感情豊かな音声合成：大切な理由と、感情の演出のしかた

感情表現のある音声合成とは、言葉だけでなく気持ちも伝えるために、声の高さ、速さ、音量、間、声質を変える合成音声のことです。大切なのは、聴き手が意味の多くを「どう言われたか」から受け取るからです。同じ文でも、良い知らせにも、警告にも、冗談にも聞こえます。いまのAI音声は文脈から感情をかなり推測してくれるので、実際に必要になるのは演出の技術です。感情が役立つ場所を見きわめ、1行ずつ舵を取り、全体で一貫させることです。

感情表現のある音声合成とは何ですか？

初期の音声合成の仕事は、ひとつだけでした。言葉を聞き取れるように発音することです。古いシステムは、録音した断片をつなぎ合わせたり、規則から音声を生成したりしていたので、仕上がりは一定で抑揚のない読み上げでした。表現といえば、疑問文で語尾が上がるように、句読点が引き出せる範囲に限られていました。

ニューラル音声がそれを変えました。大量の録音された音声から、プロソディ（話し方の旋律、リズム、強勢）を学習し、つづりだけでなく文の意味を読み取ります。いまは、感情のこもった話し方が3つの方法で手に入ります。

1. テキストから推測される。 指示がなくても、声は「勝った！」と「負けた。」を読み分けます。
2. あなたが演出する。 1行ごとに、速さ、高さ、間、話し方のスタイルを設定します。
3. あなたが演じる。 その行を自分で録音し、ボイスチェンジャーであなたの話し方を別の声で再現します。

うまくいく例の多くは、この3つの組み合わせです。

声は、どうやって感情を表すのですか？

話し声の感情は、ひとつの設定ではありません。聴き手がまとめて読み取る、手がかりの束です。

• 高さと幅： 声がどれだけ高い位置にあり、どれだけ動くか。
• 速さとリズム： どれだけ速く、どれだけ均一か。
• 間： どこに入り、どれだけ続くか。
• 音量と強調： どの語が押し出されるか。
• 声質： 息混じり、張り詰めた、やわらかい、明るい。

よくある感情の、大まかなパターンは次のとおりです。

これは傾向であって、規則ではありません。冷たい怒りは静かでゆっくりなこともあり、声ごとの違いもあります。

具体例

次の1行を取り上げます。「結果について話し合う必要があります。」

• 良い知らせ： 明るい調子で、「結果」を持ち上げ、声にほんのり笑みを含ませる。
• 悪い知らせ： 低く、ゆっくりにして、「結果」の前に間を置く。
• いらだち： 途切れがちに、「必要」を強く押す。

言葉はまったく同じです。平板な読み上げでは、こうした情報が聴き手にまったく届かないので、単調なナレーションは長く聴くと疲れるのです。

感情表現が役立つのはどんな場面で、役立たないのはどんな場面ですか？

聴き手が、人物、緊迫した状況、物語を追う必要があるときは、感情が役立ちます。

• オーディオブックとフィクション。 登場人物の会話が、人が話しているように聞こえなければならない場面です。オーディオブックをご覧ください。
• ゲーム。 キャラクターが出来事に反応する場面です。ゲームをご覧ください。
• 広告とブランド動画。 活気とあたたかさが、メッセージを運びます。
• eラーニングのシナリオ。 研修講座で、顧客との会話をロールプレイにするような場面です。

落ち着いた中立的な話し方のほうが向いているのは、次のような場面です。

• 電話メニュー。 個性より、わかりやすさが勝ちます。
• 法律や安全に関する文章。 感情が入ると、すべてごまかしのように聞こえます。
• ニュース調の要約。 聴き手は中立を期待します。

目指すのは、最大の感情ではありません。ふさわしい感情を、ふさわしい強さで届けることです。

AI音声合成で、感情はどう演出しますか？

台本に書き込む

テキストそのものが、いちばん強い合図です。「待って。何をしたって？」は、「待って何したって」より、驚きを込めて読まれます。短い文は切迫して聞こえ、長い文は落ち着いて聞こえます。文脈も効きます。「彼女はドアを叩きつけるように閉めた。」のあとの行は、「彼女は微笑んだ。」のあとの同じ行とは読み方が変わります。彼女はささやいたのような地の文の説明も、多くの声を動かしますが、最終的な台本からは削ることが多いでしょう。

1行ずつ、演出の設定を使う

Leeloの Studioでは、行ごとに速さ、高さ、間、スタイルの設定があるので、悲しい1行だけをゆっくりにして、章全体を遅くせずに済みます。それぞれの設定は、読み方の演出のガイドで説明しています。

複数のテイクを生成して、いちばん良いものを選ぶ

表現力のある声は、生成のたびに少しずつ違います。それは役に立ちます。大事な1行は、テイクを2〜3回生成して、いちばん決まったものを残しましょう。再生成するのはその行だけで、場面全体ではありません。

