音声クローン
少量の音声データから特定の話者の声を再現する技術。任意のテキストをその声で読み上げさせることができる。AITuber のオリジナルキャラクター音声、ナレーション、吹き替え等に使われる。
2 つのアプローチ
TTS モデル学習型
音声データから直接 TTS（Text-to-Speech）モデルを学習し、テキスト → 音声を生成する。
音声データ（5分〜3時間）
↓ 学習
TTS モデル
↓ テキスト入力
クローン音声を生成- テキストから直接音声を生成。入力はテキストのみ
- 学習データ量と品質がそのまま出力品質に影響
- 感情やイントネーションの制御が可能な場合がある
声質変換型（Voice Conversion）
既存の TTS で生成した音声を、リアルタイムに別の声に変換する。
テキスト → VOICEVOX 等で音声生成 → RVC 等で声質変換 → クローン音声- 元の TTS の発音・イントネーションを維持しつつ声だけ変える
- パイプラインが 2 段になるためレイテンシが増加
- 学習データは少なくて済む（数分で可能な場合あり）
主要なツール・サービス
クラウドサービス
ElevenLabs
多言語対応のクラウド TTS + 音声クローン。品質は最高クラス。
| クローン方式 | 必要音声 | 品質 | 所要時間 |
|---|---|---|---|
| Instant Voice Cloning | 1〜5 分 | 良い（プロトタイプ向き） | 数秒 |
| Professional Voice Cloning | 30 分〜3 時間 | 非常に高い（商用品質） | 数時間〜 |
- 32 言語以上対応。クローン音声でも自動的に多言語で発話可能
- API あり（Pro プラン $99/月〜）
- 同意なき他人の声のクローンは禁止
料金:
| プラン | 月額 | クレジット | 音声クローン |
|---|---|---|---|
| Free | $0 | 10k | なし |
| Starter | $6 | 30k | Instant のみ |
| Creator | $11 | 121k | Professional 可 |
| Pro | $99 | 600k | Professional + API (44.1kHz) |
| Scale | $299 | 1.8M | Professional ×3 |
AITuber 用途で API を使うなら Pro ($99/月) から。従量単価は約 $0.17/分。
ローカル実行（TTS モデル学習型）
Style-Bert-VITS2
- 5〜30 分の音声データからカスタム TTS モデルを学習
- GPU 必須（VRAM 8GB 以上）。学習に数時間
- 推論速度: GPU ありで 100〜300ms
- 日本語に特化。感情表現が自然
- ランニングコスト ¥0
COEIROINK
- VOICEVOX のフォーク的存在
- 自作音声モデルの追加に対応
- API 互換あり
ローカル実行（声質変換型）
RVC (Retrieval-based Voice Conversion)
- 数分の音声データで声質変換モデルを学習可能
- リアルタイム変換対応
- VOICEVOX 等と組み合わせ: テキスト → VOICEVOX → RVC → 出力
- パイプラインが 2 段になりレイテンシが増加
比較表
| ツール | 方式 | 実行形態 | 必要音声 | 多言語 | コスト | レイテンシ |
|---|---|---|---|---|---|---|
| ElevenLabs (Instant) | TTS 学習 | クラウド | 1〜5 分 | 32 言語+ | $99/月〜 | ネットワーク依存 |
| ElevenLabs (Pro) | TTS 学習 | クラウド | 30 分〜3 時間 | 32 言語+ | $99/月〜 | ネットワーク依存 |
| Style-Bert-VITS2 | TTS 学習 | ローカル | 5〜30 分 | 日本語特化 | ¥0 | 100〜300ms |
| COEIROINK | TTS 学習 | ローカル | 要確認 | 日本語 | ¥0 | VOICEVOX 同等 |
| RVC | 声質変換 | ローカル | 数分〜 | 言語非依存 | ¥0 | 200〜500ms（2段） |
AITuber 用途での選択指針
| 要件 | 推奨 |
|---|---|
| 日本語オンリー、GPU あり | Style-Bert-VITS2（コスト ¥0、高品質） |
| 日本語オンリー、手軽に始めたい | VOICEVOX プリセット → 後で Style-Bert-VITS2 に移行 |
| 多言語配信、最高品質 | ElevenLabs Professional（月額 $99〜） |
| とにかく安く既存の声を変えたい | RVC + VOICEVOX |
→ コスト試算の詳細は AITuber 配信コスト構造 を参照
倫理・法的注意
- 同意のない声のクローンは禁止。ElevenLabs はじめ主要サービスが明示的に禁じている
- 日本では肖像権・パブリシティ権の議論あり。声そのものの法的保護は未整備だが、商用利用には注意が必要
- ディープフェイクとの境界。AI 生成音声であることの開示が求められるケースが増えている
押さえどころ（カード化候補）
- 音声クローンの 2 アプローチ → TTS モデル学習型（テキスト → 音声を直接生成）と声質変換型（既存 TTS の出力を別の声に変換）
- ElevenLabs の 2 つのクローン方式 → Instant（1〜5 分の音声、数秒で完了、プロトタイプ品質）と Professional（30 分〜3 時間の音声、商用品質）
- ElevenLabs の多言語対応 → 32 言語以上。クローン音声でも自動的に多言語で発話可能。日本語対応
- AITuber で日本語オンリーなら → Style-Bert-VITS2（ローカル、GPU 必須、コスト ¥0、高品質）が最もコスパが良い
- RVC の特徴 → 声質変換型。VOICEVOX 等の出力をリアルタイムに別の声に変換。学習データ数分で可能だがレイテンシが 2 段分増加
- 音声クローンの倫理 → 同意のない声のクローンは禁止。AI 生成音声の開示義務が拡大傾向。日本では声の法的保護は未整備だが商用利用は注意
Links
関連
- style-bert-vits2 — ローカル TTS モデル学習型の代表
- VOICEVOX — プリセットキャラ TTS（クローンではないが組み合わせで使う）
- aivishub — AivisSpeech のクラウド版 TTS
- AITuber 配信コスト構造 — TTS コスト比較を含むコスト分析