# 珍しく予告回 — 毎週土曜のAIポッドキャスト、お盆休みにフローを作り替えた どうも、支部長です。 モノづくりの視点は産業機械の現役エンジニアである私、支部長がモノづくりに関するトピックを独自の視点で解説する番組です。 今日は予告会でございます。何の予告かというとですね、毎週土曜日に更新しているAI Podcastのフローを変えようかなと思って設計を変えました。 お盆休み、時間はなかったんですけど、だいぶいろいろなアイテムがあって、AIエージェントを常に回すということができたので、いろいろな仕組みを作り変えました。 その中の一つに、毎週土曜日に更新しているAI Podcastのフローも変えたので、 今日はね、皆さんこれ聞いているのは金曜日だと思うんですけど、明日投稿されるんですけど、どういうふうに変わっているかというのを最初に頭に入れておきながら、 この私のAI Podcastを聞いていただけると、より2倍、3倍楽しめるんじゃないかなと思いますので、 今までこういうふうに変えましたっていう自己報告だったんですけど、今回は予告ということで技術のお話をしていきたいと思います。 それでは早速いきましょう。 # 現行フローの総ざらい — ニュース収集もランキングも原稿もAI、最後の課題は「自分の声」(ElevenLabsボイスチェンジ運用の限界) そもそも何を更新しているかという話なんですけど、毎週土曜日はAIポッドキャストというものをやっております。 私は一切喋っていないんですけど、私の声で1週間のものづくりのニュースを届けるという回ですね。 基本的にはVoicyに合わせて、冒頭のチャプター1、2、3、そしてクロージングの5チャプター構成になっていて、 その3つですね。1週間の中で起こった3つのものづくり系のトピックを5分ぐらいで紹介するって。 だいたい15分か20分ぐらいだよね。だから番組の長さとしては。 3トピック5分ごとのものづくりニュースを紹介するという、そういう回を自動で更新しておりますと。 さっきも言ったように、私の声で喋っていて、情報の収集も実はAIにやらせてますと。 世界の、しかも日本に限らずグローバルに情報収集していて、世界的に有名なものづくり系のブログとか情報サイトからですね。 毎日毎日情報を取ってきて、1週間分溜まるので、その中から独自の審査手法でランキングをつけてですね。 1,2,3位を毎回紹介すると。1,2,3位のニュースを選んだらですね、それに関する付随する情報を取ってくるようなフローが流れて、 付随して集まった情報を元に、私部長ポッドキャストスキルって言うですね。 私のポッドキャストの原稿を作るスキルみたいなやつを作ってあるんで、それでまた自動で原稿を書くんです、喋りのね。 その喋りの原稿ができたら、それを読み上げる。他のAIの仕組みを使って読み上げさせて、私の声で。 で、ポッドキャストが完成みたいな。そういうフローですね。ポッドキャスト1週分作ってって言うのは、これもまた投稿まで自動でやってくれるみたいな仕組みで運用しているわけなんですけど。 この中でですね、記事の情報の収集とか原稿の作成みたいなやつは結構、固定でもだいぶいい感じでできてるんですけど。 1個、なかなか難しいなって思ったところがあって、それが自分の声なんですよ。 いかに自分の声を自分の声っぽく表現するかっていうのが、AIにやらせるかっていうのが結構難しくてですね。 ずっと11ラムズっていうサービスを使っておりました。ここが結構、自分の3時間とか4時間ぐらいの喋った音源を与えてあげればですね。 1晩ぐらいかけて学習して、自分のボイスクローンを作ってくれるんですよね。それがだいぶ自分の喋り声に似てるんですよ。 しかもフィラーとかも入って、めっちゃ似てるんだけど。日本語が弱くて、日本語の発音みたいなところがだいぶ安定しなかったりとか、漢字の読み上げが文字間違っちゃったりして。 前はそこをなんとかひらがなを開く、漢字を開いてひらがなにする原稿にして読ませるってことをやってたんだけど、やっぱり発音が微妙で聞き取りづらかったんですよね。 なので最近は1回、11ラムズのデフォルトの結構質がいいやつなんですよ。 