教えてにじボイスというサービスのベータ版が公開されました。
https://app.nijivoice.com/experimental/oshiete
入力した質問文をもとに、対話形式の説明原稿から動画までを自動生成してくれます。

思わず思い出したのは、ありし日の「ゆっくり実況」。ボイスロイド。動画コンテンツ。
実は大昔に挑戦したのですが、「調声」にかかる根気の壁の前にあえなく散った苦い思い出があります。

それが今や、ほんの数分で自動生成できる...？衝撃でした。

まだベータ版なので長い動画は作れないのですが、気持ちを抑えられず対話コンテンツを作りたくなったので、作りました。この記事はその記録です。

まずはアプリだ！

テキストを自然な読み上げ音声に変えてくれるサービス「にじボイス」。「教えてにじボイス」は、その中の新機能のようです。
「にじボイス」のwebUIから、テキストを音声に変換できるようでした。
https://app.nijivoice.com/

好きなキャラを選んで、話してほしい内容を書いて、ボタンを押すだけ。

3000文字まで一括生成できるようなのですが、今回作りたいのは「対話」です。
複数キャラがかわるがわるに話してほしい。発話の「間」や、シーンごとの感情にもこだわりたい。
AIオーケストレーションの出番ですが、まだその機能は公式UIにないようです(※1)。

なければどうするか？作りました。

APIドキュメントと向き合うこと少々。GPTと一緒に1時間くらいで作れました(※2)。

mp3を扱うアプリは流石に尻込みしたので、GPTおすすめのAudacityをダウンロード。

作業と感想

あとは作成したアプリを使って、セリフをmp3に変換して組み立てるだけです。
用意した原稿は3000文字、最終的に10分ほどの音声になりました(※3)。ここの手作業に3時間ほどかかりました。
反省点が多くて、例えば感情や読み上げスピードを調整したい場面は実際はほとんどなかったので、1セリフずつわけなくてもまとめてAPIに投げ込めばよかったとか。Audacityのマクロを組むのに苦労したとか。もう一度やれば~1時間くらいに収められそうです。
しかしこの部分、半年後には公式がwith AIでサポートしてそうです...。スゴイ時代ですね。

やってみることで要点がつかめて、どんどん効率があがっていったり、構成が頭に入るので細部の調整ができたりと、手作業が入っているメリットはあると思います。一方で、注目したいのは素人でも初回から想定される時間内に結果を得られるところ。withAIのワークフローはやはりスゴイ可能性を持ってるなと感じました。質を求める過程では、最終的な手作業ポイントが変わらずたくさん必要だとしても。多くの人に間口を広げ、生活に寄り添うために、AIエージェントは間違いなく素晴らしいものだし、今後も増えていくと思います。水道ができて、白物家電ができて、レンジや自動調理器ができても料理人はいなくなりませんが、家庭で食べられる献立は豊かになっていったみたいに。

蛇足

感動したのでnoteにまとめました。
https://note.com/life_law/n/n04acc589289b

※1)教えてにじボイスはベータ版のため
※2)このコードかサービスをどこかで公開しても良いかもしれない？
※3)完成した音声は、2月頃に別の場所で公開予定です。

タグ「マルチメディアミックス」の検索結果