予告とAIポッドキャストの現状
どうも、しぶちょーです。ものづくりの視点は、産業機械の現役エンジニアである私、しぶちょーが、ものづくりに関するトピックを独自の視点で解説する番組です。
今日は予告会でございます。何の予告かというとですね、毎週土曜日に更新している AIポッドキャストのちょっとフローを変えようかなと思って、ちょっと設計を変えましたと。
お盆休み、時間はなかったんですけど、だいぶいろいろなアイテムがあって、AIエージェントを常に回すということができたので、いろいろな仕組みを作り変えましたと。
その中の一つに、毎週土曜日に更新しているAIポッドキャストのフローも変えたので、今日はね、皆さんこれ聞いてるのは金曜日だと思うんですけど、
明日投稿されるんですけど、どういうふうに変わっているかっていうのを最初に頭に入れておきながら、この私のAIポッドキャストを聞いていただけるとですね、より2倍3倍楽しめるんじゃないかなと思いますので、
今までこういうふうに変えましたっていう事後報告だったんですけど、今回ちょっと予告ということでね、技術のお話をしていきたいと思います。
それでは早速いきましょう。そもそもですね、何を更新しているかというと毎週土曜日っていう話なんですけど、
毎週土曜日はですね、AIポッドキャストというものをやっております。私は一切喋ってないんですけど、私の声で1週間のものづくりのニュースを届けるという回ですね。
基本的にはボイシーに合わせて3チャプター、いや5チャプターか、冒頭チャプター1、2、3、そしてクロージングの5チャプター構成になっていて、その3つですね。
1週間の中で起こった3つのものづくり系のトピックを5分ぐらいで紹介するって、だいたい15分か20分ぐらいだね。だから番組の長さとしては3トピック5分ごとのものづくりニュースを紹介するという、
そういう回を自動で更新しておりますと、さっきも言ったように私の声で喋っていて、情報の収集も実はAIにやらせてます。
世界の、しかも日本に限らずグローバルに情報収集していて、世界的に有名なものづくり系のブログとか情報サイトからですね、毎日毎日情報を取ってきて、
1週間分溜まるので、その中から独自の審査手法でランキングをつけてですね、1、2、3位を毎回紹介すると。
1、2、3位のニュースを選んだらですね、それに関する付随する情報を取ってくるようなフローが流れて、付随して集まった情報を元に
私のポッドキャストの原稿を作るスキルみたいなやつを作ってあるんで、それでまた自動で原稿を書くんですね、喋りのね。
その喋りの原稿ができたら、それを読み上げる、他のAIの仕組みを使って読み上げさせて、私の声で。
で、ポッドキャストが完成みたいな、そういうフローでですね、ポッドキャスト今週分作ってっていうのは、これもまた投稿まで自動でやってくれるみたいな仕組みで運用しているわけなんですけど、
「自分の声」の課題とElevenLabsの限界
この中でですね、記事の情報の収集とか、原稿の作成みたいなやつは結構、固定でもだいぶいい感じでできてるんですけど、
1個ね、やっぱなかなか難しいなって思ったところがあって、それが自分の声なんですよ。
いかに自分の声を自分の声っぽく表現するかっていうのが、そのAIにやらせるかっていうのが結構難しくてですね。
ずっと11ラボズっていうサービスを使っておりました。ここがね結構自分の3時間とか4時間ぐらいの喋った音源を与えてあげればですね、
なんか一晩ぐらいかけて学習して自分のボイスクローンを作ってくれるんですよね。
それがだいぶ自分の喋り声に似てるんですよ。しかもフィラーとかも入ってめっちゃ似てるんだけど、
日本語が弱くて、日本語の発音みたいなところがだいぶ安定しなかったりとか、漢字の読み上げが文字間違っちゃったりして、
前はそこをなんとかひらがなを開く、漢字を開いてひらがなにする原稿にして読ませるってことやってたんだけど、
やっぱ発音が微妙で聞き取りづらかったんですよね。なので最近は1回11ラボズのデフォルトの結構質がいいやつなんですよ。
11ラボズのV3とかちょっとレベルの高いモデル、だけどそれボイスクローン使えなくて、
