AIでつくる音声問題｜YouTubeアニメをつくりたい！
Youtubeでの音声の大切さ
これまでもいくつかのYouTubeチャンネルを作ってきましたが、アニメチャンネルを作成するにあたって一番問題になるのが『音声』の部分だと思っています。
アニメに限らず、YouTubeは音にこだわる人が多く、中にはラジオのように聞き流す人もいるぐらいです。
実は、私のやっているチャンネルの中には、私の生声でナレーションをつけているものもあるのですが、何せ聞き取りづらい。
滑舌悪すぎなんですよね、私って･･･
しかも、リップノイズといって、「ペチャ」とか「パクッ」というのが気になりすぎる･･･
それを聞きながら編集する地獄･･･
実はそのチャンネルは当初、テロップで文字を流すだけで音声はなしにしていました。
そして、20日で収益化達成！というミラクルを起こしたのですが、なぜか途中から「地声ナレーション」を入れるということにチャレンジしまして、更新をサボるようになり、そのまま1年経ってしまい、収益化がなくなるとういう一番ダメなパターン。
いつか復活するときには、テロップのみにしようと心に誓ってます、笑
話がそれていますが、今回はアニメなのでテロップというわけにはいきません。
個性を伝えるためにも、音声は大切！なわけです。
AI音声の2つの問題点
進化が激しいAIですが、私の考えるAI音声の問題点は2つ。
ひとつは感情が乗せられないこと。
もうひとつは、一貫性がないことなんです。
私は今まで、2つの音声ソフトを使ってきました。
どちらも文章や言葉をテキストで入力すれば、簡単に高品質な音声が作成できるというものです。
どちらも、一方は解消されているものの、もう一方が解消されてないんですよね･･･
「VOICEPEAK」は感情がない
ひとつは、「VOICEPEAK」というもの。
おそらくYouTubeを見たことある方なら絶対に聞いた事ある音声です。
基本的には、「VOICEPEAK 商用可能 6ナレーターセット」という男性のボイス3タイプ、女性のボイス3タイプに、女の子の声が入ったセットです。
この音声は、3年くらい前から使っているのですが、販売当時はこれだけ優秀に使えるものが VOICEPEAK しかなく、他の製品にくらべて圧倒的なクオリティ差に感動しました。
当時は、「ずんだもん」や「ゆっくり」のように、棒読みタイプのものが全盛期の時代。
日本語でイントネーションをつけられる点は、ほんとうに感動レベルで、価格は2万円ちょっとと少し高めでしたが、速攻で購入しました（今は3万円弱）。
この音声を使って、私史上最大の70万再生を記録したりしました。
ただ、感情をのせることはできないんですよ。
柔らかく優秀な読み上げはあるんですけど、感情が伝わらない。
これって、アニメを作るには致命的ですよね。
Googleの「speech to text」は一貫性がない
そんな中、昨年登場したGoogleのspeech to textとシステム。
これは、本当に感動レベル！！
こんな感じです。
笑いながら喋る部分とか、もうこれは感動しすぎです。
ということで、「早速乗り換えだ！」と試したんですが、使ってみると、致命的なことがわかりました。
声のタイプは比較的豊富で、そこから選んでしゃべらせるのですが、一度聞いてみてください。
別人の声だと思いませんか？
これ、実は同じ人物設定で喋らせてるんですよ。
しかも、（笑）と入れることで笑わせるのですが、まったく同じテキストを入れても、「ワライ」ってそのまま読んでしまうのもあるんです。
そして、AI的に難しい言葉があるようで、うまく話してくれません。
VOICEPEAK なら、上手くいかない部分だけを細かく変えられるのですが、AIに丸投げが基本の speech to text は、一部だけを言い換えることはできません。
なぜなら、音声が変わってしまうから。
故に、投げた文章をすべて作り直すことになるのですが、さっき読めていたところが読めなくなっているなんてことも日常茶飯事で、どうにもこうにもうまくいかないんですよね。
新しいAI音声ソフトを探してみた
今回はアニメーションです。
感情がないVOICEPEAKも、一貫性がないGoogleの「speech to text」も使えません。
ということで今回は、イメージする音声を出せるAIを探すという作業が成功の肝になるんじゃないかと思ったわけです。
とうことで、コンセプト作りと並行して、音声アプリを探しまくりました。
あまりにもよいAIボイスがなく、一時は声優さんを雇おうかと真剣に考えたほどです･･･。
でも、決して安くない･･･。
1文字2.5円とかだし、長く継続してもらうのはなかなか難しい。
だから、探しまくりました。
そして、ついに、苦労の甲斐あって、見つけることに成功！
まず聞いてください。
今回は3回にわけて録音しています。
いかがでしょう？
もちろん、多少の揺らぎはありますが、それなりに一貫性があるし、若干言い方に工夫ができます。
もちろん100%満足とはいきませんが、いずれ声優さんに頼む方がよいのかなとも思っていますけど、現在のところコストをかけるつもりはないので、ここまでできれば大満足です。
このアプリは、「ElevenLabs」というもの。
実はこのアプリ、早い段階で見つけてはいたんですが、サンプルをいくつか聞いてみたものの、今ひとつ使いこなせるイメージがなくて、候補にあげてなかったんですよね。
なぜなら、感情を入れるのにいちいち「英語で」指示を出さなくちゃいけないから（一部日本語でもOKですが）。
そして声のタイプによって、実現できない指示もあることから、くせ者というイメージが先行しちゃったんですよね。
ただ、指示をださなくちゃいけないってことは、余計な感情も入れないということ。
Googleの「speech to text」にように、AIが判断した勝手な演出もないということで、長所だと考えることにしました。
しかも、ゼロ円スタートもできるので、収益化前にもっとよい音声合成ソフトが見つかれば、そっちに引っ越しすることも可能。
これはなかなかGOODな点です。
ちなみに、ElevenLabsは、自分の声をサンプルにしてしゃべらせることもできます。
つまり、自分の声をリップノイズなしに話させることが可能なため、反省しながらの編集という地獄を味わう必要もありません。
とは言え、私はしゃべりませんけどねｗｗｗ