Megpoidの音声合成ソフト、A.I.VOICE GUMIが発売開始。7年ぶりとなる製品発売の背景を探る

株式会社インターネット　代表取締役　村上昇さんインタビュー

－－Megpoid製品、だいぶ久しぶりになりますが、どうしてこのタイミングでの登場となったのですか？
村上：昨年の秋ごろから、そろそろ出したいなと検討していました。喋りも、歌唱もどちらも進めたいと考えていました。ただ、昨今の技術進化などからさまざまなメーカーが参入し、エンジンも複数あるから、どれにしようか……と思って考えていたのです。そうした中、今年1月にエーアイさんから具体的な提案をいただいたんです。技術的な背景から、実際の工程なども含め、細かく話を詰めていくなか、これがよさそう、となったのです。

株式会社インターネットの代表取締役、村上昇さんにオンラインミーティングの形でインタビューした

－－トークもソングもとなると、CeVIO AIやSynthesizer V＆voicepeakのほうが、スマートな気もしますが……。
村上：もちろん、それぞれ検討したのですが、まずは歌唱の前に喋りから作ろうと考えるようになり、その際、組み合わせについてはいったん考えずにフラットに見ていこうと検討した結果ですね。

－－トークとソングを同時ではなく、トークを先にした理由はどこにあったのですか？
村上：もちろん同時がベストではあったのですが、最近のAI歌声合成の声質にやや納得いかない部分を感じていました。どこのエンジンも、最終的にボコーダーを使って合成していますが、その高域部分の音がどうも好きになれない面があったのです。今後、技術的には解決していくはずと思っていますが、現時点ではまだだったので、先に喋りのほうから行こうとなり、いろいろな条件に合致したのがA.I.VOICEだったのです。

A.I.VOICE GUMIのインストーラー。A.I.VOICE GUMI本体のほか、イラストやボイスマテリアルも入っている

－－2014年に喋るソフトとしてMegpoidTalkを出していましたが、あれもエーアイとの共同開発だったんですか？
村上：MegpoidTalkは、エンジンだけ借りてきて、あとは自社開発でした。株式会社アニモのFineSpeechというエンジンですね。SDKベースのものだったので、それをウチで開発していきました。ただ、当時はまだ感情表現とかもなかったので、そろそろやらなくちゃ、という思いを持っていたのです。ちなみに歌唱のほうは、2015年11月にVOLCALOID 4用にMegpoid V4を出していました。その後、VOCALOID 5が出た際は、VOCALOID 4用のライブラリがそのまま使えるので、新たにデータベースを作り直す意味を見出せず、見送りとなっていたのです。その後、VOCALOID 6がいつになるかもわからないままで、時間がたってしまった……というのが実情ですね。

イントネーションや音の区切りなどを調整することも可能

－－そのA.I.VOICE GUMI、実際の制作はいつごろから行っていったのでしょうか？
村上：1月にエーアイさんから提案をもらって決めた結果を、中島愛さんサイドに伝えた結果、2月はじめに快諾いただき、スケジュール調整をした後、3月からレコーディングを開始しました。これは東京のスタジオで8日間かけて行っていきました。

－－その8日間で感情表現もレコーディングしていったわけですよね？
村上：その通りです。初日にまずリファレンスを作りました。つまりノーマルとともに、喜び、怒り、悲しみのそれぞれのリファレンスを録って確定させ、その後はリファレンスを聴きながらレコーディングしていく形にしたのです。ちなみにノーマルはMegpoid Nativeの歌唱を流して、それにできる限り近づける……という手法をとりました。当初のMegpoid V2から数えれば、13年経過しているので、さすがにまったく同じ発声というわけにはいかないものの、限りなく近づけていくことができたので、ニュアンス的にもみなさんに納得いただけるのではないかと思っています。それより、今回のA.I.VOICEでは感情表現が大きいと思っています。とくに怒りや悲しみは、現場で聴いていても、非常によくて、これはいい製品ができるぞ、という確信をもちました。

GUMIの声を担当している中島愛さん

－－ところで、A.I.VOICEはAITalk 5というエンジンを使っていたと思いますが、AITalk 5は従来からのコーパスベースのエンジンの発展形とディープラーニングを使ったDNNエンジンの2つがあったと思いますが、このA.I.VOICE GUMIはどちらを使っているのですか？
村上：コーパスベースのエンジンです。確かに音素のつなぎ目はボコーダーを使ったDNNエンジンのほうがノイズも乗らないし、スムーズではありますが、やっぱり音質的にはコーバスのほうが好きです。これは先ほどの歌声合成での話と同様ですね。なんとなく高域の音質に違和感を感じるんですよ。コーパスのほうはそうした面はなく、いいなと思っています。

－－8日間のレコーディングの後の編集作業などはどうしていったのですか？
村上：そこはすべてエーアイさんにお任せで、完成を待っていた形です。それより製品化する上でのパッケージデザインやイラスト制作で慌ただしく動いていました。ご存じの通り、オリジナルのイラストはゆうきまさみさんでした。が、今回は、のう（@nounoknown）さんにお願いしました。ずっとGUMIを描いてくれている方で、評判がよく、かなり以前からカレンダーなどをお願いしていたという経緯もあり、今回お願いした結果、とてもいい感じのものができあがりました。実は、最終的に確定させるまで、のうさんには、本当にいろいろなデザインを出してもらっていて、そこから絞り込み、ブラッシュアップしていきました。VOCALOIDでのイラストはステージ上で歌う際の衣装、という想定ですが、今回はそれにひっぱられずに、もっとカジュアルな感じにしたいと思っていたのです。街で見かけるような服装にしたかった。その結果が、今回のイラストであり、これが完成するまではずいぶんと時間がかかりました。

のうさんが描いたGUMIのイラスト

－－ソフトのほうが上がってくるのと同じくらい時間をかけてきたということですね。
村上：はい、イラストのほうがギリギリくらいでしたね。エーアイさんからは7月末に喋った声のサンプルが上がってきてチェックさせてもらい、非常によくできていたので、そのまま進めてもらいました。とくに怒りが非常によかったですね。明らかにMegpoidの声であるけれど、それが怒ってる！ぜひ多くの方に使っていただきたいですね。コーパスベースがいいのは、こうした感情表現が軽く処理でき、すぐに声に反映できることです。ディープラーニング系だと、パラメータを変えて再合成をさせるのにどうしても時間がかかってしまう。そういう面でもコーパスベースでよかったと思っています。その後8月上旬にエディタが整った形でβ版があがってきて、とくに問題もなく、進んでいきました。その結果、9月16日発売にこぎつけた格好です。

A.I.VOICE GUMIのパッケージ

－－このA.I.VOICE GUMIの次は歌唱ですよね。もう詳細は決まっているのでしょうか？
村上：そうですね。色々考えているのでぜひ期待していてください。

－－ありがとうございました。楽しみにお待ちしております。