今週頭に、仕事で「５分の歴史解説動画を作成する」というミッションが発生しました。

これまでちょくちょく動画を作ってはきましたが、いつも「素人臭い方が逆にウケるから」を合言葉（言い訳）に、雑な仕上がりをデフォとしてまいりました。

しかし、今回はそれなりの施設で放映するからということで、それなりのクオリティが必要に。さらに、「人間が自然に話しているようにAI音声を調律する」というノルマが課せられました。

ためしにVOICEVOXを利用することに。




ずんだもんやめたん、つむぎの声が使用できるソフトウェアです。


ずんだもん達の声は、主にウンチ・アツメウリの動画で耳にしてきました。


（四谷くんがアツメウリの大ファン）

この動画内では、イントネーションがAI丸出しだったので、最初は「VOICEVOXってどうなんかな」と思っていたのですが、最初から想像以上に自然で驚きました。

しかし、部分的に不自然なところはあります。

そんなときは、



一音一音のアクセントとイントネーション、長さを調整することができます。上下させていくと、どんどん聞きなじみのある発音になっていきます。

すごい・・・！と夢中になって調整していったのですが、



すぐ真夜中になりました。

歴史解説動画だったので固有名詞が多く、バーの細かな上げ下げで時間を吸われました。

上杉謙信のイントネーションがガタガタです。しかも、遠くの山城の名前なんかになると、通常のイントネーションがわかりません。

落研時代、関東出身の後輩に上方落語ででてくる上方弁のイントネーションを教えるときは、「『雨』は『あ⤴め』な」と直接言えば済んだものを・・・

テキスト読み上げの調律のコストを切り捨ててＡＩ丸出しでしゃべらせる動画があふれている理由がうっすらわかりました。その不自然な読み上げに、私たちの耳が慣れた方が効率的です。（本職の人に読み上げてもらうのが一番いいとは思いますが）