代替声帯を実装する

障害物をすり抜ける。

きっかけ

以下の記事を読んだ。ボイスクローンについて。

3秒ぐらいのサンプルがあれば、それを学習して自由に喋らせることができるんですって。凄すぎる。どゆこと？？

TTSとは

「Text-to-Speech（テキスト・トゥ・スピーチ）」の略称で、日本語では「音声合成」と呼ばれる。一言で言えば、「文字をデジタルな音声に変換する技術」のこと。へぇー。Qwen3-TTSって何？

実装できた

Geminiに聞きまくってたら、実行できる環境ができた。

試しにやってみる

アナウンスっぽい文を生成して、これを読み上げたものを学習させる。

次に、出力させたい文章を入力する。

以下の音声が出力された。すごい。

AIで生成した文を自分の声で読ませる

4月のイベントの件。

6月のイベントの件。

ちょっと長い文章を読ませる

文字を読むことに苦手意識があるのだが、floater氏の文は不思議と読みたくなる。以下の記事をTTSで読ませてみたい。

出力はこちら。

イントネーションと間が不自然だな。VocalShifterというフリーソフトで、ピッチや間を調整したものがこちら。

なんかロボットっぽい音になっちゃった。

音読が憚られる文

せっかく読ませるなら、面白いんだけど読むのが憚られる文がいいなあ。あ、この文とかいいんじゃないか。

……なんか、自分の声でやるのは嫌だから、この緑のやつに読ませてみようか。

wwwww
後半どうしたww
再生ボタン下の所で0.5倍速にすると、ちょっと本家に近くなるww

スペシャルサンクス

floater氏

「千と千尋の神隠し」を観たくなる記事。

マドガイ氏

いつもチンポチンポ言ってはいますが、このままだと非常に申し訳ないので、彼の素敵な記事を紹介します。

余談

導入までの過程をこちらに示す。

導入まで

生成AIに冒頭の記事を読ませて、やり方を教えてもらおう。

これやってみたい　自分でもできるかな

グラボあるよ！Pythonは全然分かりません。まあいっか。

うんうん。……なんですかこれは？
よくわからないけど、Windows PowerShell にこれを入れればいいのね！

何かDLしてる。

本気モード、突入――

何かが行われている……

なんか出てきた。凄い！

これは173秒で出力完了。

ピッチと間を微調整した。音声ファイルを取り込むときに、音域を指定することろがあったんだけど、それがロボット音になっちゃう現象に関係しそうだな。適当にやっちゃった。万が一、自分が歌ってみた動画を出すことになったら、このソフトで修正しちゃおう。

使用ソフト

読ませたテキスト

4月1日

新東京都産業会館では、4月1日水曜日、午前2時から午前5時まで「目隠しチェーンソー・ジャグリング・デスマッチ」を開催します。
※会場内に安全地帯は一切ございません。フルプレートアーマー着用推奨。

6月6日

​新東京都産業会館では、6月6日土曜日、午前10時から人生終了まで「全財産・全責任・全プライバシー放擲カーニバル」を開催します。
​【入場条件・注意事項】
​入場時に全ての法的権利を放棄する誓約書への署名が必要です。​実印および発行から3ヶ月以内の印鑑登録証明書を必ず持参してください。​実家の正確な住所公開（地図へのピン留め）が必須となります。
​※会場に一歩足を踏み入れた時点で、あなたの戸籍、債務、および記憶の所有権は運営事務局に帰属します。

おちんちんシール

省略

まだ自分がやっていないこと

他言語出力
以下の言語に対応しているらしい。

リアルタイム対話に対応
97msの超低遅延でストリーミング生成ができるらしい。これ、月ノ美兎がやってたな。他ライバーの声を使ってドッキリ。

こういう技術を使った詐欺ってもうあるのかな。

感情・抑揚制御
ボイスドラマとか、朗読を読ませて商品にできそう。もうあるか。怒りとか、えっちな感じとか、弱ってる声とか、色々なシチュエーションがあるなあ。リアルタイム対話と組み合わさったらやばいよね。悪用厳禁。

宣伝

面白いことを喋るチャンネル。