自分の声を合成音声として世界に公開!? 今話題のサービス「CoeFont CLOUD」体験レポート! 開発者へのインタビューも!

今回は折角なので、なるべく感情を抑えたアナウンスのような読み方のCoeFontと、声に表情をつけた読み方のCoeFontの2パターンを作って比べてみます。

CoeFontを作成を押して、っと… ローエンド、ミドルレンジ、ハイエンドと3つの選択肢があるんですね。

わかりました。

まずは録音環境に関する注意事項が出てきます。やはり環境は大事なんですね。 私は※宅録で使っているコンデンサマイクを使います。

ハイエンドでCoeFontを作るときなど、本格的にやりたい場合はスタジオを使って収録するのも手かもしれません。

収録が始まる前にマイクを使ったノイズ確認もあるので、自分の環境に問題がないかを確認できるのはいいですね。

早速始まったので、文章を録音していきます。 画面がシンプルで操作もわかりやすいので、指示に従っていれば良さそう。

イェーイ、ってどんなテンションで読めばいいんだろう…（笑）

収録が終わりました！ 意外と普通の文章を読むんですね。 てっきり、AIに学習させるために意味不明な文章を読むんだと思ってました。

なかにはセリフのような文章もあり、アナウンス読みにこだわると妙な表現になってしまうので、そこは少し迷いましたね。 イェーイなんて、普通のアナウンス原稿には絶対書かれてないでしょう？

収録にかかった時間はだいたい20分くらいでした。 でも、一般の人はもっとかかるかもしれません。

それもありますが、もっと大きいのはアクセントのミスや不自然なイントネーションです。 会話していても、たまに変なアクセントになっちゃうとき、ありますよね。 私の場合、自分の読みを客観的に聴きながら読んでいくので、聞き返さなくてもある程度はOK/NGの判断がつきます。

一般の人の場合、自分のアクセントやイントネーションが正しいどうかは、録音された音声を聞き返さないと判断しにくいと思います。 丁寧に収録するために、毎文聞き返してチェックして…とやると、もっと時間がかかると思います。

楽しかったです！ 収録しながら、いま録ってるこの声が合成音声になるんだな、と思うと不思議な感覚でした。 それに、こんなに少ない数の文章を読むだけでCoeFontが作れるというのも驚きでした。 てっきり、もっと一文が長くて体力を使うものだと思っていたので。

思ったよりスムーズに再生できるんですね。 それに表情をつけたバージョンは、想像していたよりも自分の声に似ててびっくりしました。

特に文末のイントネーションに自分の個性が出てる気がします。 これは意図していなかった部分なので、そこまで再現されるのは面白いですね。

ここまで再現してくるのであれば、ハイエンドで試したくなっちゃいますね。 1500円であれば全然高くないですし。

ありがたいことに、先行公開から3日で1000件以上の申請をいただきました。 CoeFontを作る方だと、Vtuberの方やアナウンサーの方、声優の卵の方などから申請を頂いています。

CoeFontを製品などに利用してみたい、という企業の方からのお話も来ています。 具体的には、広告代理店や電気製造メーカーの方などから申請をいただいています。 想像していたよりも多くの申請が来ていて嬉しい限りです。

めっちゃ大変です、ギリギリです（笑） ローエンドもハイエンドも、この設定金額のほとんどを学習用のサーバ代として使っています。 特にハイエンドなんかほぼ赤字です。

そこまでしないと、みんな気軽に作れないですから。 僕たちの目指す「声をフォントのように選べる」世界を実現するためには、色んなCoeFontが存在することが重要です。

それこそVtuberやアナウンサーのような声のお仕事をされている方から一般の方まで、色んな方にCoeFontを作っていただきたくてこちらの値段にしています。

ローエンドで体験してもらう100文は、自分で何回も声に出して読んでみて、徹底的に気軽に作れるように改良しました。

ユーザの方に見えない部分にもこだわっています。 アンドエンジニアさんってどんな環境で収録されました？

普通そうだと思います。 しかし、当たり前ですが自宅は精密な声の収録には向かないんです。 家の中で収録すると、マイクが同居人の生活音や車の音を拾ってしまいます。

ですので、何も処理をしないで収録した声を学習させてしまうと、そういった雑音も声として認識されてしまいます。 これを回避するために、僕たちは雑音を除去するための処理を入れたあと、AIに学習させています。

レコーディングスタジオを借りてやらないかぎりは、どうしても雑音は入ってきます。 特にびっくりしたのが、クリック音です。

自宅で収録すると、録音開始のボタンをクリックする音が、音源に入るときがあるんですよね。 もちろんクリック音も、声として認識されないように処理しています。

500台くらいAWSのインスタンスを立てて、実験を回しまくりました。 その上で滑らかさや抑揚が再現できているか、などをスコア化し、1番高いものを採用しました。

やっぱりそこまでこだわらないといいものはできないので。

まず、本格的なCoeFontを作ろうとされているのであれば、ハイエンドで作成していただくのがおすすめです。

ハイエンドを選んでいただけると、現状のAIで最高のパフォーマンスが出るデータ量と学習時間を確保できます。 やはり声質や抑揚、アクセントなどはハイエンドが最も再現できますし、発話も自然になりやすいです。

そうですね、最初からハイエンドを選んでいただくのがいいと思います。

特定の用途はあまり想定していません。 CoeFont Studioをリリースしたときにわかったのですが、ユーザの方々は本当に多様な使い方をしてくれるので、僕たちが想像している用途なんて簡単に超えてくるんです。

例えば、プラネタリウムのナレーションや六法全書の勉強のための読み上げへの利用なんて、誰も想像できないじゃないですか。 僕らはせいぜい、簡単な動画のナレーションや、オーディオブックのような使い方くらいしか考えていませんでしたし。

ですので、我々は声をフォントのように使えるCoeFontを普及させることで、音声の表現方法を増やすことに注力していきたいと考えています。