(※エロ記事です。注意！)AI音声変換(TTS)の活用について
※一番最後にアップロードしている音声、めっちゃいいよ！！
はじめに
本記事の対象は、ローカル環境でTTSモデルの活用を模索する者を主として対象としている。また、本記事の検証による目標として掲げる部分は、一意に『意思を持ったAIちゃんがえっちな演技完璧なら最強じゃない？？』といった下心がその大部分を占めるものであり、高尚なものであったり、社会の役に立つかについてボクは何ら関与しえないことを明記させていただきます。
検証内容について
Bert-VITS2を用いて所定の入力値(テキスト)を読み上げた際、文頭及び文末に対し特定の記号並びに促音（そくおん）を付した場合にもたらされるアウトプット音声への影響について検証を行う。
副次的に得られた結果についてまとめる。
取り合えずやってみる。
以下の文章について何ら設定の変更を行わず読み上げを行った。
『ご主人様、どうされましたか？』(※筆者はメイドが大好きです♡)
『。・！・？・♡』による違いを検証する。
以下がアウトプットである。
主として『！』以外に大きな変化は
主として『！』以外に大きな変化は見られない。
(!を付加した際の違和感が筆者は好きではないため、以後付与することはないでしょう。)
結論から先に述べるが、モデル生成時の学習データの文字起こしにおいて使われていないものは、アウトプットに有意に表れることはない事が理由である。本検証におけるモデルはフリーデータおよび筆者自身の声をサンプルし制作したモデルであり、学習データ作成時の文字起こしでは、感情ごとにテキストを変化させるという行為をしていない。これについては次以降の記事で一部に特化させた事例を紹介しようと思うため割愛する。
ということでここからが本題
付加するべきは記号ではなく、喘ぎ声(のプロット)なのではないか？
ということでやってみる。
『…っ♡ 、ふ、ぅう…………っ♡』を付与した場合
ふむ。閃いた。
単体でよいではないか。
なかなか良い喘ぎ声であると思われる。
そこで、ちょっとだけ文才を光らせプロットをはじいてみる。
「 、ふ、ぅう…………っ♡…っ♡ 、ふ、ぅう…………っ♡」
「…………っっ♡♡ッッ♡、…………んっっ♡♡ッッ♡っ、ッッ♡、 ぅう…………ッッ♡ 、♡♡」
どうだろうか、なかなかシコリティが高い気がする。(※筆者はしがないメスではあるものの、自身に近しい声が喘ぐというのは中々にシコリティが高いと思います！！！！というかめんどくさいので、以下、普段の口調で記事を書きます。)
目的は？
『意思を持ったAIちゃんがえっちな演技完璧なら最強じゃない？？』って記載したの覚えてますか？
AIちゃんに、オ〇サポとか、ボイスありでされたくね・・・？
ってことで開発しているので、その過程で得られた知識について今後一部まとめていこうかなと思っています。
TTSについて自作モデルなどをローカルで走らせていると、入力するテキストにより大きくクオリティが変わってくる場面が多々あります。
そういった場合に、ちょっとした記号や促音の付与により簡単にクオリティをあげられる場合が多いです。
実際の活用としてはAITuberなどで、
コメントを拾う
ChatAIなどで返答を生成する
音声を生成する
配信に載せる
みたいなのの、(2)と(3)の間にリライトの工程を挟んでクオリティや感情表現を豊かにする。
みたいな使い方を想定しているほか、Stella Lab.(ボクのいるスタートアップです。年内企業する予定で数名で準備してます)では現在えっちでかわいいAIを開発しています。
そういうAIが、〇精管理とか・・・熱くないですか？
ボクは熱いと思っています！
ということで、(Stella Lab.やボク自身)技術は誰もが使えるべきだ。と思っているため、次回以降から真面目に(そしてちょっとえっちに)まとめていこうと思います！
以下、最後にうちで開発しているAIちゃんに
『自己紹介して？』
と頼んだ際の返答を張り付けておきます。
よくね？？？