VOICEVOXかAivisSpeechか?読み間違いと待ち時間で選ぶ

|著者: QUASA編集チーム|2 分で読めます
VOICEVOXかAivisSpeechか?読み間違いと待ち時間で選ぶ

漢数字を含む原稿をそのまま音声化し、読みの修正を減らしたいならVOICEVOXが有力だ。CPUだけで短い返答を生成するなら、最初の音が出るまでの速さではAivisSpeechも候補になる。ただし、速さの順位は機材で変わり、読みの優劣も限られた文での結果だ。

動画ナレーションでは誤読を直す手間と声の仕上がり、会話音声では返答の待ち時間が効く。継続して公開する音声なら、VOICEVOXのキャラクターごとの条件と、AivisSpeechで使うモデルの条件も選択に含めたい。

同じ機材で測ると、読みと初動はどう違うか

日本語音声合成の公開測定は、Ryzen 7 9700XとRTX 5070 Tiを備えたWindows機で、天気を伝える共通の文を入力してから最初の音が出るまでを測った。VOICEVOXとAivisSpeechの速度値は、それぞれ3回の中央値である。読みは天気、予定、タイマーなどの6文を使い、生成音声の文字起こしとエンジン内部の読みを突き合わせている。

  • GPU使用時の最初の音は、VOICEVOXが0.24秒、AivisSpeechが0.32秒。VOICEVOXが0.08秒早かった。
  • CPUだけの場合は、VOICEVOXが1.35秒、AivisSpeechが0.76秒。AivisSpeechが0.59秒早く、順位が逆転した。
  • 対象の6文ではVOICEVOXに確認された読み間違いがなく、AivisSpeechは「十時」「三分」を含む表現を誤読した。

この待ち時間は、入力後に最初の音が出るまでの値だ。アプリの起動、長い原稿の書き出し、次の文を続けて再生するときの間まで含めた制作時間ではない。動画をまとめて書き出す人と、一文ずつ返す会話ボットを作る人では、同じ秒数でも重みが違う。

測定は特定のWindows機と文に限られる。差を製品全体の速度順位として扱うと、Macや小型機器での判断を誤りやすい。一方で、GPUの有無によって候補が入れ替わるという事実は、使用機材を決めずに声の印象だけで選べない理由になる。

漢数字の誤読は原稿修正にどれだけ響くか

公開測定でAivisSpeechが外したのは、漢数字を含む具体的な表現だ。「十時から」は「とときから」、「三分」は「さんぶ」と読まれた。同じ記録では「十時」を「10時」に変えると「じゅうじ」と読めたため、数字を算用数字にそろえられる原稿なら、この種類の修正を減らせる可能性がある。

受け取った台本を大量に音声化する仕事では、数字の書き換えも制作工程になる。予定時刻や所要時間が頻出する原稿なら、生成後に聞いて直す時間を見込む必要がある。自分で台本を編集する動画なら、表記を統一してから声の雰囲気を選ぶ余地が大きい。

VOICEVOXの誤読なしという結果も、対象になった文についてのものだ。固有名詞、地名、同じ漢字で読みが変わる語まで正しく読むと保証する結果ではない。読みの修正方法としては、VOICEVOXには単語を辞書へ登録する機能があり、AivisSpeechにも辞書登録と読み方・アクセントの調整が用意されている。原稿をどこまで編集できるかで、生成後の直しやすさも変わる。

声の自然さと調整範囲をどう見るか

録画済みのナレーションでは、聞き直して抑揚を直す時間を取れる。会話音声では、自然な声でも返答が遅れたり、文と文の間が空いたりするとテンポが変わる。声質と待ち時間を別々に評価したいのは、この制作上の違いがあるためだ。

会話音声の聞き比べ記録では、VOICEVOXは反応が速く、話速・高さ・抑揚を細かく調整できると評価された。一方、AivisSpeechの声には自然さへの期待が示されたものの、その筆者の小型機器では話し始めと文の間の待ちが長かった。先のWindows機の測定とは機材も確認方法も異なるため、両方の感想を一つの速度値にはまとめられない。

