「Irodori-TTS」はAratako氏が開発した日本語特化の音声合成AIモデル(TTSモデル)です。ローカルで動作する軽量モデルで、「セリフ」「声」「感情」を自由に指定して音声を生成することができます。NVIDIA製GPUを搭載したPCなら数秒で生成可能で、GPU非搭載PCでもCPUを使って生成できます。かなり高品質なセリフ音声を作れて便利なので、インストール手順や使い方をまとめてみました。 GitHub - Aratako/Irodori-TTS: A Flow Matching-based Text-to-Speech Model with Emoji-driven Style Control · GitHub https://github.com/Aratako/Irodori-TTS Aratako/Irodori-TTS-500M-v2 · Hugging Face htt

1週間の気になる生成AI技術・研究をいくつかピックアップして解説する連載「生成AIウィークリー」から、特に興味深いAI技術や研究にスポットライトを当てる生成AIクローズアップ。 今回は、わずか3秒の参照音声から、自然で表現力豊かな音声を生成できる多言語対応の音声合成（TTS）モデルを提案した論文「Voxtral TTS」を取り上げます。このモデルはフランスのAI企業「Mistral AI」が開発しました。 Voxtral TTSは、初めての音声からでも話者の特徴を捉えるゼロショットの音声クローニングにおいて高い性能を発揮します。ネイティブスピーカーによる評価実験では、その自然さと感情表現の豊かさが高く評価され、競合であるElevenLabs Flash v2.5に対して68.4%という高い勝率を記録しました。 ▲Voxtral TTSはElevenLabs Flash v2.5との人間評価

大学共同利用機関法人 情報・システム研究機構 国立情報学研究所 (NIIエヌアイアイ、所長：黒橋くろはし 禎夫さだお、東京都千代田区) の大規模言語モデル研究開発センター（LLMC）は、主宰するLLM勉強会（LLM-jp）の成果として、日本語の音声対話に特化した AI モデル「LLM-jp-Moshi-v1」を開発し、商用利用可能なライセンス（Apache2.0）で一般公開しました。日本語で、商用利用可能な同時双方向（Full-duplex）音声対話モデルは世界初となります。本モデルは、音声を逐次入力として受け付けながら音声を出力し、人間同士のような自然な音声対話を実現します。今後の日本語音声対話研究ならびにコールセンターやカウンセリング、その他、リアルタイムな対話が期待される場面での応用が期待されます。 LLM-jp-Moshi-v1 は、日本語の雑談対話データ約 1,000 時間を含む

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? この記事の対象読者 Pythonの基本文法を理解している方 音声合成（TTS）に興味があるが、まだ試したことがない方 ローカルでAI音声生成を動かしてみたい方 MacからWindowsに移行して、GPU環境を構築したばかりの方 この記事で得られること Qwen3-TTSの概念と他のTTSとの違いの理解 日本語GUIでQwen3-TTSを動かす環境構築手順 Whisperによる自動文字起こしを統合した効率的なワークフロー RTX 5090（Blackwell）での動作確認済み設定 この記事で扱わないこと Pythonの環境構築方法（con

Qwen3-TTSというテキストto音声モデルが出ていて、どうせ日本語はしゃべれんのだろう？って思ってたけど案外しゃべれるし、自分の音声のクローンもできるようなので、試してみました。 Qwen3-TTS Family is Now Open Sourced: Voice Design, Clone, and Generation! 手順などはGitHubに。 https://github.com/QwenLM/Qwen3-TTS 基本的にはpip installするだけ pip install -U qwen-tts GPU対応でPyTorchを使うなら--upgrade --force-reinstalを付けてインストールする必要があります。 https://pytorch.org/get-started/locally/ flash-attnを入れたほうがいいということだけど、Wind

音声AI（人工知能）スタートアップの米イレブンラボは日本語に特化したAIモデルを開発する。2026年末までの1年間で1100万ドル（約17億円）を投資し、日本拠点の人員を3〜4倍に増やす。日本語に強みを持つAIモデルの開発競争が激しくなる。初来日したマティ・スタニシェフスキ最高経営責任者（CEO）が日本経済新聞の取材に答えた。イレブンラボは22年設立で、AIを使った合成音声のモデル開発やサービ

株式会社Algomaticは、AIを活用した音声生成プラットフォーム『にじボイス』の提供を、2026年2月4日（水）を持ちまして終了することをお知らせいたします。日頃より『にじボイス』をご利用いただい...

