# タイトルコール ようこそ、世界が広がるソフトウェア編集生。 このチャンネルでは、キューエンジニアのスミーが、 ソフトウェアテストやソフトウェアの品質保証を中心に、 日々奮闘していることや考えていることをお話しします。 毎日、お昼の12時30分に配信しています。 ゲストの方やリスナーのあなたと、 テストや品質の世界を広げていきます。 # はじめに こんにちは、救援ジニアのサミです。今日も仕事を楽しんでいますか? 今回はですね、急遽ゲストトークというところで、 せんちゃんをお呼びして、ボイスクローについてお話を伺いました。 お話の中で出てきたトピックというのかな、 サイトについては概要欄に載せております。 それでは本編どうぞ。 # ボイスクローン 今回はゲストトークということで、 センちゃんをお呼びしております。よろしくお願いします。 タイトピックはボイスクローンというところで、 私がボイスクローンがすごい気になっているので、 センちゃんに声をかけたんですけど、 その前に自己紹介をさせてください。 はい、自己紹介させてください。 Voicyでエンジニアをしています。 センダーです。 文字のセンにタンボのタでセンダーって言うんですけど、 社内のセンちゃんって呼ばれています。 ボイスクローンで呼ばれた背景としては、 僕が学生時代に工学部情報工学科だったんですけど、 音声をAIの技術を使って合成したり認識したり、 変換したりするっていうのを研究していて、 それでこの辺のボイスクローンって言葉が まだその頃はなかったんですけど、 その背景技術とかに、 あんまり公共の場で詳しいとか言いたくないんですけど、 周りの人よりは知識がちょっとあったので話してみようということで、 今回ここにいます。 はい、ありがとうございます。よろしくお願いします。 ボイスクローンが気になったきっかけって何なんだろうな。 例えばノートブックLMとかでも、 結構簡単に音声を生成してくれるようになったっていうところがあって、 そもそもボイスクローンっていう技術、仕組みっていうのが 一体何者なんだろうっていうのが 純粋に気になったっていうのが 今回取り上げたきっかけなんですけど、 ボイスクローンって何ですか? 基本的には音声合成で使われるものだと思っていて、 要するにテキストを入力すると 人間が話したような音声が出てくるっていう仕組みが 前提となったものだというふうに僕は認識しています。 他にも別の人の声を入れて その人っぽい声に変えるみたいな用途もあるかもしれないんですけど、 一旦テキストから声を出すっていうところだけに絞って 話そうかなと思っています。 分かりました。 クローンっていう言葉のイメージだと 複製みたいなイメージも強いんですけど、 テキストから音声情報に変換するものという感じですね。 そういうふうに考えたほうがシンプルかなと思います。 何て言うんですかね、ビジネス的な皮を剥がすとこれみたいな感じ。 ボイスクローンってキャッチーな言葉を使ってますけど、 要はその人らしい声が出る何かを作るっていう 何か元になるほうのほうが大事で、 その元になる場所に何を入れるかは また中身の技術によって変わってくる。 声を声に変えるのか、テキストを声に変えるのか っていう考え方だと思うんですけど、 ちょっとふわっとしてるんで。 もうちょっと話すと、 音声合成の仕組みを作るときって テキストと声のペアのデータがめちゃくちゃいっぱい必要。 これがいわゆる学習データってやつなんですけど。 一番簡単なやつだと テキストと声のペアをずっと一人の人、 同じ人の声でたくさん用意すると その人みたいな声が出る音声合成システムができるんですよね。 もともと音声合成をやってるときって そういう風にやるのが一般的だったんですけど、 一人の声いっぱい取るのって難しいじゃないですか。 普通に考えて。 例えば、僕学生時代収録をしたことがあって、 何時間も決められた文章を読むんですよ。 いろいろあって、 普通に喋ってると使う音って結構偏るんですね。 母音が多いなとか日本語だと。 わかんないですけど、 THみたいな音出てこないなみたいな。 日本語話したら出てこないなみたいな。 日本語で使わないからそれはいいんですけど、 とにかく偏りがあって、 それがあんま偏らないような特殊な文章の データベースみたいなのがあるんですよ。 それをコーパスって言うんですけど、 それを読み上げて、 空調も聞いてない、ノイズとかも入ったり来ないので、 空調も聞かないような部屋にこもって、 何時間もずっと読み上げ続けるみたいな。 とかをしないと同じ人の声って集められないんですね。 なんですけど、 いろんな人の声を使うと、 いろんな人の平均的な声みたいなのができる。 