専用GPUのないPCで、紹介動画に合成音声のナレーションを入れたい人に向けた記事です。声を選んだ順番と、選ぶときに確かめた点が分かります。
自作のWebアプリについて、紹介動画も自分で作りました。下書きにはAIを使い、内容は自分の作業記録と照らして確かめています。
■ どんな動画に声を入れたか
動画は2分42秒(162秒)で、カットごとに字幕が出ます。BGMと効果音は、ブラウザの中で音を合成する仕組み(Web Audio)を使い、コードを書いて自作しました。そこに声を足しました。使ったのは、独立したGPU(画像処理用の部品)のないCore i3のPCです。
声を選ぶ条件は2つ決めました。機械的な声は使わず、自然な日本語で読むものにすること。使う前に、公式のサンプルを自分の耳で聞いて確かめることです。
先に分かっていた問題もありました。字幕を全部そのまま読み上げると、25行のうち11行はカットの時間に収まらないという見積もりが出ていたのです。そこで台本の表に、行ごとの「読める時間」(カットの長さから頭の間0.25秒と終わりの余裕0.5秒を引いた時間)を持たせました。
■ 候補は、エンジンと声の両方で分けた
最初に試したWindows標準のHarukaの声は、聞いて機械的だと判断し、外しました。公開して使ってよいかを定めた公式の文書も見つかりませんでした。
次に、無料で手元のPCで動く日本語の音声合成を調べました。大事だったのは、ライセンスをソフトと声で別々に確かめる必要がある、ということです。音声合成は、文章を声にするソフト(エンジン)と、声の元になる「声のモデル」でできています。エンジンがOSS(だれでも使い、直し、配れるように公開されたソフト)でも、声のモデルの使用条件は別のことがあります。
試聴の候補を選ぶときは、次の3つを見ました。
・声の出典をたどれて、話者の同意が文書で分かるか
・その声のモデルそのものを、公式のページで試聴できるか
・エンジン、声、土台のモデル(声のモデルを作るときに元にした、学習済みのモデル)まで、ライセンスが途切れずに続いているか
3つを同時に満たす候補は見つかりませんでした。そこで、満たす度合いで試聴の順番を付けました。上位の2つはこれです。
・Coqui TTSに入っている日本語のkokoroモデル:ライセンスの面ではいちばん問題が少なかったものの、方式は2021年ごろのものでした。
・Style-Bert-VITS2とJVNVの声のモデル:公式のオンラインデモで、自分の文を打って聞けます。注意点は、土台のモデルの学習データ(約800時間)の出典が公開されていないことでした。
■ 聞き比べて、設定を試した
公式のページで両方を聞くと、Coqui系の音はこもって聞こえ、Style-Bert-VITS2のほうがはっきりしていました。そこで、いったんStyle-Bert-VITS2とJVNVの声に決めました。承知のうえで残した懸念は、土台の学習データの出典が非公開なこと、話者4名の同意の範囲が不明なこと、作った音声にかかる条件が未確認なことです。
次に、声をもっと低くし、抑揚を抑える方向で設定を変えました。変えたのは、声の高さ(pitchScale)を0.97から0.93に、抑揚の強さ(intonationScale)を0.5から0.35にした2つの値だけです。試した行の1つでは、声の平均の高さ(Hz=1秒あたりの振動の数)が205.8Hzから196.7Hzになり、4.4%下がりました。
■ AivisSpeechの「阿井田 茂」のCalmに決めた
Style-Bert-VITS2で試作したあと、声をAivisSpeechのものに変えると決めました。Style-Bert-VITS2の試作は、動画には使っていません。変えた理由は作業記録に残していないため、ここには書きません。
Style-Bert-VITS2で試作した日の前日に、AivisSpeechの規約と声の候補を調べてありました。声のモデルを配っているサイトには、商用で使える条件の声が38件あり、その中から、落ち着いた大人のナレーターに向く声を5件挙げて、「阿井田 茂」を選びました。バリトンの中年男性の声で、話し方(スタイル)にノーマルとCalmなどがあります。
公開されているノーマルのサンプル3本は合いそうでしたが、Calmには公式のサンプルがありませんでした。そこで、手元で同じ1行を両方で作って聞き比べました。平均の高さは、ノーマルが128.3Hz、Calmが122.5Hzです。聞き比べたうえで、Calmで作ると決めました。
■ まとめと、確かめていないこと
・声は、Windows標準、Coqui系、Style-Bert-VITS2、AivisSpeechの順に聞き比べて選びました。最後のCalmは公式のサンプルがなかったため、手元で作って聞き比べました。
・ライセンスは、ソフトと声のモデルで別々に確かめます。試聴の候補を選んだ時点では、3つを同時に満たす候補はなく、満たす度合いで順番を付けました。
・ノーマルの公式サンプルはあってもCalmにはなかったので、手元で同じ1行を両方で作って聞き比べました。
確かめていないこと
・選んだ理由には耳での判断が含まれます。
・結果は、Core i3のPC1台、動画1本での記録です。ほかの環境で同じになるかは確かめていません。
・各ソフトと声の使用条件は、使う時点の規約で自分で確認してください。この記事は規約の解説ではありません。
■ ご案内
同じ考え方で、自作Webアプリの紹介動画を作る出品をしています(ナレーションは、用途を伺ってから付ける有料オプションです)。見積り相談から始まりますので、下のサービスをご覧ください。