【VOICEVOX】無料で高品質！VOICEVOXで音声素材の作り方解説

インストールは以下のサイトのダウンロードのボタンを押してソフトダウンロードしてください。

VOICEVOX | 無料のテキスト読み上げ・歌声合成ソフトウェア

無料で使える中品質なテキスト読み上げ・歌声合成ソフトウェア。商用・非商用問わず無料で、誰でも簡単にお使いいただけます。イントネーションを詳細に調整することも可能です。

voicevox.hiroshiba.jp

ダウンロード選択画面

• OS
  • Windows or Mac or Linuxを選択
• 対応モード
  • DirectML対応のGPUを搭載した WindowsPC と、Nvidia製GPU搭載の LinuxPC に対応しているので、対象のGPUを持っている方はGPU版が使えます。
• パッケージ
  • インストーラーを選択

GPUを使うときはデスクトップアプリを立ち上げた後、

設定 > オプション　
でエンジンモードをGPUに設定します。最初はCPUに設定されているので気を付けてください。

インストールしたVOICEVOXアプリを立ち上げると、左のような画面になっているか、またはテキスト入力画面だけが表示されているかもしれません。

テキスト入力欄にマウスをクリックすると左のように全体が表示されます。

テキスト入力欄の左側のキャラクターアイコンをクリックすると、選択できるキャラクター一覧表が出てきます。

スタイルも選択できます。

テキスト入力欄に直にテキストを入力。

または、上部メニュー
ファイル > テキスト読み込み
で、メモ帳などのテキストファイルをいっぺんに読み込むこともできます。

右の＋のボタンでテキスト入力欄を増やすことができます。

読み方を修正する方法

下の、アクセントなどが表示されてる文字の部分をクリックすると、ローマ字や、漢字などの読み方を変更することもできます。

画面右のパラメータを変更していきます。

どういう状況か。ゆっくりしゃべっているのか、怒って感情的になっているのか、など、その話し方を調整する感じです。（またはキャラクターのしゃべり方・口調の調整）

ちなみにこのパラメータはテキスト入力欄の一行ずつに適用されます。プリセットに登録して全体に適用する方法も後述します。

• 話速
  • 数値が大きいほど読み上げ速度が速くなります。
• 音高
  • 数値が大きいほど声が高くなります。感情が高ぶって高くなったり、あるいは怒りでドスが効いたような低い声になったり、と感情の表現に使われます。（自分は以前APIで使ってたときに小動物っぽいかわいい声を作りたくてここをよく調整してました。）
• 抑揚
  • 数値が小さいほど棒読みに近くなり、大きいほど抑揚がついて読み上げられます。無感情なキャラとか、方言をしゃべってるかのようなキャラとか作れます
• 音量
  • 音声の音量の調整
• 間の長さ
  • 文中の無音の長さを変更できます。「、」などの間の長さが調整できます。
• 開始無音・終了無音
  • 音声の先頭や末尾の無音の長さを変更できます。

上部メニュー
設定 > オプション > 操作
プリセット機能をONにすると、調整したパラメータをプリセットとして登録することができます。

これで何回もパラメータの調整をしなくてもプリセットを登録することで、同様のしゃべり方をさせることができます。

日本語のアクセント

例えば、「箸」と「橋」はアクセントの位置が違います。日本語の「アクセント」というのは、英語のように強く発音する場所ではなく、音の高さ（ピッチ）の変化がポイントになります。最初に音が高いのが「箸」。最後に音が高くなるのが「橋」です。

ちなみに、自分は音痴というか音の高低がよくわかりません。でも、単語って５文字程度のものが多いので、どの部分が高いかは、５択くらいで試してみたら結構当たります。

画像の中に、緑の●があると思うんですが、そこがアクセントの位置になるので、ちょっと発音違うな―って思ったら移動させてみてください。

例えば、「悪銭身に付かず」というテキストを入れてみます。

すると、最初にAIが間違えて
「あくせんみに」「つかず」という切り方をしていて、発音がおかしくなっています。

これを修正していきます。

単語を切る

アクセン　と　ミニ　の間をクリックして、ワードを切ることができます。

単語をつなげる

逆に、離れたワードをくっつけることもできます。ミニ　と　ツカズ　のワードの間をクリックするとつながります。

アクセントの位置を変える

「身に付かず」は「に」にアクセントがある気がするのでそこにアクセントを変更します。こういう流れで大体はうまくいきます。

上部メニュー
設定 > オプション > 実験的機能
疑問文を自動調整をONにしてみると疑問文のような音声に近くなります。

「？」をつけて、疑問文にしてテキストを打ち込みます。

例えば「おなかがすいてるの？」と入れてみました。すると、だいぶ最後の音を伸ばすようになっています。これを少し短くします。

また、自分が思うにイントネーションも最後の文字が少し音が高い気がするので、ほんの少し下げたりして調整します。

修正前

修正後

• 全体の流れを見る
  • 人のしゃべる声ってリズムがあるので、それを意識してみてください。例えば左側の画像でも、音程がグラデーションに変化していくというか、連続的に変化していますよね。音の高低を変化させるときも、この流れの中で違和感なく変化させることが重要になってきます。
• 変更する範囲は小さく
  • 全体を動かそうとすると地獄になります。かなり難しいので５文字以内とか、最後の部分だけとか、範囲をせばめてそれ以上はなるべく動かさないようにした方がいいです。（どこか一文字だけ、ちょっと高くしたり低くしたら直った、みたいになったらいいな…くらいでまず一文字変えてみるとか。）
• 高低の範囲も小さく
  • 多くの場合、高低を変更するとき、本当に微妙な調整になることが多いと思います。たとえば、6.01から6.05へとか。大きく変更しても音が外れることが多いです。

音感が無いけどどうしてもこだわりたい！！そういう根性のある方は、やってみますか。音感トレーニング。次のリンク先に良さそうな動画があったので、紹介しておきます。

• オ
  • NOの「オ」です。母音の場合は１音として長さを調節できます。今は「ノォ」のような発音ですが、この数値を上げていくと、「ノォォ」という風に伸ばすことができます。
• 「、」
  • 読点です。間をあけたいときは「、」やスペースを打つと、間が空きます。この間の長さも調節できます。
• ダ
  • 最後の「なのだ」の「だ」です。母音と子音があるときは●が半分に割れて、左側（子音）と右側（母音）にわかれて長さが調節できます。
  • この場合母音の「A」の音が長めになっています。「なのだ（ァ）」みたいにちょっと息が出て終わるような感じです。
  • 最後を「なのだ！」のように勢いよく切りあげたい場合はこの数値を下げます。

上部メニュー > ファイル　を開くと書き出しやデータ保存のメニューが出てきます。よく使う機能だけ解説します。

音声書き出し

• 音声書き出し
  • プロジェクトにあるセリフを全て書き出します。フォルダを指定すると、その下に一行ずつ書き出してくれます。
• 選択音声を書き出し
  • 選択されたセリフ１つだけの音声データを書き出します。