声の裏側：AIはどのように感情を音声に反映するのか
ニューラル音声合成（テキスト読み上げ）は、合成音声が文章を読み上げると、たいていの場合は人が読んでいるように聞こえる段階に達しました。より難しいのは、「その内容を本気で言っている人」のように聞かせることです。良い知らせには温かく、悲しい一文では静かに、からかいの言葉では軽やかに。この記事では、感情を理解する音声パイプラインがどのように設計されるのかを解説します。テキストがどのように音声になるのか、システムがテキストから感情のトーンをどう推定するのか、そのトーンがどのように音声設定へ変換されるのか、そしてこのアプローチがどこで限界にぶつかるのかを見ていきます。
AINudeGirlsでの現状： 現在、プラットフォームに音声機能はありません。AIモデルは話しませんし、音声通話もありません。AI音声通話は公開ロードマップに2027年第2四半期を目標として掲載されています。以下の内容はすべて、その将来の機能に関する設計解説であり、今すぐ使えるものの説明ではありません。現在利用できる機能を確認したい場合は、画像ジェネレーターまたは動画ジェネレーターからお試しください。
---
テキスト読み上げの仕組み（基礎）
大まかに言うと、最新のテキスト読み上げ（TTS）は、テキストを3つの段階で音声に変換し、そのすべてをニューラルネットワークが担います。
1. テキスト解析：入力テキストを音素、韻律マーカー、文構造といった言語単位に分解します。どの音節に強勢を置き、どこで間を取るかをシステムが決めるのはこの段階です。
2. 音響モデリング：ネットワークが各セグメントの音響特性（ピッチ、長さ、エネルギー、スペクトル特徴）を予測します。
3. 波形生成：ボコーダーがそれらの音響予測を実際の音声波形に変換します。
現在のニューラルTTSは、以前の世代のロボットのような声とはかけ離れています。しかし、「テキストを読み上げる人間のように聞こえる」と「何かを感じながら話す人間のように聞こえる」の間には、まだ隔たりがあります。感情を理解するパイプラインは、上記の3段階の上に重なり、その隔たりを縮めるためのものです。
---
声はどこから来るのか：プロバイダーの選択肢
音声出力を構築するプラットフォームは、どこで音声を合成するかを決めなければなりません。一般的なカテゴリーは3つあり、それぞれトレードオフが異なります。
ホスト型の汎用TTS
- 概要：大手ベンダーが提供するクラウド型ニューラルTTSサービスで、多くの言語やアクセントにわたる多数の音声を用意しています
- 品質：モデルが学習時に習得した韻律による、クリアで自然な発話
- 制御性：限定的です。音声と話速は選べますが、感情表現を細かく制御することはできません
- 向いている用途：自然でニュートラルな読み上げで十分な日常的な発話
表現力特化型の音声API
- 概要：表現力豊かな合成音声のために特別に構築されたサービスで、個性の異なるキャラクタープロファイルを備えています
- 品質：3つのカテゴリーの中で最も豊かな感情表現の幅
- 制御性：発話の安定度、忠実度、ドラマ性を直接指定するパラメーターがあり、感情パイプラインに必要な調整手段が揃っています
- 向いている用途：平坦な読み上げでは物足りなさが目立つ、感情のこもったセリフやナレーション
セルフホスト型のオープンソースエンジン
- 概要：自前のハードウェア上で動かすオープンソースのTTSエンジンで、カスタム音声モデルを使用します
- 品質：モデルによって異なります。感情をうまく扱えるものもあれば、そうでないものもあります
- 制御性：完全ですが、品質を含めたすべてに自分で責任を負うことになります
- 向いている用途：テキスト処理を社内に留めること、大量生成、実験
当社のバックエンド設定には、各カテゴリーから1つずつの選択肢（Edge TTS、ElevenLabs、Coqui）が記載されています。いずれもユーザー向けの機能には接続されておらず、音声通話のリリース前に選択が変わる可能性もあります。
---
テキストから感情を検出する
TTSエンジンが音声を生成する前に、感情を理解するパイプラインは単純な問いに答えなければなりません。「このテキストの感情のトーンは何か」という問いです。この段階がどのように設計されるかを説明します。
実用的な感情のセット
