TTSの比較文を作る｜日常文・固有名詞・数字・感情の四種類

音声AIを比べるとき、短い挨拶だけでは本番で必要な読みや表現を確かめきれません。普段の文章、固有名詞、数字、感情を含む文章に分けると、どこで修正が必要になるかを整理できます。ここでは比較用原稿の作り方を示します。各モデルを生成・採点した結果ではありません。

次の文は、説明用に作った未生成の例です。実際の比較では、自分が使用する内容へ置き換えます。

難しい読みを増やしすぎると、本番とは違う試験になることもあります。まず実際の用途に必要な語を選び、特殊な条件は別の課題にします。

商品名や人名には、複数の読み方があり得ます。比較前に意図する読みを記録し、後から都合のよい読みへ判定を変えないようにします。数字も「一、二、三」と読むのか、数量や日付として読むのかを文脈ごとに揃えます。

画面に出す正式表記と、読みを補った音声用原稿は分けます。同じ行IDで対応させれば、ひらがなに直した音声入力を字幕へ混ぜずに済みます。FablessBridgeの14行のTTS制作でも、表示文と読み上げ文を分ける工程を使っています。

同じ原稿でも、選んだ声、言語、速度、演技指示が違えば、比較条件も変わります。モデル名だけでなく、それらの設定と生成回数を残します。モデルごとに同じ声を選べないなら、その違いも明記します。

評価は、文章の正確さ、区切り、声質、演技を分けます。固有名詞が誤読されていても声質が好みという結果はあり得ます。総合点だけでは、読みの修正が必要なのか、声そのものを変えるべきかが分かりません。

比較用には生成直後の音声を残します。音量調整や間の編集をした場合は、その処理を記録し、原音と混ぜて評価しません。最後に字幕やBGMと合わせ、完成動画で言葉が聞き取れるかを確認します。

四種類の原稿は、すべての音声性能を測る試験ではありません。自分の用途で困りやすい読みと表現を、同じ条件で確認するための出発点として使います。