音声を提供するか、声を選ぶ
クローンを作る場合、元になるのは使用に同意した話者の録音です。通常のテキスト読み上げでは、声がすでに用意されている場合があります。
音声に関する用語
AI音声は何と呼ばれるのでしょうか?通常は「合成音声」と呼ばれます。人が直接話すのではなく、ソフトウェアによって生成された音声です。「AI生成音声」や「テキスト読み上げ音声」とも呼ばれます。「ボイスクローン」はより限定的な用語で、特定の話者に似せることを目的とした合成音声を指します。
適切な呼び方は、システムが何を生成するか、また誰かの声に似せることを目的としているかによって異なります。「テキスト読み上げ」は書かれた言葉を音声に変換する方法を指し、それ自体が声のコピーを意味するわけではありません。
名称からわかるのはツールの目的であり、あらゆる状況で出力がどれほど適切に機能するかではありません。AIボイスクローンを評価する際には、次の違いが重要です。
どれほど本物らしく聞こえても、それは生成された音声です。似ている相手がその言葉を実際に話したり、承認したりした証拠にはなりません。
対処法話者の許可を得て、音声の出所が重要な場合は生成音声であることを明確に示しましょう。
発音、話すペース、感情表現は、台本や参照音声の品質によって変わる場合があります。
対処法完成した音声を確認し、不自然に聞こえる表現を修正しましょう。
映っている人物がはっきり見えていても、音楽、ほかの話者、背景の雑音によって声が聞き取りにくくなる場合があります。
回避策可能であれば、使用が許可された、声が明瞭で他の音から分離された録音を使用してください。
詳細はシステムによって異なりますが、基本的な流れは3段階です。一般的な合成音声では、あらかじめ用意された声を使用する場合があります。一方、AIボイスクローンは、特定の話者の声を再現することを目指します。
クローンを作る場合、元になるのは使用に同意した話者の録音です。通常のテキスト読み上げでは、声がすでに用意されている場合があります。
システムは発音、声の調子、リズムに関するパターンを学習または適用します。ただし、それによって話者の身元、意図、権限がシステムに与えられるわけではありません。
文章を音声に変換し、聞き手が確認します。名前、珍しい用語、感情表現が難しいセリフには特に注意が必要です。
合成音声はさまざまな制作に役立ちます。適切な用語は用途によって異なります。ナレーションなら選んだ声だけで十分な場合もありますが、既知の話者の声を引き続き使うには、本人の同意を得たクローンが必要です。
ナレーション付きの場面では、登場人物らしい声を保ちながら、温かみや緊張感を表現する必要があります。
表現力と話者への声の類似度を別々に評価します。
感情表現を伴うボイスクローン完成した台本から音声を生成するのではなく、話している最中に声を変換する必要があります。
すべてのクローンがリアルタイムで動くと決めつけず、遅延とライブ音声の要件を調べます。
リアルタイムのボイスクローン使用が許可された話者の既存の映像だけが、参照音声の入手元です。
まず、録音に使用可能な、他の音から分離された音声が含まれているか確認します。
動画からのボイスクローン最初の側は話し方の例、もう一方は新たに生成された音声と考えてください。生成されたセリフは参照音声に似ている場合がありますが、その人が実際にそのセリフを話した録音ではありません。
これらの図は違いを説明するためのものであり、音声サンプルや品質の比較ではありません。
テキスト読み上げとボイスクローンには重なる部分がありますが、説明する内容は異なります。前者はテキストから発話音声を作ること、後者は結果を誰の声に似せることを意図しているかを表します。
テキスト読み上げ
テキストを発話音声に変換する
ボイスクローン
特定の話者に似た音声を生成する
テキスト読み上げ
ユーザーからの提供は必ずしも必要ない
ボイスクローン
通常、参照音声が必要
テキスト読み上げ
この用語自体には含まれない
ボイスクローン
意図する結果の中心となる
テキスト読み上げ
テキストと音声の選択
ボイスクローン
使用許可を得た音声サンプルと発話させる言葉
テキスト読み上げ
生成された音声
ボイスクローン
モデル化された声で生成された音声
テキスト読み上げ
発話は聞き取れますか?
ボイスクローン
聞き取れるか、元の声に適切に似ているか、使用許可を得ているか?
用語の違いが明確になったところで、Aivoicecloneを使った音声作成をご覧ください。プロジェクトで特定できる人物の声を使う場合は、必ず本人の許可を得て、生成した音声を共有する前に確認してください。
合成音声やAI生成音声は、ソフトウェアで作られた音声を指す幅広い呼び方です。テキスト読み上げは、書かれた言葉から音声を生成することを指します。一方、ボイスクローンはより限定的で、特定の話者の声に似せようとするものです。
いいえ。ボイスクローンは合成音声の一種ですが、合成音声が必ずしも特定できる人物の声を模倣するわけではありません。たとえば、汎用的なナレーターの声は、誰かのクローンとして提示されていなくても合成音声であり得ます。
これらの用語は一緒に使われることが多いですが、テキスト読み上げはテキストを音声に変換する処理を指します。AI音声は、その結果として得られる声をより広く指す言葉です。テキスト読み上げには、汎用的な声や、使用許可を得た話者に似せて設計された声が使われることがあります。
どんな場合でも確実に判断できるわけではありません。自然に聞こえる声でも生成されたものかもしれませんし、人間が録音した声でも、編集や音質の悪さによって不自然に聞こえることがあります。声の出所が重要な場合は、聞こえ方だけに頼らず、発信元やAI生成に関する開示情報を確認してください。