会話音声が表現すべきもののほとんどは、7つのカテゴリーでカバーできます。
感情 説明 典型的なトリガー
--------- ------------- -----------------
喜び 幸福感、高揚、熱意 笑い、お祝い、良い知らせ、遊び心のあるエネルギー
悲しみ 憂い、同情、慰め 喪失、失望、共感、物寂しさ
怒り 苛立ち、激しさ、情熱 対立、不正、強い意見の相違
恐れ 不安、懸念、落ち着かなさ 危険、不確実さ、心配、無防備さ
驚き 驚愕、発覚 どんでん返し、予期せぬ出来事、発見
フラーティ 遊び心、からかい、魅了 褒め言葉、ほのめかし、ロマンチックな緊張感
優しさ 穏やかさ、思いやり、親密さ 慰め、近さ、感情的な無防備さ、愛
これに加えて、どちらにも傾かないテキストのためのニュートラルというフォールバックがあります。
検出する2つの方法
最もシンプルな設計はキーワードベースです。システムは各感情に関連する単語やフレーズをテキストから走査します。
- 喜びの指標：「はは」「大好き」「すごい」「わくわく」「素晴らしい」、感嘆符
- 悲しみの指標：「ごめん」「会いたい」「〜だったらいいのに」「残念ながら」「つらい」
- フラーティの指標：「ウインク」「からかう」「照れる」「素敵」、示唆的な言い回し
- 優しさの指標：「大切に思っている」「私のそばなら安心」「そっと」「やさしく」「抱きしめる」
ヒットするたびにその感情のスコアが加算され、最も高いスコアの感情が選ばれます。キーワードマッチングは透明性が高く、低コストでデバッグも容易なため、最初のバージョンとして妥当な選択です。
もう一つの選択肢はモデルベースの分類器です。小規模な言語モデルがメッセージ全体を読み、感情ラベルと確率を出力します。文脈、皮肉、混在した信号の理解ははるかに優れていますが、レイテンシーと計算コストが増し、挙動の予測しやすさは下がります。
信頼度スコアリング
すべてのメッセージに明確な感情のトーンがあるわけではないため、検出器はどの程度確信しているかも報告すべきです。0.0から1.0までの信頼度の値です。
- 高い信頼度：単一の感情に対する強い指標が複数ある状態。音声パラメーターは目に見えて変化します。
- 中程度の信頼度：指標はあるものの支配的ではない状態。パラメーターは緩やかに変化します。
- 低い信頼度：曖昧またはニュートラルなテキスト。音声はデフォルトのプロファイルに近いままです。
信頼度に応じてブレンドすることで、曖昧なテキストで声が劇的に揺れることを防げます。検出器が確信を持てないときは、ニュートラルな読み上げになります。
---
感情を音声パラメーターに対応づける方法
表現力のあるTTS APIは、いくつかの制御項目を公開しています。名称はプロバイダーごとに異なりますが、共通するものが3つあり、検出した感情とうまく対応します。
安定性（声のダイナミクス）
声がどの程度一定か、あるいは変化に富むかを制御します。
- 安定性が低い = 声の変化が大きく、より表現豊かで、よりエネルギッシュ
- 安定性が高い = より抑制され、コントロールされた、安定した発話
類似性（自然さ）
出力がベースとなる音声プロファイルにどれだけ近いかを制御します。
- 類似性が低い = より創造的な解釈で、感情的になり得る一方、一貫性は下がる
- 類似性が高い = 声本来の響きにより忠実
スタイル（表現力）
発話全体の表現力を制御します。
- スタイルが高い = よりドラマチックで、感情がより強く表れる
- スタイルが低い = より控えめで、より会話的
感情からパラメーターへの対応表
妥当な出発点となる対応表は次のようになります。正確な数値よりも各調整の方向性が重要で、数値は実際のシステムができた時点で音声ごとに調整する必要があります。
感情 安定性 類似性 スタイル 狙う効果
--------- ----------- ------------ ------- -----------------
喜び 低め 中 高め ダイナミックで、エネルギッシュで、表現豊か
悲しみ 高め 高め 中 ゆっくりで、抑制された、穏やかな
怒り 低め 中 高め 激しく、力強く、ドラマチック
恐れ 中 高め 中 緊張し、わずかに不安定で、切迫した
驚き 低め 中 高め 素早く、ダイナミックで、幅の広い
フラーティ 中 中 中 遊び心のある変化、温かく、からかうような
優しさ 高め 高め 中 柔らかく、温かく、穏やかで、親密な
