声を「もうひとつ」持てる時代になっていた

声って、意外と不自由だった

文章は、好きな時間に書けます。

深夜でも、子どもが寝た後でも、思いついたときにスマホでメモして、あとから整えることもできる。
でも「声」は、そうはいかなかった。

動画のナレーションを入れたいと思っても、静かな環境が必要です。
子どもが起きている時間はむずかしい。
今の環境なら近所迷惑の心配は少ないけど、それでも「今この瞬間、録れるか」と言われると、タイミングを選ぶ。

しかも声は、撮り直しが効きにくい。
噛んだらやり直し。
テンションが違ったらやり直し。
文章ならBackspaceひとつで消せるのに、声はそうはいかない。

声って、こんなに不自由だったんだなと、ずっとぼんやり感じていました。

「30秒で声をコピーできる」

そんなことを考えていたとき、Voiceboxというアプリを見つけました。

オープンソースで、ローカルで動く音声合成アプリ。
30秒の音声サンプルから、自分の声をクローンできるらしい。

最初は半信半疑でした。
30秒？
　それだけで？

でも調べてみると、Alibabaが開発した最新の音声モデルを使っていて、500万時間以上の音声データで学習されているとのこと。
日本語にも対応している。

しかも無料で、音声データが外部に送信されることもない。
全部、自分のPCの中で完結する。

声の「分身」ができるということ

もし本当に自分の声をクローンできたら、何が変わるんだろう。

台本を書けば、自分の声で読み上げてくれる。
深夜でも早朝でも、いつでも「収録」できる。
静かな環境を確保する必要もない。
テキストを修正すれば、声も自動的にやり直してくれる。

文章と同じように、声も「書き直せる」ものになる。

これって、声の不自由さから解放されるということかもしれません。

ちょっとゾクッとした

同時に、少しだけ怖さも感じました。

自分の声が、自分のいないところで喋っている。
それは便利だけど、戸惑いもあります。
声って、自分そのものだと思っていたから。

でも考えてみれば、文章だってそうです。
私が書いた文章は、私がいなくても読まれる。
私が寝ている間にも、誰かが読んでいるかもしれない。
声も、同じことができるようになっただけなのかもしれません。

試してみた

インストールして、マイクで30秒ほど話して、ボイスプロファイルを作りました。

最初はうまくいきませんでした。
マイクの音量が大きすぎて音割れしたり、ファイルの読み込み方がわからなかったり。
「こういうものは、説明書通りにすんなりいくことのほうが少ない」と、最近学んだことを思い出しました。

でも、なんとかプロファイルが完成して、テキストを入力して、生成ボタンを押して。

再生された声は、完全に私でした。

自分の声なのに、自分が話していない。
画面の中から、自分の声が聞こえてくる。

嬉しいような、ちょっとゾクッとするような。

GPUがなくても

ひとつわかったことがあります。
私のPCにはNVIDIA GPUが入っていませんでした。
Intel UHD Graphicsという、いわゆる内蔵グラフィックスだけ。

「じゃあ使えないの？」と一瞬焦ったけど、CPUだけでも動きました。
遅くなるだけで、機能は全部使える。

高いグラフィックボードがないと始められない、ということではなかった。
それだけで、ちょっとホッとしました。

漢字が苦手らしい

ひとつ気づいたのは、漢字の読み間違いがあること。

まだどんなパターンで間違えるのかはわかっていないけど、ひらがなに変換すれば回避できそうです。
完璧じゃない。
でも、完璧じゃなくても使えるものってたくさんあります。

声を「もうひとつ」持った日

この記事のタイトルを、そのまま実感しています。

声を、もうひとつ持てた。

深夜でも、子どもが寝た後でも、テキストを打つだけで「私の声」が生まれる。
録音ボタンを押す緊張感もない。
噛んでやり直す必要もない。

まだ使いこなせてはいません。
タイムラインエディタもストーリーエディタも、まだ触っていない。

でも、声の不自由さから少しだけ自由になった気がしています。

かなえ

個人開発を応援する非エンジニア

婚約破棄をきっかけに、29歳で未婚の母になると決めました。
不安と向き合いながら、10年かけて働き方を少しずつ作り変えてきた40代です。

AppSheetやGASを独学で覚え、いまはAIを使った個人開発を毎日続けています。
個人開発を応援する非エンジニアとして、等身大の試行錯誤や、子育て・自立・副業のことを、正直に記録しています。