そうすると学習力がいっぱい用意できるので、 音声合成自体の品質は高くなるんですけど、 それを誰かの声みたいにするってなると、 そこにまた追加の細工が必要で、 一般的なボイスクローン、 あのボイスクローンの話にやっと戻ってくるんですけど、 一般的なボイスクローンは、ちょっとここ予想も入っちゃうんですけど、 この大量の人で学習した高品質な音声合成の仕組みが すでにあるところに、 その人の声を追加して、 その人に寄せるみたいなのを最後にちょっとする。 っていうような感じでやられてるところが多いんじゃないかなと思います。 ありがとうございます。 なんか今お話聞いてて、 カワナビとかきっと、わからない、 カワナビを思い出した。 もしかして、 カワナビは言うことが決まってるから、 自然に収録できちゃうのかもしれないですけど、 かなーってちょっとふと思ったのと、 なんと、追加でというか、 気になったのが、 その人に寄せる、 その人の声、 その個性というか、 その人らしい声って、 声の違いがどう、 どうクローンで寄せられるのかというか、 なんだろうなー、 これって、 どう扱ってる? 扱ってるっていうか、 どう寄せるとかって、 知ってますか? えっと、一個あるのは、 追加で、 機械学習モデル、 どこまで専門用語言ってるかわからないですけど、 モデルは通じますか? はい、大丈夫です。 AIのモデルを、 今までいろんな人の声で学習してきたのと、 同じように、 その人だけの声のデータで、 最後に学習する。 追加で、 その人の声だけを使って学習すると、 そっちに寄ってくるんですよ、最後に。 っていう風にやるとか、 例えば、 声の高さ、 みたいなところとか、 声の質じゃないですけど、 雰囲気みたいなところを、 その学習データを元に、 寄っていくというか、 近いものが使われていく、 近いように変換されるみたいな、 そんなイメージです。 そこを実際にどうやって解析してるかとかは、 もうわかんないんです、人間は。 そのモデルが勝手にやるので、 なるほどです。 ありがとうございます。 で、 Voice Cloneなんか面白そうだなっていうか、 例えば、 自分の配信を、 自分の声のデータはちょっとあると思って、 配信データとか、 それを使って、 じゃあ別の文章を、 文字を喋らせるみたいなのを、 ちょっとやってみたいなと思ったりするんですけど、 なんかお手軽に試せるツールとかってありますか? あんまりその辺詳しくないんですけど、 有名どころで言うと、 Eleven Labs、 日本語でどう読むのかな? Eleven Labsのサービスとかは、 結構有名かなって思いますね。 どんなテキストを入れるのかな? 基本は、 音声合成のサービス。 で、 Voice Cloneの仕組みとか、 今、吹き替えとかもあるのか。 あと日本の会社で有名なところだと、 声フォントさんとか。 おしゃべりひろゆきで有名な。 ショート動画とか見てると、 ひろゆきさんの声で喋ってるのとかあるじゃないですか。 あれ作ってるのこの会社なんですよ。 そこに自分の音声データとテキストとかを入れる? これだとどうなんでしょう? 自分の動画じゃないのか。 これを読んでくださいっていうのが提示されて、 それを読む形になるかと思います。 実際にサミンさんの、 すでに収録したものを使うってなると、 それに対するテキストを 自分で用意しないといけないかなって思いますね。 同じ喋ったのと同じので、 この文章の音声データはこれですよっていうセットで渡すっていう感じ。 ありがとうございます。 ちょっと次のチャプターに行こうと思います。 # 続き ツールをちょっと聞いてみたんで 試してみようかな。もしかしたらそのうち、このチャンネルの放送がボイスクローンになっている回があるかもしれないです。 怖いですね。 ボイスクローンが最近話題になってきたような気もしていて、その時に思ったのがちょっと怖いなって思ったんですよね。 ボイスクローンとは別に、動画のその人の口の動きを変えられるみたいな技術もあるっていうのを中で見たので そうなるとその人、別人のその声を作って喋らせちゃうっていうことができちゃうんじゃないかなって思ったんですけど、そこら辺ってどう思います? いや全然余裕でできるんじゃないかなって思いますね。 なんか今すぐにその人間が全くわからないレベルにできているのかまではまだわかんないんですけど 僕が研究室に入る時のデモ動画みたいなのがあって、これが何年前だったかな?7,8年前くらい? でもそれ作られたのはもうちょっと前だと思うので、10年近く前からリップシンクのデモとかあって 顔の写真みたいなデータと音声だけがあったら、その音声を喋っているように口が動くみたいなのがありますし 動画生成とかも最近本当に自然にできているんで、はい、全然できると思います。 