ニュートラル 中 中 低め 自然で、会話的で、バランスの取れた
これらはベースラインです。信頼度スコアは、検出がどの程度不確かだったかに比例して、すべてのパラメーターをニュートラル側へ引き戻します。
---
モデルごとに1つの声
このようなシステムでは、単一の共通ナレーターではなく、各キャラクターに固有の声のアイデンティティが必要です。
- 声の選択：各キャラクターには、その個性に合った声がプロバイダーから割り当てられます
- ベースラインのパラメーター：各キャラクターは「ニュートラル」な響きを定義する独自のデフォルト値（安定性、類似性、スタイル）を持ちます
- 感情の幅：デフォルトでより表現豊かなキャラクターもいれば、より抑制的なキャラクターもいます。感情の対応は各キャラクターのベースラインを基準に相対的に調整されます
遊び心のあるエネルギッシュなキャラクターはニュートラルモードでもよりダイナミックな声を保ち、落ち着いた控えめなキャラクターは抑制されたままです。感情による変化はそれらのデフォルトの上に適用されます。AINudeGirlsでは、いずれ各AIモデルプロフィールに声を割り当てることになるでしょう。現時点では、それらのプロフィールは画像と説明文のみです。
---
この設計の既知の限界
この設計がうまく扱えること
- 明白な感情。 感嘆符と「すごい」「大好き」といった言葉に満ちたメッセージは、喜びとして分類しやすいものです。喪失に関するメッセージは悲しみとして分類しやすいです。
- 曖昧さ。 信頼度の仕組みにより、曖昧なテキストで声が揺れることを防げます。
- コントラスト。 喜びの発話と優しさの発話は、手間をかける価値があるほど十分に異なって聞こえます。
うまく扱えないこと
- 皮肉と文脈。 キーワード検出は「最高だね、また月曜日か」を理解しません。「最高」という語は喜びとしてスコアされます。
- 混在した感情。 喜びと悲しみの両方を含むメッセージは、両者のブレンドではなく、スコアの高い方に還元されます。
- プロバイダーによる違い。 きめ細かな対応づけは、パラメーターを公開しているプロバイダーでしか完全には機能しません。汎用TTSは内蔵の韻律に依存しており、明示的な指示への反応は弱くなります。
- セルフホストのばらつき。 オープンソースエンジンの感情表現の幅は、特定のモデルに大きく依存します。
リリース前の未解決の問題
- キーワード検出から始めるか、最初からモデルベースの分類器にするか
- 感情のブレンド（1回の発話に2つの感情）は、複雑さの増加に見合う価値があるか
- プラットフォーム上のモデルプロフィールの幅をカバーするのに、いくつの声が必要か
いずれもまだ決まっていません。
---
音声に関するプライバシーの考慮事項
音声機能には、テキストのみのプラットフォームにはない問題がつきまといます。以下は設計の前提となる制約であり、最終的なポリシーは機能のリリース前に公開されます。
- オンデマンド生成。 音声は事前録音ではなく、リクエストされた時点で生成されます。
- 一時的なキャッシュのみ。 生成された音声は再生のために短時間キャッシュされることはありますが、永続的には保存されません。
- ユーザーの声は取得しない。 パイプラインは一方向です。テキストが入り、音声が出ます。この設計にマイクを必要とする要素はなく、ユーザーの声のクローン作成も含まれていません。
- プロバイダーのデータ取り扱い。 サードパーティのプロバイダーが音声を合成する場合、メッセージのテキストはそのプロバイダーに送信され、そのプライバシーポリシーの対象となります。セルフホストのエンジンならテキストは社内に留まります。どちらが適用されるかは、リリース時に明確に示されます。
---
今できること
冒頭の要点を繰り返します。AINudeGirlsでは音声は利用できません。音声出力も、音声チャットも、音声通話もありません。音声通話は2027年第2四半期を目標としてロードマップに掲載されており、この記事は実際に説明できるものができた時点で更新されます。
現在稼働しているのは画像と動画の生成です。NSFWジェネレーターでプロンプトを書くかカテゴリーを選び、カテゴリーを閲覧し、動画ジェネレーターで短いクリップを生成できます。料金はクレジット単位で料金ページに記載されており、その他はFAQで説明しています。