11ラムズのV3とかあったかな。ちょっとレベルの高いモデル。だけどそれボイスクローン使えなくて、デフォルトで11ラムズっていうサイトが用意してくれてる外国人のイケメンのボイスみたいなやつがあってね。 それで日本語に読み上げさせますよと。日本語に読み上げさせたその音声をボイスチェンジで私の声にするっていう風なフローを最近組んでいたんですよ。 それが結構ギリギリ私の声に聞こえるか聞こえないかぐらいのレベルで、まあまあ急大展で、しかつリスナーさんの認知負荷をあまり高めないというか、認知負荷が高くなっちゃうよね。 何言ってるか聞き取れないと。そういう無駄に認知負荷を高めないギリギリのLINEの私っぽい声が出せるなっていうことで、今まではそうやって11ラムズのデフォルト音声でも読み上げさせた音声を渋調ボイスにボイスレコード、ボイスチェンジャーするっていうフローをやってましたと。 ここ1ヶ月、2ヶ月ぐらいそういう形やってたんですけど、明日からちょっとフローを変えてみようかなと思っているんですね。今日はそのフローどういうふうに変えたかという技術的な、そんな難しい話はしないけどね、そんな紹介でございます。 # Qwen3-TTSを導入 — 数秒の参照音声だけのゼロショットで自分の声に、Colab CLI+Claude CodeでGPU実行 やっぱり技術の進化は素晴らしい というか AI時代って情報収集戦 だなっていうふうに思う節は割と あってですね 全然これでいいじゃん みたいなモデルが割ともうありました と まず一つはクエン3のTTSという モデルですね クエンっていうのは アリババが作っている 中国の アリババっていう会社が作っている AIモデルですけど そのクエンが 作ったボイスモデルがあるんですよ ね これ結構前に それでも前ですね 3 4ヶ月ぐらい前なのかな クエン 3のTTSが出たのは これをちょっと 明日からちょっと導入します クエン 3のTTSってすごい面白くて これ ボイスクローンを作ってくれるん だけど 学習じゃないですよ 自分の 声を学習するんじゃなくて 3秒ぐらい の自分の声を与えれば 既にある このモデルのデータの中から それっぽい声を探して生成してくれる みたいな すごいざっくりとそういう 仕組みなんですよね だから 参考 として自分の声を3秒ぐらい渡せ ば 自分っぽくしゃべってくれる みたいな そんなモデルなんですよ しかも それなりに日本語の読み上げ 得意なんですよね クエンは 漢字 とかも結構スラスラ読んでくれる し そんなに読み間違えないし 発音 が何かおかしいなみたいなこと もなくて 1個 渋調っていう発音は 渋調ですって 私 渋調だからさ 発音的に 渋調ですってなっちゃう から そこはちょっと気になる部分 であるんですけど たった3秒の 私のしゃべり声で ここまで私の 声を再現できるのかっていうのは やっぱすごいなと思いますね クエン のクエン3のTTSって テキストツー スピーチの訳でTTSですけど クエン 3は3ヶ月か4ヶ月前ぐらいにすごく 話題になってて 今さらですかっていう 感じする人もいるかもしれない AI詳しい人は 今さらですねっていう 感じはすると思うんですけど それでも めっちゃよかったですね 普通に 私がわざわざボイスチェンジャー やって 読み上げさせるよりも よ っぽど自分っぽい声で自然に読んで くれるから 最初からこれでよかった やみたいな感じはありますね ただ これ クエンの3 どこで動かす かっていうところが問題があって イレブンラボスはそういうウェブ サービスだから 別にPCのスペック に関係なく テキストツースピーチ できるんですけど クエンは動かす ところどこですかっていう 環境 構築の場所を選ばなければなら なくて 私もMacBook Airしか 持ってないから じゃなくて Googleコラボラトリーっていう環境 でGPU使えるんで そこでちょっと いろいろ生成させてるっていう のが 今の感じですね Googleコラボラトリー っていうのは Googleが運用という か提供している もともとAIの学習 モデル作るような