もうデフォルトで11ラボズっていうサイトが用意してくれている外国人のイケメンのボイスみたいなやつがあってね。
それで日本語に読み上げさせますよと。日本語に読み上げさせたその音声をボイスチェンジで私の声にするっていう風なフローを最近組んでいたんですよ。
それが結構ギリギリ私の声に聞こえるか聞こえないかぐらいのレベルで、まあまあ急大展でしかつリスナーさんの認知負荷をあまり高めないというか、
認知負荷が高くなっちゃうよね。何言ってるか聞き取れないと。そういう無駄に認知負荷を高めないギリギリのラインの私っぽい声が出せるなということで、
今まではそうやって11ラボズのデフォルト音声でも読み上げさせた音声を支部長ボイスにボイスレコード、ボイスチェンジャーするっていうフローをやってましたと。
ここ1ヶ月2ヶ月ぐらいそういう形やってたんですけど、明日からちょっとフローを変えてみようかなと思っているんですね。
Qwen3-TTSの導入と技術詳細
今日はそのフローどういう風に変えたかという技術的な、そんな難しい話はしないけどね。そんな紹介でございます。
やっぱり技術の進化は素晴らしいというか、AI時代って情報収集戦だなっていう風に思う節が割とあってですね。
全然これでいいじゃんみたいなモデルが割とね、もうありましたと。
まず一つはですね、クエン3のTTSというモデルですね。クエンというのはアリババが作っている、中国のアリババという会社が作っているAIモデルですけど、
そのクエンが作ったボイスモデルがあるんですよね。これ結構前に、それでも前ですね。3、4ヶ月ぐらい前なのかな。クエンの3のTTSが出たのは。
これをちょっと、明日からちょっと導入します。クエン3のTTSってすごい面白くて、
これボイスクローンを作ってくれるんだけど、学習じゃないですよ。自分の声を学習するんじゃなくて、3秒ぐらいの自分の声を与えれば、
すでにあるこのモデルのデータの中からそれっぽい声を探して生成してくれるみたいな、すごいざっくりとそういう仕組みなんですよね。
だから、参考として自分の声を3秒ぐらい渡せば、自分っぽく喋ってくれるみたいな、そんなモデルなんですよ。しかもそれなりに日本語の読み上げ得意なんですよね。クエンは。
漢字とかも結構スラスラ読んでくれるし、そんなに読み間違えないし、発音がなんかおかしいなぁみたいなこともなくて、
1個、渋調っていう発音がね、渋調ですって、私渋調だからさ、発音的にね、渋調ですってなっちゃうから、そこはちょっと気になる部分であるんですけど、
たった3秒の私の喋り声でここまで私の声を再現できるのかっていうのはやっぱすごいなと思いますね。クエンのね、クエン3のTTSってね、テキストトゥスピーチの役でTTSですけど、
クエン3は3ヶ月か4ヶ月前ぐらいにすごく話題になってて、ちょっと今更ですかっていう感じする人もいると思うんですけど、AI詳しい人は今更ですねっていう感じはすると思うんですけど、
それでもめっちゃ良かったですね。普通に私がわざわざこのボイスチェンジャーやって読み上げさせるよりも、よっぽど自分っぽい声で自然に読んでくれるから、
最初からこれで良かったやみたいな感じはありますね。ただ、これボイスクエンの3どこで動かすかっていうところが問題があって、
イレブンラボズはそういうウェブサービスだから、別にPCのスペックに関係なくですね、テキストトゥスピーチできるんですけど、
クエンは動かすとこどこですかっていう環境構築の場所を選ばなければならなくて、私もMacBookAirしか持ってないから、
Googleコラボラトリーっていう環境でGPU使えるんで、そこで色々生成させているっていうのが今の感じですね。
GoogleコラボラトリーっていうのはGoogleが提供している、元々AIの学習モデルを作るようなGPUを提供しますよみたいな環境で、
そこで色々グルグル機械学習とか回しながらデータを渡してモデルを学習するみたいなことをずっとやってたんですけど、
その環境は結構使いやすいし、最近GoogleコラボラトリーのCLIっていうのが出たので、コマンドライン経由でGoogleコラボラトリーを動かせるんですよ。
