音声合成業界に激震! もはや人間の喋り声、入力文字読み上げソフトVOICEPEAKはビジネス用途でも自由に利用可能

株式会社AHS　代表取締役　尾形友秀さんインタビュー

－－喋る音声合成ソフトの研究をしているという話は、だいぶ以前からなんとなく聞いていましたが、いつごろから製品化の計画があったのですか？
尾形：そうですね、喋るソフトについては弊社も以前からやっておりますが、Dreamtonics社も数年前から研究をしていたようです。その後一緒に開発を進めていき、当初は今年夏ごろに商品化することを発表しよう…と言っていたのですが、昨年の生放送で声を聞かせたところ、思った以上に企業さんからの反応がよく、急遽、2021年度内の発売をしようということになり、このタイミングでの発表で、3月11日発売としました。

－－喋り方の品質の高さも驚きましたが、商用利用可能という部分にも驚きました。
尾形：商用利用を可能にしたい、ということは、ずっと以前から考えていました。やはりユーザーサイドから見れば、非常に大きい問題ですから。同人活動であればOKだけど、法人での使用は別途高価な金額が求められる……というのはなかなか扱いにくい…といった声をいただいてました。また、この2年、コロナ禍になり、オンラインでの資料を作ったり、オンライン授業などで利用したいという方が爆発的に増えまして、特に企業はもちろん、教育に携わる方にも気軽に利用できる製品を本当に出したかったのです。今回当社もゼロから関わって開発してきたので、今回の「VOICEPEAK 商用可能 6ナレーターセット」に関しては、商用利用可能を前提として製品化を進めてきました。

－－改めてですが、法人であっても同じ金額で購入できて、利用制限はないのですよね？
尾形：その通りです。ビジネス用途で作るビデオのナレーションに使っていただいてもいいですし、配信などで使っていただいても構いません。

－－AHSは、長年VOICEROIDを扱ってきて、その後、CeVIO AIも手掛けるなど、音声合成ソフトをいろいろ扱ってきましたが、今回さらにCeVIO AIからVOICEPEAKに乗り換える形になるのですか？
尾形：CeVIO AIを扱うようになった当初、まだVOICEPEAKの話はまったく具体的になっていなかったのも事実です。ただ、最初の時点から、テクノスピーチさんなどにもお伝えしてており、お互い差別化して進めていきましょうというお話もしてきました。使い勝手や音質も異なるので、うまく切り分けができればと考えています。実際当社としては、今後もCeVIO AIやVOICEROIDを扱っていきますし、各社さんとも良好な関係を続けていきたいと考えています。

－－それにしても、VOICEPEAKでの喋りを聴くと、従来の音声合成と比較して、何か大きく進展しているように感じるのですが…。
尾形：人の喋り方と、これまでのコンピュータによる音声合成の違いの一つが喋り方のスピードと、音声の高低です。人は、1つ1つの文字、単語の発音時間を長くしたり、短くしたりを無意識のうちに行っているのです。感情が振れたとき速くなったり、落ち着いた内容だと少しゆっくりになったり……、それが自然な喋り方として感じられるのです。ところが従来の音声合成だと、すべてが一定の速度となるため、そこに不自然さを感じていたのです。VOICEROIDを企画していた当時から、そうしたスピードコントロールをしたい、と考えていましたが、なかなか実現できなかったのも事実です。しかし、今回のVOICEPEAKでは、AIが文章の内容から判断し、スピードそして読み上げの高低をうまくコントロールしているのです。それが、喋りの自然さを実現している一つの要因だと思います。

－－なんと！AIが文章の内容を理解して喋っているんですか？？ちょっと驚異的です。
尾形：AIが文章の内容を分かっているというのは、少し大げさではありますが、こういう文章がきたときは、こうなるよね、と判断しています。だから内容によって喋り方が変わるし、同じ言葉でも、その前の文章内容が異なると、発音に仕方が変わるんです。

－－詳細な技術はよくわからないですが、コンピュータが文章内容を多少なりとも理解しているとなると驚きだし、今後の技術進化の方向性も感じてしまいます。
尾形：そうですね。どこまで理解できるようになるかはわかりませんが、それが今後、感情表現にも関わるようになると思います。VOICEPEAKでは、喜怒哀楽の4つのパラメータが表に出ていますが、実際には内部的に10個以上の感情パラメータがあり、これを組み合わせて表に分かりやすく出ているのです。この辺も、今後さらに進化していく可能性はあると思います。

－－ところで、今回の製品では女性3人、男性3人、女の子の7つのボイスが存在していますが、これは今後増えていく可能性はあるのですか？
尾形：もちろんです。この音声データベースは当社で作っているのですが、すでに10個以上作っているので、今後随時追加していく予定です。具体的な話はまた少しずつ発表していくので、お待ちください。

－－まずは7人の声からスタートということですが、驚いたのはファイルサイズの小ささです。
尾形：サンプリングのものだと、どうしてもファイルサイズがGB単位になってしまいますが、VOICEPEAKはこのベータ版の段階のWindows版で7人の声が入って210MBとコンパクトです。さらに20人入ったバージョンでも大きくサイズは変わらないので、とにかく小さいですね。

－－このVOICEPEAKで喋ってくれるのは日本語のみのようですが、今後はどうなるのでしょうか？
尾形：Synhesizer Vと同じような展開にしていく予定です。つまり英語、中国語を喋れるようにするだけでなく、日本人の声のデータベースを使って英語や中国語を喋ったり、逆に英語圏の人の声を元にしたデータベースで日本語を喋らせる……ということが可能になると思います。

－－そういえば、Synthesizer VであったりVOCALOIDのように、各声に名前、キャラクタがあったりせず、シンプルに女性1、男性1のような選択の仕方ですよね。それぞれの元となった人は実在しているんですよね？
尾形：そのとおりです。今回の「VOICEPEAK 商用可能 6ナレーターセット」は、ビジネス用途での利用も考えて、あえてキャラクタ付けはせず、男性1、女性1のような見せ方にしました。もちろん、それぞれモデルになった人もいますが、現時点では、中の人をフィーチャーするといったこともしない予定です。

－－なるほど、いろいろな点で、従来の音声合成とは路線を差別化しているわけですね。今後どのような展開になるのか、まずは3月11日の製品発売を楽しみに待っています。

尾形：「VOICEPEAK 商用可能 6ナレーターセット」ですが、4月30日までの期間限定で初回限定優待版というかなりお得な商品も用意しました。ぜひ、こちら使ってみてください。

－－ありがとうございました。