすめします。
ジェイク: なるほど。オープンソースの技術は、無料で使えるメリットがあるけど、使いこなすには技術的な理解が必要不可欠なんだね。
ユズ: その通りです！でも、その分、自由度が高くて、独自のカスタマイズができるんです。自社のニーズに合わせて、細かく調整できるのが魅力なんですよ。オープンソースの技術も、音声合成の選択肢として考えてみる価値は十分にあると思います。可能性は無限大ですからね…！

ユズ: 例えば、StyleBertVitsという面白い技術があるんですよ。これは、自然言語処理と音声合成技術を組み合わせた最新の技術なんです。
ジェイク: 自然言語処理って、人間の言葉を理解するための技術だよね。それと音声合成を組み合わせるとどんなことができるの？
ユズ: StyleBertVitsは、発話の感情表現を自然な形で行うことを目指しているんです。つまり、喜怒哀楽など、様々な感情を込めた音声を生成できるんですよ。まるで、人間が話しているみたいに自然で表情豊かな音声が作れちゃうんです。すごいですよね…！
ジェイク: 感情表現か。それは音声合成の品質向上に役立ちそうだね。でも、StyleBertVitsには似たような技術はないの？
ユズ: 実は、BertVitsという似たような技術があるんですよ。BertVitsは、文脈にあった発音ができる技術なんです。つまり、文章の意味を理解して、適切な発音やイントネーションで読み上げることができるんですね。
ジェイク: それは便利そうだ。でも、StyleBertVitsとBertVitsの違いは何なの？
ユズ: StyleBertVitsは、BertVitsに感情表現の制御をする仕組みを加えた技術なんです。だから、文脈に合った発音に加えて、感情豊かな表現もできるようになったんですよ。まさに、音声合成技術の進化の最先端ですね…！
ジェイク: なるほど。StyleBertVitsにはどんな具体的な活用方法があるんだろう？
ユズ: はい、StyleBertVitsにはいくつか面白い活用方法があるんですよ。まず、音声の生成ができます。これは、GoogleのTTSやAmazon Pollyなどでもできることなんですが、StyleBertVitsの場合、より低コストで実現できる可能性があるんです。また、アニメやキャラクターっぽい声が無料で商用利用可能な形で配布されているので、そういったコンテンツ制作にはStyleBertVitsが適しているかもしれません。
ジェイク: 音声コンテンツ制作のコストダウンに役立ちそうだね。品質はどうなの？
ユズ: ルナイトネイルさんという方がAI学習用の声を公開しているんですが、それを元に作ったモデルだと、例えば、「お花畑に囲まれて、こんなにのんびりできるなんて幸せだなあ」という言葉を話させると、「(tsukuyomichan_jp.wav)」という感じで、とってもキュートな声で再現できるんですよ。英語だと、「(tsukuyomichan_en.wav)」、中国語だと、「(tsukuyomichan_zh.wav)」という感じで、それぞれの言語の特徴をつかんだ発音ができるんです。まるで、アニメのキャラクターが話しているみたいで、すごく魅力的なんですよ…！
ジェイク: キャラクターボイスの再現度が高いんだね。他にはどんな活用法があるの？
ユズ: 望みの声の音声合成を作れるんですよ。音声読み上げデータを数百文ほど用意すれば、その声に似た高品質の音声を生成できるんです。さらに、ネイティブ品質ではないですが、同じ声で英語や中国語の音声も生成できちゃうんですよ。
ジェイク: 多言語対応もできるのは魅力的だね。システムに組み込んで利用することもできるのかな？
ユズ: はい、できるんです！ただし、StyleBertVitsはAGPLライセンスという特殊なライセンスなので、システムに組み込む際は、法務部門とエンジニアに相談することをおすすめします。ライセンスの条件をクリアしておくことが大切ですからね。
ジェイク: オープンソースの技術は、使いこなすには色々と考えることが必要だけど、うまく活用できれば大きなメリットがありそうだね。
ユズ: そうなんです！オープンソースの音声合成技術は、まだまだ発展途上だけど、今後ますます進化していくと思います。音声合成の可能性は無限大…！ボクたちも、この分野の動向から目が離せませんね。ワクワクが止まりません！