なんでそれを使うとですね、クロードコードから何も考えなくても勝手にGoogleが持っているGPUのリソース使って、
コラボラトリーの環境で学習してきたものを文字起こししてきたものをこっちに引っ張ってくるみたいなことができるから、
それもテストも兼ねてそういう環境を作って、クエンの3のTTSで音声の読み上げですね。私ボイス、支部長ボイスでの音声の読み上げを最近やったっていう感じですね。
その環境ができたんで、明日から導入していきますよという感じです。
手前見せながら結構いいですよ。お金かからずにこれできるんだったらめっちゃいいじゃんと思って驚きましたね。やっぱすごいっすねっていうモデルを一個ちょっと導入していきますというお話でございます。
Irodori-TTSの導入と感情制御
クエンの3の話はちょっと古い話なんですけど、もう一個新しめのTTSを入れていきます。
それが色どりTTSっていうもので、これは日本が作っている個人プロジェクトでどっちかっていうか、どこの企業がというよりは個人ベースで作っているものなんだけど、本当今週ですね。
SNSでちょっと騒ぎというか話題になっていたんで、これ良さそうだなと思って、それこそAI系のインフルエンサーとして有名なウスタクさんがこれめっちゃ無料で使うんだったらいいよみたいなことを言ってたから、
じゃあ使ってみるかと思ってやってみたんですけど良かったですね。色どりTTS。これもクエンと同じような感じで、自分の音声をサンプルとして与えておくとですね。
それっぽい声を作ってくれるよみたいな、そういうテキストスピーチ用のモデルなんですけど、
これすごくクオリティ高くて、しかも日本ネイティブなんです。日本語で学習されているから、日本語の読み上げがすごいスムーズで使いやすいと。
クオリティも高いですね、これやっぱね。なので明日クエン3とこの色どりTTSを使いながらちょっとチャプターごとに分けてやっていこうかなと思いますね。
あとはね、その色どりTTSの特徴は、多分ボイスクローンを作るのに、学習っていうか参照させる音声の長さが選べて、
6秒の音声で自分のボイスクローンを作るパターンと、60秒を入れて作るパターンみたいな2パターンがあるんですね。
なのでちょっと今回チャプターが3つあるんですよね、私のAIポッドキャストって。なので1個ずつ買います。
1個はクエン3のTTSであるし、1個は色どりTTSの6秒学習版みたいなやつ。
もう1個は60秒学習版みたいな、6秒だったかちょっと忘れちゃった。
1分ともう1個3秒とか6秒ぐらいの感じの学習版があって、それでちょっと振り上げてクオリティの比較をしてみようかなっていう感じですね。
日本ネイティブのやつが出てきたんですよ。これが良くて、しかもちょっとどこまで上手く使えるかわかんないけど、
絵文字使えるんですよ。意味わかるでしょ?
色どりTTSの特徴として、絵文字を使って感情の起伏を表せるっていう機能がついてて、
泣きマークとかさ、怒りマークみたいなのあるじゃん。
それを文字の中に入れることによって、読み上げが怒ってる感じとか笑ってる感じとかっていう感情面をコントロールできるんですよね。
っていう仕組みがあってさ、これは自分の原稿の作り方のルールに落とし込まなければならないんだけど、
そういう感情の起伏みたいな読み上げをコントロールできるようになると、
だいぶポッドキャストのAIの読み上げとしてクオリティが上がってくるし、
これ人なのかな?AIなのかな?ってわからなくなってくるんじゃないかなと思って。
だからそれをちょっと試していこうかなと思います。
たぶん明日は絵文字入った番長じゃないんで単なる読み上げになると思うんですけど、
だんだん感情面の起伏みたいなものも絵文字でコントロールできるようになりそうなんで、
これはちょっと面白いなと思いましたね。
しかもこれ色通りTTSで無料で使えますんで、
GitHubのリポジトリは概要欄に多分貼っておくと思うんで、
気になる方はPC、たぶんそんなにゴリゴリティリソースいらないんじゃないかな?
