VOICEPEAK

VOICEPEAKにテキストを貼り付けて再生した瞬間、VOICEVOXやAivisSpeechとは一段違う自然さを感じました。その理由は、アクセントとは別に「イントネーション」というパラメータが存在し、テキストを入力した時点で各単語に対して適切な値が自動設定される点にあります。 アクセント編集画面では単語ごとの高低パターンが表示されますが、イントネーション編集画面に切り替えると、さらに細かい音の上下の曲線が表示されます。この曲線がテキスト入力だけで自然な形に設定されるため、ベタ打ちの状態でも違和感の少ない発音になります。VOICEVOXやAivisSpeechにはこのイントネーション層がないため、ここがVOICEPEAKの発音の自然さを支えている要因だと感じました。

右側のパネルには「幸せ」「楽しみ」「怒り」「悲しみ」の4つの感情スライダーがあり、数値を変更するとイントネーションの曲線がリアルタイムで変化します。例えば「幸せ」を上げると語尾のイントネーションが上がり、「悲しみ」を上げると全体的にトーンが沈みます。 感情パラメータは複合設定にも対応しており、「幸せ」と「怒り」を同時に上げるといった操作も可能です。実際に試すと、確かに複数の感情が混ざった読み方になっていると感じました。A.I.VOICEにも感情パラメータがありますが、VOICEPEAKではイントネーションの曲線まで連動して変化するため、感情の反映がより自然です。 また、感情設定はプリセットとして保存でき、プロジェクト全体に一括適用することもできます。長尺のナレーションでトーンを統一したい場合に便利です。

VOICEPEAKの発音調整は3つの層に分かれています。 アクセント編集では、単語ごとの高低パターンを変更できます。イントネーション編集では、音の上下の曲線をドラッグで細かく調整できます。長さ編集では、各音素の発音時間を個別に伸縮でき、句読点のポーズ長も調整可能です。 これら3層がすべてテキスト入力時に自動設定されるため、通常はほとんど手動調整が不要です。ただし「もう少しここを強調したい」「この句読点の間を長くしたい」といった微調整が必要な場合には、該当する層に切り替えて直感的に操作できます。 さらに辞書登録機能もあり、固有名詞や専門用語の読み方とアクセントを登録しておけば、以降は正しく読み上げてくれます。

VOICEPEAKは買い切り型のインストールソフトで、月額課金は不要です。「商用可能 6ナレーターセット」には女性3名（若守みづき・野宮佳乃・藍沢歩実）、男性3名（加瀬英臣・紙本瞬・柊一希）、そして女の子（立石みこ）の計7ボイスが収録されています。 各ナレーターは声優名と声の特徴が公開されており、用途に合わせて選べます。例えば女性1は「息づかいが感じられる、やや高めでやわらかく優しい声色」、男性1は「ハスキーな声質で、素直なイントネーションが特徴」といった形で、選択の指針が明確です。 Windows・macOS・Linuxに対応しています。ブラウザ版はなく、インストールが必要です。

数字と助数詞の組み合わせで読み間違いが頻発する点は、ビジネス用途では大きな注意点です。検証では「ものの5分」を「もののごぷん」（正：ごふん）、「11時間30分」を「じゅういちじかんさんじゅうぷん」（正：さんじゅっぷん）、「約340グラム」を「やくさんびゃくよんじっぐらむ」（正：さんびゃくよんじゅうぐらむ）、「税込39,800円」を「ぜいこみさんじゅうきゅう、はっぴゃくえん」（正：さんまんきゅうせんはっぴゃくえん）と読み上げました。特にカンマ入りの金額は桁区切りではなく文の区切りとして解釈されてしまいます。回避するにはテキストをひらがなに手動で書き換えるしかなく、辞書登録でも数字と助数詞のパターンが多すぎて対処しきれません。商品紹介や企業動画など数字が頻出するナレーション原稿では、書き換えの手間を見込んでおく必要があります。なお、同じテキストをFish Audioで生成した場合はすべて正しく読み上げられており、LLM型とのアーキテクチャの差が顕著に出るポイントです。 体験版では100文字・5ブロック・ナレーター2名（女性1・男性1）の制限があります。本検証では体験版で実施したため、全7ナレーターの声質比較や長文テキストでの検証は行えていません。 音素ベースの製品としてはイントネーション自動設定により最も自然な発音を実現していますが、Fish AudioのようなLLM型が生成する「間の取り方」「息遣い」「テンポの揺らぎ」といった人間のリアルさとは別軸の自然さです。VOICEPEAKの自然さは「不自然さが解消されている」ことであり、LLM型の自然さは「人間らしさが再現されている」ことです。用途によって適した製品が異なります。