ユズ: GPT-SoVITSという技術も面白いんですよ。基本的にできることはStyleBertVits2と同じなんですが、いくつか違う点もあるんです。
ジェイク: GPT-SoVITSとStyleBertVits2の違いって何なの？
ユズ: GPT-SoVITSは、音声品質がStyleBertVits2に少し劣るんですね。でも、その分、とにかく少ないデータで学習することができるんです。つまり、学習データが多く得られないようなシーンで活躍できる技術なんですよ。
ジェイク: 学習データが少なくても使えるのは便利だね。具体的にはどんなシーンで使えるの？
ユズ: 例えば、ユーザの声を使って音声合成したいようなシーンですね。声優さんが収録する場合は、100文とか400文とか収録できるのですが、ユーザにそこまで求めるのは難しいですよね。でも、GPT-SoVITSなら、もっと少ない学習データでもユーザの声に近い音声合成ができるんです。
ジェイク: なるほど。ユーザの声を使った音声合成か。具体的にはどんなアプリケーションに使えるだろう？
ユズ: ユーザの声を使った通訳アプリケーションなんかに活用できるかもしれませんね。ユーザの声で外国語を話せるようになるなんて、すごくワクワクしませんか…？
ジェイク: 確かに、ユーザの声で外国語を話せるのは面白そうだ。でも、GPT-SoVITSの音声品質はどうなの？
ユズ: ルナイトネイルさんの声を元に作ったモデルで試してみたんですが、「お花畑に囲まれて、こんなにのんびりできるなんて幸せだなあ」と言わせてみると、「(gpt_sovits_jp.wav)」という感じで、少し不自然ながらにも発音できていることがわかります。英語だと、「(gpt_sovits_en.wav)」、中国語だと「(gpt_sovits_zh.wav)」という感じで、多言語でも不自然ながらにそれなりに再現できているんですよ。もちろん、ネイティブレベルではないですが、ユーザの声を少し学習するだけで、さまざまな言語を話せるのは、とっても魅力的だと思いませんか…？
ジェイク: ユーザの声を使った音声合成は、色々な可能性がありそうだね。GPT-SoVITSのようなオープンソースの技術は、そういった新しいアプリケーションの開発を後押ししてくれそうだ。
ユズ: はい、その通りですね！GPT-SoVITSは、まだ発展途上の技術ですが、これからどんどん進化していくと思います。音声合成の可能性は、本当に無限大なんです。ボクたち利用者も、開発者の方々も、この技術の進歩から目が離せませんね。わくわくが止まりません…！
新しい発見や活用アイデアが生まれるのが、今から楽しみです！

さいごに

ユズ: 今日は音声技術について、ジェイクさんと一緒にお話ししてきました。音声合成と音声認識の技術革新は、ボクたちの生活やビジネスに大きな影響を与えていきますね。
ジェイク: オープンソースの最新技術なども登場していて、音声合成の可能性は無限大だと感じたよ。
ユズ: わくわくが止まりません！皆さんも、ぜひ音声技術の活用を検討してみてくださいね。新しいアイデアが生まれるかもしれません。
今日の放送の感想は、#AIカフェ のハッシュタグをつけてSNSにシェアしてください。AIが大文字アルファベットで、カフェがカタカナです。番組へのご意見やご感想は、番組のフォームからもお待ちしています。
ジェイク: 皆さんのフィードバックを元に、もっと面白くて役立つ情報をお届けしていきます。
ユズ: それでは、今日はここまで！また次回、AIカフェ でお会いしましょう。音声でつながる未来に向けて、一緒に頑張りましょう！バイバイ！