Togetter編集部 X（旧Twitter）に日々流れる情報の中から、編集部がさまざまなポストを選び出し、わかりやすい形でお届けすることを大切にしています。新たな視点や世間の反応を添えることで、読者の皆様にとって安心・安全で価値あるコンテンツとすることを目指しています。詳しくは編集方針をご覧ください。 あわせて読みたい

注意：AI批判目的ではありません。単なる考察結果の共有です。どちらかというと私は思想的にはAI推進過激派です。また、ここでの推測はすべて外れている可能性はあります、あくまで推測です。 追記（24/11/20）DMMボイスという名前から「にじボイス」という名称に変更された。主な変更点は以下。 キャラクターが15人増える なぜか久世凛さんとイルミルの声優が変更されるツッコミがあった利用規約の修正それ以外は本記事の内容はすべて当てはまるので、以下「DMMボイス」となっている箇所は適宜「にじボイス」へ読み替えて呼んでほしい。 DMMボイス（現にじボイス）最近AI界隈（？）で話題になっている、20人分のアニメ調キャラクターの声で感情的な音声を簡単に生成することができるAIサービス。 https://nijivoice.com/ それの学習元に、エロゲーのテキスト音声データが使われているのではないかと

筆者はUTAUによる波形接続の時代から「その人の声になりきる」技術を試してきましたが、このほど、その中でも画期的と思える技術に出会いました。『Seed-VC』（Seed Voice Conversion）というオープンソースソフトです。 ■AIボイチェンの進化どこが画期的なポイントかというと、高い音質を維持しながら、ゼロショット、つまりファインチューニングをせずに、1秒から30秒までの短い音源を参照するだけで、短時間でオリジナルに近いボイチェンができるところにあります。 以前紹介したDiff-SVCやRVCは、オリジナル音声に近いボイチェンが可能ですが、学習にはそれなりの長さのオーディオデータと高性能GPUによる処理が必要です。

音声合成技術の進化が目覚ましい。しかし、それを支えているのは声優などによる良質な収録音声だ。声をなりわいとする声優にとって、音声合成技術の普及は「仕事が奪われる」リスク要因でもある。 その音声合成技術を、現場の声優はどう見ているのか。音声合成ソフトウエア「ガイノイドTALK」や歌声合成ソフトウエア「VOCALOID」、声質変換ソフトウエア「リアチェンvoice」などに声を提供し、自身でも音声合成技術を活用しているピアレスガーベラ所属声優の小岩井ことり氏に聞いた。同氏は作詞や作曲なども手掛ける。（聞き手は東 将大、高野 敦＝日経 xTECH） 音声合成技術の利点は何だとお考えでしょうか。 ピアレスガーベラ所属。TVアニメ「のんのんびより」宮内れんげ、「THE IDOLM@STER ミリオンライブ！」天空橋朋花などの声を担当する一方、TBSラジオで毎日流れるジングルの作詞作曲編曲を務めるなど作

わずか3秒の元音声から本人そっくりな音声合成が可能な技術「VALL-E X」が誰でも使える形で公開されました。オープンソース版で、ローカルマシンからWebUIで利用できます。さっそくインストールして使ってみました。 以前、ディープラーニングベースの音声・歌声合成ソフトであるDiff-SVC、リアルタイム処理が可能なAIボイチェンRVCを紹介したとき、自分は記事タイトルに「驚異の」という形容詞を付けました。それでも学習には数十分の本人による音声データが必要で、そこまでのデータを用意するのは容易ではありません。それに対してVALL-E Xでは元データが3秒あれば本人に似た声を生成できるのです。

www.youtube.com 一番星はてのに推しの子のOPのアイドルを歌ってもらった。 この曲の「金輪際現れない一番星の生まれ変わり」という部分を聴いたときに、これをはてのに歌ってもらったら面白いなと思い、AIに歌ってもらう方法をいろいろと調べてなんとか公開することができた。ボーカロイド系を触るのが初めてなどころか、楽譜もほぼ読めないところから始めたのでクオリティは高くないけどやりたいことはできたのでよかったと思う。歌詞の打ち込みとか字幕を作るのは楽しかったのでまたやりたい。 ツールについて 楽譜ツールにMuseScore、歌声合成にNEUTRINOを使用している。NEUTRINOには別で調声ツールもあり、タイミングやピッチ、音量なども調整することができる。 なるほど、こんな風に作るのかとやってみて初めてわかり面白かった。 NEUTRINO自体AI学習で調声なしでもそこそこちゃんと歌って

オープンソースのAI声質変換（ボイスチェンジャー）ソフトウェア「RVC WebUI」が、日本語での表示に対応しました。 VITSという声質変換技術をベースにしたRVC（Retrieval-based Voice Changer）に、Webユーザーインタフェースを付加したのが「RVC WebUI」です。

音声合成ソフトの開発や販売を手掛けるSSS（仙台市）は3月16日、音声合成ソフト「VOICEVOX」用音源「九州そら」をリリースした。九州そらは、せりふを入力するだけで人間らしい“ささやき声”を出力できるAIだ。 VOICEVOXは、ドワンゴでAIの研究に携わっているヒホ（ヒロシバ）さん（@hiho_karuta）さんが開発した無料の音声合成ソフト。AI技術を活用して、人間らしい話し声を合成できる。イントネーションや話す速さなどの調整も可能。立体音声を制作できるソフトを活用すれば「ASMR動画」の制作にも使える。 九州そらはVOICEVOX用音源として初めてささやき声の合成に対応した。ソフトのダウンロードと利用は無料。「VOICEVOX：九州そら」とクレジットを記入すれば商用利用も無償でできる。 関連記事 「VOICEPEAK」と「CeVIO Pro」、 新しい音声・歌声合成製品はどこがす