Style-Bert-VITS2とAivisSpeechで、自分の声の音声合成モデル構築

以前、RVC で自分の声の音声モデル構築を試してみましたが、無料の音声合成ソフトウェア「AivisSpeech」で、自作の音声合成モデルを使ってテキストの読み上げなどができるとのことなので、試してみます。

手順は以下の記事の通りですが、学習用の音声素材は RVC用の音声合成モデルを構築したときに録音した音声データを流用し、Style-Bert-VITS2 で音声合成モデルの学習と構築を行い、AivisSpeechモデルに変換しています。

そうして出来上がった 自分自身の声の音声合成モデルを使用して、AivisSpeech でテキストの読み上げをさせてみました。前半が音声合成モデルで、後半は実際の私自身の声です。

音声データを録音したのは2年前で、現在の声と少し違っているかも知れません。また、イントネーションも違いますが、声質はほぼ同じではないかとと思います。時間ができたら 改めて音声データを録音し直したいです。

私は、自分自身の3Dアバターと会話できる、ChatdollKitベースのAIチャットボットアプリ「AIしげちゃん」を作っていますが、音声合成は Google や Azure のクラウドサービス使用しています。

そのため、AivisSpeech の API を利用して、この私自身の声の音声合成モデルでしゃべらせるようにできれば、いよいよ自分自身のバーチャル化「AIしげちゃん」が完成しそうですw