ボイスクローン

人工知能の声のクローンは、ディープ・ラーニングを用いて短い音声サンプルから人間の声を複製します。クローンされたら、元の話者のように聞こえる新しい声を生成できます。最近のモデルは、5秒の参照音声しか必要としません。

Chatterbox は感情制御を備えた最良のゼロショットクローンを提供します。CosyVoice 2 は多言語クローン (8 言語) に最適です。GPT-SoVITS は5秒のオーディオで優れています。OpenVoice は細かいスタイル制御を提供します。

ほとんどのモデルは 5-30 秒の明瞭なオーディオで動作します。長いサンプル (60 秒まで) は一般的により良い結果をもたらします。オーディオはクリアで、単一スピーカーで、背景音楽やノイズがありません。

使用許可がある声のみをクローンしてください。これには、自分の声、同意した個人の声、または適切なライセンスのあるソースからの声が含まれます。未許可の声のクローンは、あなたの司法管轄区域の法律に違反するかもしれません。

はい! CosyVoice 2 や GPT-SoVITS のようなクロス言語音声クローンモデルは、クローンされた音声のアイデンティティを保持しながら、異なる言語の音声を生成できます。これはダビングやローカライゼーションに役立ちます。

バックグラウンド音楽やノイズがなく、一つのスピーカーでクリアに録音し、自然な音声を一定のボリュームで録音してください。ささやき、叫び声、高度に処理されたオーディオを避けてください。WAV または FLAC フォーマットで 16kHz 以上で最良の結果が得られます。

声の所有者の同意を得たり、自分の声を使ったりすると、声のクローンは合法です。多くの司法管轄区域では、声の類似性の権利を保護する法律がある。他人を偽造するために声をクローンしたり、ディープフェイクを作成したり、詐欺を行ったりはしないでください。他人の声をクローンする前に常に適切な許可を得てください。

Yes, on a paid plan, as long as you have the rights to the reference voice. This includes your own voice, hired voice actors who consent, or properly licensed voice samples. Audio generated on a paid plan can be used in products, videos and applications, and upgrading also covers audio you made earlier on the free tier; free-tier audio is for personal, non-commercial use. On every plan, cloning models marked "Personal and non-commercial use only" in the model picker, such as Spark TTS, are excluded: their authors allow non-commercial use only.

はい、登録したユーザはクローンされた音声プロファイルを自分のアカウントに保存できます。一度保存すれば、クローンされた音声を将来の世代で再利用できます。参照音声を再アップロードする必要はありません。これはあなたのアカウントの「私の音声」セクションで利用できます。

Chatterbox のようなモデルはクローン音声で明示的な感情コントロール (幸せ、悲しみ、怒りなど) を提供します。他のモデルは参照音声から一般的な音調とスタイルを捕捉します。最良の感情伝達のためには、参照サンプルに表現力のある音声を含めてください。

音声クローンは通常、モデルとテキストの長さに依存して 3-10 秒かかります。 Chatterbox と GPT-SoVITS は高速クローンに最適化されています。最初の生成は、モデルが参照音声を処理するために少し時間がかかるかもしれません。

音声クローンは Chatterbox や Tortoise のようなモデルでは 4x 文字でプレミアムの値段を設定しています。無料アカウントは登録時に 15,000 文字を受け取ります。CosyVoice 2 のような標準のクローンモデルは 2x 文字を使用します。