無料のAIボイスの比較と、イラストのLTX-2.3リップシンク（Irodori-TTS/Qwen3-TTS/Gemini 3.1 Flash TTS/LTX-2.3）

無料のボイスの比較

ローカルにインストールするオープンなTTS(Text to Speech)である、Irodori-TTS と Qwen3-TTS を比較してみました。参考までに、Gemini 3.1 Flash TTS の音声も載せます（本来は用途が少し違うものなので比べるのはフェアではないですが）。

今は、ほかにも相当数のTTSがあるようですが、とりあえず目についた２つを試してみています。最低限、日本語OKでボイスクローン可能なモデルで。

Irodori-TTS は、WebUI形式で、日本語特化で、ボイスクローンもボイスデザインも可能、感情表現を入れられるのが Qwen3 との違い。一度に約30秒までの制限あり。
Qwen3-TTSは、例えば ComfyUI から動かせて、多言語対応で、ボイスクローンもボイスデザインも可能、感情は無理ですが、3秒の音声があればボイスクローン可能です。
どちらも商用可能ということです。

ボイスクローンの元データとなる私のしゃべりが拙い上に、しょうもないマイクなのでノイズが乗りまくってるのはあらかじめご了承の上で聴いてください。
すごい高品質なものという意味で、現状のTTSはこれぐらいはしゃべる例として、Gemini 3.1 Flash TTS の音声も載せますが、これはボイスクローンではありません。一応、Gemini TTS も無料枠ありで商用可能ですが、枠の制限がどのぐらいかは不明です。クラウドに渡したデータはAI学習に利用される可能性があります。

感想としては、「（解説系の）しゃべり方はどっちもどっち」「Qwen3 の方がノイズを消してる」「感情タグでアクセントを付けたければ Irodori」という感じです。元々の参照音声がノイズだらけの場合、ノイズが残ってるほうが参照音声に忠実と言える…んでしょうか？

原稿は、三国志のイラストエッセイ用に作っているものですが、中国史の地名／人名は工夫しておかないと、どのTTSもちゃんと読んではくれないですね。そして、３つのTTSは、それぞれ異なる読み違い方をする…。

LTX-2.3のリップシンクをイラストに適用してみる

Suno に課金してたときにアカペラ曲も作ってましたが、そんな中で「おとなのみんなのうた」のジングルを作ろうと思い立って何種類か作りました。
その曲と3Dアニメ調のイラストを LTX-2.3 でリップシンクさせてみたんですが、あまりうまくいかない…。
口が動くキャラと動かないキャラが両方いる感じです。

イラストだとあまりシンクロしないのかと思い、白黒マンガ調のイラストにもリップシンクさせてみたところ、これは結構うまくいった。

ひょっとしたら、多人数が問題だったり、しゃべりじゃなくて歌なのが問題なのかも…と思いつつ。多人数の写真でも実行したところ、やはり、動いたり動かなかったりする現象が起きます。口が複数存在する場合は、どこにシンクロさせるのか迷うんでしょうかね？
一応、プロンプトには、男３人で女２人のコーラスグループで彼らにリップシンクするように書いてはいるんですけども…。

音入りでまとめたものを YouTube に載せておきます。

最後に、オマケ。
あまりにも、Web CMで流れてくるので、どうやって作ればいいかと思いながらチャレンジした動画。まあ、一気に作れず個別に分けて作ると、このぐらいが限度ですかね…。急に襟が深くなったり、急にネットが現れたりしてしまう…。