GPUを提供します よみたいな環境で そこでいろいろ ぐるぐる機械学習とか回しながら データを渡して モデルを学習する みたいなことをずっとやってたんですけど その環境は結構使いやすいし 最近 GoogleコラボラトリーのCLIっていう のが出たので コマンドライン経由 でGoogleコラボラトリー動かせるんですよ なんで それを使うと クロードコード から何にも考えなくても 勝手にGoogleが持ってるGPUのリソース 使って コラボラトリーの環境 で学習してきたものを 文字起こし してきたものをこっち引っ張って くるみたいなことができるから それもテストも兼ねて そういう 環境を作って クエンの3のTTSで 音声の読み上げですね 私ボイス 支部長ボイスでの音声の読み上げ を最近やったっていう感じですね その環境ができたんで 明日から 導入していきますよという感じ いや 手前虫さんは結構いいですよ お金かからずにこれできるんだったら めっちゃいいじゃんと思って 驚きましたね やっぱすごいですね っていうモデルを一個ちょっと 導入していきますというお話でございます # イロドリTTS(Irodori-TTS)も同時導入 — 日本語ネイティブ・絵文字で感情制御、章ごとにQwen3と聴き比べ クエンの3の話は、まあまあちょっと古い話なんですけど、もう一個ね、ちょっと新しめのTTSを入れていきます。 それが、色どりTTSっていうもので、これね、日本が作っている個人プロジェクトで、どっちかっていうと、なんかこう、どっかの企業がというよりは、個人ベースで作っているものなんだけど、 本当今週ですね、SNSでちょっと騒ぎというか、話題になっていたんで、これ良さそうだなと思って。 それこそ、AI系のインフルエンサーとして有名なうすたくさんが、これめっちゃなんか無料で使うんだったらいいよみたいなことを言ってたから、 じゃあ使ってみるかと思ってやってみたんですけど、良かったですね、色どりTTS。 これもクエンと同じような感じで、自分の音声をサンプルとして与えておくとですね、それっぽい声を作ってくれるよみたいな、 そういうテキストスピーチ用のモデルなんですけど、これすごくクオリティ高くて、しかも日本ネイティブなんです。 日本語で学習されているから、日本語の読み上げがすごいスムーズで使いやすいと、クオリティも高いですね、これやっぱね。 なので、明日クエン3とこの色どりTTSを使いながら、ちょっとチャプターごとに分けてやっていこうかなと思いますね。 あとはね、色どりTTSの特徴は、多分、ボイスクローン作るのに、学習っていう、参照させる音声の長さが選べて、 6秒の音声で自分のボイスクローンを作るパターンと、60秒入れて作るパターンみたいな2パターンがあるんですね。 なので、ちょっと今回、チャプターが3つあるんですよね。私のAIポッドキャストって。 なので、1個ずつ変えます。1個はクエン3のTTSでやるし、1個は色どりTTSの6秒学習版みたいなやつ。 もう1個は60秒学習版みたいな。6秒だったかな、ちょっと忘れちゃった。 1分ともう1個3秒とか6秒ぐらいの感じの学習版があって、それでちょっと振り上げてクオリティの比較をしてみようかなっていう感じですね。 日本ネイティブのやつが出てきたんですよ。これが良くて。しかも、ちょっとどこまで上手く使えるかわかんないけど、絵文字使えるんですよ。 意味わかるでしょ。色どりTTSの特徴として、絵文字を使って感情の起伏を表せるっていう機能が付いてて、泣きマークとか怒りマークみたいなあるじゃん。 それを文字の中に入れることによって、読み上げがちょっと怒ってる感じとか笑ってる感じとかっていう、その感情面をコントロールできるんですよね。 っていう仕組みがあってさ。これは自分の原稿の作り方のルールに落とし込まなければならないんだけど、 そういう感情の起伏みたいな読み上げをコントロールできるようになると、だいぶPodcastのAIの読み上げとしてクオリティが上がってくるし、 これ人なのかな、AIなのかなってわからなくなってくるんじゃないかなと思って。だから、それをちょっと試していこうかなと思います。 