VOICEVOXではイントネーションを細かく整えられるが、短いあいづちなどで不自然さが残る場合もある。AivisSpeechは声の印象だけでなく、文ごとの話速、テンポ、前後の無音、読み方、アクセントも調整できる。動画の説明文と会話の短い返答では求める話し方が違うため、自然さの評価も用途に結び付けて考えるのが妥当だ。

商用利用では何を表示し、何を確認するか

VOICEVOXの公式案内は、ソフトを商用・非商用とも無料で使え、イントネーションを細かく調整できると示している。ただし、ソフトが無料であることと、生成した音声を公開するときの条件が同じとは限らない。

VOICEVOXの公式Q&Aによると、生成音声はクレジット表示を条件に商用・非商用で使用でき、キャラクターごとの利用規約も確認する。動画なら概要欄や映像内に表示できる。音声だけを流す場合には冒頭または末尾での音声クレジットなどが案内されており、採用するキャラクターの規約に指定があればそちらを優先する。

AivisSpeechの公式案内では、ソフト本体は個人・法人、商用・非商用を問わず無料で使え、本体のクレジット表示は義務ではない。基本機能も無料で提供される。ただし成果物の条件は使用する音声合成モデルのライセンスによる。クレジットが不要なモデルでも、商用利用の可否を別に確認する必要がある。

継続案件で管理する単位も異なる。VOICEVOXでは使ったキャラクターとクレジットの表示先、AivisSpeechでは使ったモデルとそのライセンスを、納品物に対応付けておくと条件を追いやすい。複数の声を使い分けるほど、この記録の手間はソフト利用料とは別の制作コストになる。

公開料金で計算すると、使用量で差は出るか

2026年11月14日に確認した公開料金による試算。前提は、両製品のローカル版の無料機能を既存のPCで使い、有料の追加機能や素材を購入しないこと。期間は各1か月、通貨は円で、ソフト利用料0円に対する税額も0円とする。PC代、電気代、原稿修正や編集の人件費は含めない。

  • 個人の短い動画:月5,000文字を合成する想定。ソフト利用料はVOICEVOXが0円、AivisSpeechが0円。
  • 定期的なナレーション:月4万文字を合成する想定。ソフト利用料はVOICEVOXが0円、AivisSpeechが0円。
  • 複数案件の制作:月30万文字を合成する想定。ソフト利用料はVOICEVOXが0円、AivisSpeechが0円。

これは文字数に応じた有料プランを購入しない場合の計算であり、大量の音声を同じ時間内に処理できるという意味ではない。ここで参照したローカル版の案内には、上記の文字数での処理速度や、一度に扱える原稿量を保証する数値は示されていない。制作量が増えるほど、料金の差よりも生成を待つ時間、誤読の修正回数、利用条件の管理が実際の負担を左右する。

動画、会話ボット、量産案件での選び分け

漢数字を含む動画ナレーションを原稿に近い表記のまま仕上げるなら、VOICEVOXを先に検討したい。公開測定の読みの結果に加え、細かなイントネーション調整が理由になる。AivisSpeechの声を選ぶ場合は、数字を算用数字にそろえられるかどうかが、後の修正量に関わる。

会話ボットでは、実際に動かす機材での初動と文の間の空白が重要だ。公開測定のWindows機ではCPUだけならAivisSpeech、GPU使用時ならVOICEVOXが先に音を出した。一方、小型機器での聞き比べはAivisSpeechの待ちを課題としている。機材の違う結果を混ぜず、運用環境に近いほうを判断材料にする。

量産案件では、両製品ともローカル版の基本機能を無料で使えるため、文字数を増やすだけではソフト利用料に差が付かない。原稿を直せないなら読みの安定性を、声の印象を優先するなら修正工程を重く見る。公開後の条件管理では、VOICEVOXはキャラクターと表示方法、AivisSpeechはモデルのライセンスが中心になる。

関連記事:

共有:

ニュースレターを購読

Web3、AI、暗号資産の最新ニュースを受信箱にお届けします。

0