ごめんなさいね、私もGoogleコラボアルトリでしかやってないから、
わかんないんだけど、そこそこのGPU積んでいれば、そこそこじゃなくてもGPUがあれば、
でもCPUでも処理できるのかな?
ちょっとごめんなさい、TTSがどこまでかわかんないけど、
皆さんもクロードコードにちょっとこれ試したいんですけどって言って、
GitHubのリポジトリのURL投げれば、たぶん頑張りますみたいな感じで、
自分のパソコンでやってくれると思うんで、
試してみるといいんじゃないかなと思います。
新技術導入のまとめと告知
そんな新技術がちょっと出てきたんで、
それを導入しながらですね、
明日のAIポートゲスト会を色々ちょっと作り込んでいこうと思ってますんで、
これまでずっとなんとなく、
渋上さんの声っぽいなっていうAI会が続いてたんですけど、
明日ちょっと雰囲気変わりますんで、
楽しみにしておいてくださいというお知らせ会でございました。
というわけで今回はここまでとさせていただきます。
今日もですね、ちょっと連休につきですね、
タメ撮りをしていますんで、
あの今日はですね、
コメント会社はお休みさせていただきます。
私は渋上技術研究所という技術部を運営しています。
またエックスで毎日役立つ技術情報の発信を行っておりますので、
よろしくお願いいたします。
ポートゲストモード作りのラジオの方も毎週土曜日週一で配信中です。
ポートゲスト落ち着きのラジオも毎週火曜日金曜日週二で配信中です。
本日ですね、深堀会。
ポートゲストの落ち着きのラジオの深堀会が更新されていると思いますんで、
よろしければ聞いていただけると嬉しいです。
またですね、
あとなんだっけ、
コミュニティですね、
ルームの方ですね、
おもしろいエックスラブというリスナー向けコミュニティも運営しております。
この中にディスコードのコミュニティもありましてね、
そこの中で皆さん交流しましょうということもやっておりますので、
ぜひぜひこちら無料で入ることができますから入っていただけると嬉しいです。
またボイシーの方ではプレミアムリスナー通信募集しております。
いつもの配信ではしないような突っ込んだ足を毎週水曜日日曜日週二で配信中です。
月は500円となりますけども、
私のこと応援していただけるよという方はですね、
ぜひとも入っていただけると嬉しいです。
よろしくお願いいたします。
お盆休みの振り返りとAIグラスの活用
という感じでね、
今日はこんなところでございますね。
ちょっと早めですけども、
皆さんどうですか?
もうすぐお盆休み終わってしまいますね。
そもそもお盆休みじゃねーぜバカヤローっていう人もいるかもしれないんですけども、
長期連休っていうのはですね、
家族がいたらもう連休でもなんでもないという感じではあるんですけども、
皆さんそれぞれですね、
いろんな連休ができた、
連休というかね、
いろいろなことができたんじゃないかなと思いますんで、
また来週、
まだ土日がありますけどね、
来週から仕事頑張っていきましょう。
ちなみに私はですね、
いろいろできました。
AIエージェントのおかげです。
ほとんどやってることはですね、
子供のお世話と虫取りと、
親戚周りみたいなことが、
割と多かったんですけど、
それでも、
子供の面倒見ながら、
ちょっとAIエージェントを動かして、
AIグラスのですね、
イーブンG2をうまく活用しながらですね、
イーブンG2から、
これまた違う回で話すけど、
イーブンG2からクロードコードを動かすとかね、
そういうこともやっておりました。
もう近未来ですよ本当にね。
近未来です。
すごくいいです。
またこの話は来週しようと思いますけど、
楽しみにしておいてください。
というわけで今回はここまで。
以上、
しぶちょーでした。
ではでは。