特に著名な人であればあるほどメディアとかの露出だったりとか、データがいっぱいあるので結構できちゃうんだろうなと思いつつ 普通に自分たちはそういうふうにめちゃくちゃ出ているわけではないけれど、結構勉強会とかで一応喋ったりとかもしていて データは一応公開されている情報としてあると思っていて そうするとどう防いだらというか、自分一個人としてはどういう注意をしたらいいんだろうという いや無理なんじゃないかな、何もできないと思いますよ、インターネット上にある限り なんかあるのかな もしかしたら自分の写真とか動画とかをネットに上げているのの一個、リスクとしては認識しておかないといけないのかなというところなんですかね そうですね 今自分のアイコンとかも自分の写真を使っているんですけど、イラストとかに変えた方がいいかなみたいなのを最近考えていたりします わかりますね、それは 自分のアイコンとかどうしようかなと思っていますけど でもちゃんと人間っぽいアイコンだから若干信頼度が上がっているみたいなそういうメリットもあるんで そこは天秤ですよね どっちを取るかというところなんですかね ありがとうございます 今日一番聞きたかったというか 大体お話できて、ボイスクローンなんだっけという話と 手軽に使えるツールってあるのかなというのと 最後ちょっと暗い話になっちゃったんですけど 明るい未来ってあるんですかね どういう風に今後使っていくんだろう フレスト的に ここは僕はぜひ話したいところとかあって 例えば病気とかで、喉の病気とかで声が出なくなってしまった人とかは 事前にこういう風に自分の声をたくさん残しておけば ほぼ元気だった頃と同じ声で 話し方とかはパソコンにタイピングするとか ちょっと変わってしまう部分はあるんですけど 同じ声でしゃべれるとか っていうのはすごい未来がある話かなと思いますね 確かに確かに 僕が主にやっていたのは音声合成という音声の変換なんですけど その分野だと 生体を摘出した方って 食道発生という方法があったりして 食道側から空気を送って話すとか 人工の生体 電気で震えるボールみたいなのを喉に当てて 口の形を変えると声っぽくなるみたいなのとかあるんですけど そういうのってすごい不安定というか不自然な声質になっちゃうので それを元気だった頃 その病気になる前の声に変換する 喋ってる感じから元の声が出てくるみたいな 確かにそれはいいですね そういうのがあるんで ちょっと気が向いた時に自分の声いっぱい残した 色々 歳が変わると声も変わると それはそうですね 私はですね 毎日VC配信してるんですけど どうしても毎日難しい時があって そんな時にテキストをインプットしたら 自分の声で読み上げてくれるというか それで一個放送が出せたら結構いいなみたいな 確かに 電車の中とかで一回収録して 全部電車の雑音とか入っちゃったことがあるんですけど その時はテキストで打っておいて 気軽に自分の声で発信できるといいなみたいな ちょっと思ってたりしました じゃあこんな感じです ありがとうございました 今日はVCの話をせんちゃんにお聞きしました ありがとうございました # 次回予告 今回も最後までお聞きいただきありがとうございました。 今回、今日ゲストトークで来ていただいたせんちゃんなんですけど、 せんちゃんもVoicyのチャンネルを持っています。 パーソナリティとして発信をされています。 学びたくなるITの話です。 このチャプターにリンクを入れておりますので、ぜひ聞いてみてください。 私もフォローして聞いているんですけど、 例えば19話目の資格に意味はあるのか、資格試験ですね。 あと、24話目の開発チームVS運用チームの伝統的な対立構造とか、 分かる?ってうんうんと頷きながら聞いていたりしました。 また、自分とは違う視点で、もちろん当たり前なんですけど、 自分とはまた違う視点で、エンジニアの組織だったりとか、 システムに向き合っているというところの考え方とかを、 情報収集といいますか、意見聞けるのがとてもいいなと思っておりますので、おすすめです。 次回はですね、週末版ということで、 ボルサークの新世界寄りについて感じるところとかをお話ししようかなと思っております。 今回の放送を聞いて、なるほどな、確かにな、学びになったなと思った方は、 ぜひ画面右下のハートマークでいいねをしていただけるととても励みになります。 せんちゃんのチャンネルもフォローしてくださいね。 それではまた明日お会いしましょう。ごきげんよう。