新清士の「メタバース・プレゼンス」 第33回

“YOASOBI風”の楽曲も　音声生成AIのやっかいな問題

Hrayr Movsisyan | Unsplash

　音声生成技術と言えばヤマハの「ボーカロイド」などが思い浮かびますが、今年大きな話題となったのが、4月に公開された中国製と思われる「RVC（Retrieval-based Voice Changer）」。RVCが画期的だったのは、2〜10秒くらいの音声を50パターンほど作れば学習ができてしまうこと。しかもクオリティが非常に高いということで、自分で音声を学習させてモデルを作るのがブームになり、そこから日本でも「音声販売」市場が急速に立ち上がりかけています。

自分の声を「音声モデル」として販売するマーケットの登場

音声生成AIブームのきっかけとなった「RVC（Retrieval-based Voice Changer）」

　たとえばピクシブの創作物の総合販売サイト「BOOTH」で検索すると、販売されているRVC用の学習済み音声モデルが約130件登録されています。たとえば「解説・実況・朗読向け」として音声を公開していたり、歌声対応も公開していたり。販売値段は、無料から数千円と幅がありますが、今のところBOOTHで販売されている音源は基本的にアマチュア的な傾向が高いようです。声優を目指している方が、二次創作として使ってほしいという目的で公開されている人もいるようです。特に、バーチャルYouTuberやVRChatなどで、自分の音声を変えたいというニーズがあったことがこうした市場の登場の背景になっています。

　精度の高い音声データさえきちんとそろえることができれば、数時間の学習プロセスで学習データを作り出すことができるわけです。

「BOOTH」でRVCを検索すると約130件の音声モデルがヒットする（記事執筆時）