その行を自分で演じる

その行をどう読むべきかは耳に浮かぶのに、声がそうしてくれないときは、自分で録音してボイスチェンジャーにかけましょう。音声から音声への変換では、あなたの間合い、強調、気持ちはそのままに、目的の声になります。狙いどおりの話し方を得るには、いちばん正確な方法です。

幅のある声を配役する

落ち着いたナレーション向けにつくられていて、怒りに寄せると無理が出る声もあれば、もともと活発な声もあります。プロジェクトが必要とする感情の幅に合わせて配役するか、「あたたかく、少しハスキーな50代の女性ナレーター」のような説明から声をつくりましょう。声のデザインをご覧ください。

音と音楽に、仕事の一部を任せる

悲しい場面の下に静かな音楽を敷いたり、種明かしの前に効果音を入れたりすれば、声が演技過剰にならず、自然なままでいられます。Studioには音楽と効果音の専用トラックがあります。音と音楽の追加をご覧ください。

具体例：2人の登場人物の場面

1. 各行に話者を割り当て、1つのプロジェクトで会話が2つの声を行き来するようにします。
2. 指示なしで場面全体を一度生成し、通して聴きます。
3. 言い争いや種明かしなど、いちばん重要な3〜4行に印を付けます。
4. その行を耳で聴くために書き直し、速さと間を調整します。
5. それぞれ2つのテイクを生成して、いちばん良いものを残します。
6. 静かな音楽とドアを閉める音を加えて、MP3またはWAVで書き出します。

感情表現のある音声合成で、うまくいかないことは？

• 演技過剰。 すべての行を最大まで押し上げると、予告編のナレーションのようになります。強い感情は、必要な瞬間のためにとっておきましょう。
• 行ごとのずれ。 ある行では激怒していたキャラクターが、次の行では妙に陽気になっている。場面は、1行ずつ切り離さず、順に聴いてください。
• 局所的な文脈による取り違え。 皮肉を言っているキャラクターなのに、「いいね。」を読む声が満足そうに聞こえることがあります。文脈を足すか、その行を演出してください。
• 長い箇所での聴き疲れ。 表現力のある良いナレーションでも、1時間も続くと型にはまって聞こえることがあります。文の長さを変え、語り手の声は登場人物より落ち着いたものにしましょう。
• 内容と喧嘩する感情。 値上げのお知らせを陽気な調子で読むと、空気が読めないように聞こえます。

感情表現のあるAI音声は、倫理的ですか？

表現力のある声は、平板な声にはなかった問いを生みます。

• 操作。 販売を後押しするための作られた切迫感やあたたかさは、人の話し方でも同じ手口で、聴き手は気づきます。
• 開示。 電話口のように、聴き手が本物の人の声を聞いていると思いかねない場面では、合成音声であることを伝えましょう。
• 同意。 実在の人物の声をクローンするには、感情の幅がどれほど優れていても、本人の許可が必要です。有名人の声の倫理の記事で、詳しく扱っています。

感情表現のある音声合成は、どこへ向かっていますか？

向かう先は、感情の自動化より、コントロールの拡大です。1語ごとのより細かな演出、本1冊を通してのキャラクターのより高い一貫性、そして元の演技の感情を別の言語に持ち込む吹き替え。変わらないのは、1行ごとにどう感じさせるかを決めるのが人だということです。それは演出の仕事で、これからもあなたの手にあります。

よくある質問

AI音声は、本当に感情豊かに聞こえますか？

はい。現代のニューラル音声は、テキストとあなたの指示に応じて高さ、速さ、調子を変え、はっきりとうれしそう、悲しそう、緊張している、落ち着いていると聞こえるようにできます。短くわかりやすい感情は得意で、皮肉のような微妙なものには、より多くの演出が必要です。

音声合成の声を、興奮した感じや悲しい感じにするには？

まず台本から始めます。興奮なら短く歯切れのよい文、悲しみならゆっくりで長めの文です。そのうえで、その行の速さ、高さ、間を調整し、テイクをいくつか生成します。それでも合わなければ、その行を自分で録音して、音声から音声への変換を使いましょう。

感情を操作するのに、SSMLは必要ですか？

いいえ。SSMLは、間やプロソディのために一部のツールが使うマークアップの規格ですが、Leeloの Studioでは、行ごとに簡単な操作で演出を設定できるので、マークアップを書く必要はありません。

感情表現のある音声合成は、オーディオブックに十分使えますか？

多くのオーディオブックには十分です。特に、主要な登場人物ごとに別の声を割り当て、重要な場面に演出を加えた場合はそうです。行ごとのずれに気づくために、単独の行だけでなく、章全体を通して聴いてください。

感情豊かな声がAIだと、聴き手に伝えるべきですか？

聴き手が本物の人の声を聞いていると信じうる場面、たとえば電話口や、個人的に聞こえるメッセージでは、伝えるのが望ましいやり方です。正直に伝えるコストは小さく、信頼を守ります。