ボイスデザイン - 初のオーディオ向け生成AI

先月、発表しました。音声作成向けの生成モデルがまもなく登場するとお伝えしていましたが、ついにリリースされました。この種のモデルとしては初めてのもので、ボイスデザインと呼んでいます。この機能では、性別、年齢、アクセントなどの基本的な特性を選ぶだけで、ゼロから新しい音声を作成できます。同じ基本パラメータを設定しても、生成するたびにモデルがランダム性を加えるため、聞こえる音声はすべて唯一無二です。ボイスデザインは、出版社やクリエイターに最も柔軟なAIストーリーテリングツールを提供するための、幅広い取り組みの一部です。

ボイスデザイン

ボイスデザインを支えるモデルは、主に音声合成とボイスクローンに関する研究成果から生まれました。一方で、音声向けの生成ツールというアイデアには以前から魅力を感じていました。生成AIによるテキストから画像への変換やチャットボットモデルは、すでに実用的に活用されていますが、オーディオには同様のツールがありませんでした。サービス開始以来、音声バンクにスピーカーを追加してほしいという要望を受け続けてきました。数え切れないほどの音声でライブラリを埋め尽くし、誰が誰なのかを把握するために各プレビューを聞いてもらう代わりに、発想を転換しました。スピーカーのアイデンティティを自由に決められるようにしながら、その条件の中で無限のバリエーションを実現したのです。

ユーザーはスクリプトに合う具体的な話し方の特徴を求めることが多いため、音声選択にある程度のコントロールを加えることが重要でした。多くのユースケースでは、あるいは少なくともそのメリットとして、特定の音声を独占的に利用できることが求められるため、生成されるすべての音声をユニークにすることも同じくらい重要でした。新たな創作の場を提供するだけでなく、ボイスデザインで生成される音声は完全に人工的なものであり、実在の人物に属するものではありません。

活用例

主力のテキスト読み上げツールで、文章を手軽に高品質なオーディオへ変換できることに加え、書籍の著者はボイスデザインを使ってナレーションを芸術的にコントロールし、各キャラクターの個性に合わせた音声を作り上げられます。

ニュース出版社がオーディオに進出するには、記事のための音声が必要です。ナレーターはその媒体の顔として認識されるため、適切なボイスオーバーを選ぶことは、頻繁には繰り返されない重要な作業です。ボイスデザインなら、ほぼ無数のナレーターをその場で選び、比較できます。また、特定の音声が自社だけを代表するという安心感も得られます。

ゲームデベロッパーは、特定のキャラクターに録音コストをかける価値があるかどうかで悩む必要がなくなります。これまで無言だった何万ものNPCに、固有の個性を与えられるようになり、バーチャル体験への没入感をさらに高められます。

次のリリースに取り組むコンテンツクリエイターでも、企業の担当者として社内外のコミュニケーションを音声化したい場合でも、特定のユースケースやオーディエンスに向けた、リアルで魅力的なオーディオをデザインする可能性は無限に広がります。

エコシステム

ボイスデザインは、今年導入予定のナレーション編集機能の一つです。次に登場するのは、Studioです。長文を構成し、ポーズを挿入し、オーディオの一部を再生成したり、テキストの各部分を異なるスピーカーに割り当てたりできる新しいワークステーションです。Studioは3月下旬に登場予定で、今年第2四半期の後半にはイントネーション編集機能も追加される予定です。