下は絵文字入った番長じゃないんで、単なる読み上げになると思うんですけど、だんだん感情面の起伏みたいなものも絵文字でコントロールできるようになりそうなんで、 これはちょっと面白いなって思いましたね。しかも、これ色通りTTSで無料で使えますんで。 GitHubのリポジトリは概要欄に多分貼っておくと思うんで、気になる方はそれ、PC、多分そんなゴリゴリティリソースいらないんじゃないかな、ごめんなさいね。 私もGoogleコラボアルトリでしかやってないから、わかんないんだけど、そこそこのGPU積んでいれば、そこそこじゃなくてもGPUがあれば、CPUでも処理できるのかな。 ちょっとごめんなさい。TTSがどこまでかわかんないけど。皆さんもね、クロードコードにちょっとこれ試したいんですけどって言って、 GitHubのリポジトリのURL投げれば、多分こう、頑張りますみたいな感じで、自分のパソコンでやってくれると思うんで、試してみるといいんじゃないかなと思います。 そんな新技術がちょっと出てきたんで、それを導入しながらですね、明日のAIポートゲスト会をいろいろちょっと作り込んでいこうと思ってますんで、 これまでずっとなんとなくね、渋上さんの声っぽいなっていうAI会が続いてたんですけど、明日ちょっとね雰囲気変わりますんで、楽しみにしておいてくださいというお知らせ会でございました。 # 定番の告知 — おちつきAIラジオは本日深掘り回、次回はAIグラスEven G2からClaude Codeを動かした話 というわけで、今回はここまでとさせていただきます。 今日も連休につき、ため撮りをしていますので、 今日は、コメント会社はお休みさせていただきます。 私は、支部長技術研究所という技術部を運営しています。 また、XM、毎日役立つ技術情報の発信を行っておりますので、よろしくお願いいたします。 ポテトキャスト、モデル作りのラジオの方も、毎週土曜日、週一で配信中です。 ポテトキャスト、落ち着きアヤラジオも、毎週火曜日、金曜日、週二で配信中です。 本日、ポテトキャストの落ち着きアヤラジオの深掘り会が更新されていると思いますので、 よろしければ、聞いていただけると嬉しいです。 また、コミュニティルームの方で、面白いクラブとリスナー向けコミュニティも運営しております。 この中にディスコードのコミュニティもありまして、そこの中で皆さん交流しましょうということもやっておりますので、 ぜひ、こちら無料で入ることができますから、入っていただけると嬉しいです。 また、ボイシーの方では、プレミアムメッセージ募集しております。 いつもの配信ではしないような突っ込んだ足を、毎週水曜日、日曜日、週二で配信中です。 月は500円となりますけども、私のことを応援していただけるよという方のせいで、 ぜひとも入っていただけると嬉しいです。 よろしくお願いいたしますという感じで、今日こんなところでございますね。 ちょっと早めですけども、皆さんどうですか。もうすぐお盆休み終わってしまいますね。 そもそもお盆休みじゃねえぞ、バカ野郎っていう人もいるかもしれないんですけども、 長期連休っていうのはですね、家族がいたら連休でもなんでもないという感じではあるんですけども、 皆さんそれぞれですね、いろんな連休ができ、連休というかね、いろいろなことができたんじゃないかなと思いますんで、 また来週、まだ土日がありますけどね、来週から仕事頑張っていきましょう。 ちなみに私はですね、いろいろできました。 AIエージェントのおかげです。ほとんどやってることはですね、 子供のお世話と虫取りと親戚回りみたいなことが割と多かったんですけど、 それでも子供の面倒見ながらAIエージェントを動かして、 AIグラスのEVEN G2をうまく活用しながらですね、 EVEN G2から、これまた違う回で話すけど、 EVEN G2からクローズコードを動かすとかね、そういうこともやっておりました。 もう近未来ですよ、本当にね。もう近未来です。 すごくいいです。またこの話は来週しようと思いますけど、楽しみにしていてください。 というわけで今回はここまで。 以上、しぶちょーでした。ではでは。