Fish Audio

Fish Audioで最初に驚いたのは、テキストを貼り付けて何も調整せずに生成しただけで、他の製品とは明らかに違う自然さの音声が出てきたことです。 特に印象的だったのは、プロンプトに書いていない「え～」のような間が自然に挿入される点です。VOICEVOXやAivisSpeechでは文字列通りに読み上げるのが基本ですが、Fish Audioは文脈から「ここで間を取るのが自然だ」と判断して、人間が実際にしゃべるときのようなテンポで生成してくれます。イントネーションや抑揚も、機械的な定型パターンではなく、文の内容に合わせて変化します。 アクセントの手動調整機能はありません。ただ、調整が要らないレベルで最初から自然なので、「不自然さを直す」という作業自体が発生しませんでした。ナレーション・解説系の用途であれば、今回検証した6製品の中で最も人間らしい音声が出る製品です。

Fish Audioでは、「音声を生成する」ボタンを1回押すと、サンプルAとサンプルBの2パターンが自動的に生成されます。同じテキスト・同じ音声モデルでも、間の取り方や抑揚に微妙な違いがあり、好みのほうを選んでダウンロードできます。 これはVOICEVOXやAivisSpeechにはない設計です。他の製品では同じ設定で生成すればほぼ同じ結果が出ますが、Fish AudioのLLMベースのアーキテクチャでは生成のたびに微妙な揺らぎが入ります。ナレーション用途では「もう少し柔らかいトーンが欲しい」というときに、再生成やパラメータ調整をしなくても2つの選択肢が提示されるので、ワークフローとしては効率的です。 ただし裏を返せば、毎回同じ結果が出るわけではないということでもあります。完全に同一の音声を再現したい場合には向きません。

Fish Audioには「オーディオタグ」という機能があり、テキスト中に [興奮] [強調] [怒って] などのタグを埋め込むことで、音声の感情表現を指定できます。 特に便利なのは「強化する」ボタンです。テキスト入力欄の右下にあるこのボタンを押すと、文章の内容をAIが解析して、適切な感情タグを自動で挿入してくれます。例えばゲームの実況風テキストでは、[強調] [興奮して] [怒って] [くすくす笑い] [短い間] といったタグが文中の適切な位置に自動配置されました。 タグの種類は大きく2つあり、「感情的なトーン」（angry, sad, excited など音声全体のトーンを変えるもの）と「オーディオエフェクト」（laughing, sighing など効果音的な要素を挿入するもの）に分かれています。UI上のプリセットタグは英語表記ですが、実際に日本語テキストで試した感触としては、「強化する」ボタンで挿入される日本語タグのほうが効きやすいと感じました。また、感情的なトーン系のタグはしっかり反映されましたが、オーディオエフェクト系は2パターンのうち片方にだけ入ったり入らなかったりと、やや不安定な印象がありました。

ナレーション系では圧倒的な自然さを見せるFish Audioですが、感情の変化が激しいセリフ系テキストでは課題も見えました。 1つのテキストブロック内で喜びから悲しみへ感情が変化するような場合、全体のトーンが喜び寄りか悲しみ寄りに統一されてしまい、細かい感情の切り替わりが弱くなる傾向がありました。これは、LLMがテキスト全体の文脈から韻律を一括で決めるアーキテクチャの特性によるもので、「文脈を読む力」が強すぎることの裏返しです。 また、テキスト中の「....」（連続するピリオド）をLLMが過剰に解釈し、そこから先の音声が極端に低く暗いトーンに崩れるケースもありました。ホラーのように聞こえるほど極端な変化が起きることがあり、生成結果の安定性という点ではやや注意が必要です。感情タグをあらかじめ挿入しておくことである程度コントロールできますが、ナレーション系のようなタグ不要の自然さは期待しないほうが良いです。

Fish Audioには他の音声読み上げ製品にない2つの独自要素があります。 1つ目は「コミュニティ音声モデル」です。ユーザーが作成したボイスモデルがプラットフォーム上に200万以上公開されており、言語・性別・年齢・スタイルで検索して選べます。日本語フィルターで絞り込むと、「元気な女性」（161.7K使用）や「ふうか」（98.9K使用）などの人気モデルが並びます。VOICEVOXのずんだもんやA.I.VOICEの琴葉茜のような「公式キャラクター」ではなく、個人ユーザーが作成・公開したモデルを自由に使える仕組みです。 2つ目は「ボイスクローン」機能です。最短10秒の音声ファイルをアップロードするだけで、自分の声のAIモデルを作成できます。MP3・WAV・M4Aなど主要な音声形式に対応しており、その場でマイク録音することも可能です。無料プランでは録音上限が90秒ですが、有料プランでは210秒まで拡張されます。自分の声で大量のナレーションを生成したい場合、毎回録音する必要がなくなります。

無料プランの生成上限が非常に厳しい点は把握しておく必要があります。無料プランでは1回の生成あたり500バイト（日本語で約170文字）までしか入力できません。約200文字のテストプロンプトを入れた時点で上限を超え、生成できませんでした。無料プランで確認できるのはごく短いテキストの品質チェック程度で、実用的な長さのナレーション制作にはPlus（月額$11）以上のプランが必要です。 コミュニティ音声モデルの権利関係にも注意が必要です。コミュニティには有名人やキャラクターの声を模したモデルも公開されています。Fish Audio側は利用規約で「違法な使用について一切の責任を負わない」と明記しており、モデルの権利確認はユーザーの自己責任です。商用利用を考える場合は、自分の声をクローンしたモデルか、権利が明確なモデルのみを使用するのが安全です。 運営会社がグローバル分散型の構造である点も知っておくと良いでしょう。法人はアメリカ・デラウェア州のHanabi AI Inc.ですが、開発拠点は中国・深セン、ビジネス拠点が東京とシリコンバレーに分散しています。日本法人（HanabiAI株式会社）も東京都に登記されています。サービス継続性やサポート体制を気にされる方は、この運営構造を把握しておくと良いでしょう。