AIキャラの「声」はどう作るか:TTSの選び方とライセンス、商用利用まとめ
TTS音声合成技術解説Irodori-TTSQwen3-TTSVOICEVOX
AIキャラチャットの返信をすべて音声で返す「ボイちゅ」のようなサービスが成立するようになりました。裏側で効いているのがTTS(Text-to-Speech、音声合成)です。この記事では、キャラクタービジネスでTTSを使う前提で、モデルの選び方、ライセンスと商用利用の可否、声色・感情の作り方、実際の採用事例を整理します。
声の作り方は大きく3方式
- ゼロショット/ボイスクローン:数秒〜数十秒の参照音声を渡すと、その声で任意の文章を読ませられる。キャラごとに短い「シード音声」を固定しておく運用が基本
- 追加学習(ファインチューニング):数分〜数十分の音声と書き起こしで専用モデルを作る。品質と安定感は高いが、キャラごとに学習コストがかかる
- ボイスデザイン:年齢・性別・話し方を文章で指示して、存在しない声を生成する。声優の声を使わないので権利関係が単純になる
実務では、ボイスデザインで声を作り、その声の短い音声をシードにしてクローン方式で全台詞を読む、という組み合わせが扱いやすい構成です。
主要モデルのライセンス比較
いちばん間違えやすいのがここです。コードのライセンスと、モデル(重み)のライセンスは別物で、両方を確認しないと商用利用の可否は判断できません。
| モデル | コード | 重み | 商用 | 特徴 |
|---|---|---|---|---|
| Irodori-TTS | MIT | Small=MIT/Large=Gemma規約 | 可(Small) | 日本語特化。参照音声+文章のキャプション指定+絵文字で感情や囁きを制御。48kHz出力。ボイちゅが採用 |
| Qwen3-TTS | Apache-2.0 | Apache-2.0 | 可 | ボイスデザインとクローンの両対応。多言語。API提供もあり |
| GPT-SoVITS | MIT | MIT | 可 | 5秒でゼロショット、1分の音声で追加学習。多言語だが中国語が本命 |
| CosyVoice 3 | Apache-2.0 | Apache-2.0 | 可 | 多言語対応の汎用TTS |
| Style-Bert-VITS2 | AGPL-3.0 | 基盤モデルもAGPL-3.0 | 条件付き | 日本語のキャラ声の質は最高クラス。ただしAGPLのため、改変してネットワーク越しに提供するとソース開示義務が生じる。開発は2025年8月から停滞気味 |
| F5-TTS | MIT | CC-BY-NC | 不可 | 重みが非商用のため、コードがMITでも商用利用できない |
| XTTS-v2 | MPL-2.0 | CPML(非商用) | 不可 | 生成した音声の利用まで非商用に制限される |
「オープンソースだから商用OK」とは限りません。重み側が非商用のモデルは、個人の実験止まりになります。
無料のキャラボイス系:VOICEVOXとCOEIROINK
日本語の「キャラの声」といえば、モデル単体ではなく、キャラクターの音声ライブラリを内蔵した無料ソフトの系統も外せません。
| ソフト | 形態 | 商用 | 条件 |
|---|---|---|---|
| VOICEVOX | 無料の読み上げソフト(エンジンはLGPL等) | 条件付き | キャラごとに個別の規約があり、「VOICEVOX:キャラ名」のクレジット表記がほぼ必須 |
| COEIROINK | 無料のAIトークソフト | 条件付き | 「COEIROINK」と使用した音声名のクレジット表記が必須。キャラごとに規約が異なる。有志モデル(MYCOEIROINK)も配布されている |
- VOICEVOXは、ずんだもん・四国めたん・春日部つむぎ・雨晴はうなど、人気キャラクターの声を無料で使えるのが強みです。動画制作や配信では事実上の標準になっています
- ただし成人向けコンテンツは、主要キャラクターでは原則不可です(ずんだもん等は原則不可、春日部つむぎ・雨晴はう等は不可)。全年齢の動画・配信には最有力でも、成人向けサービスには構造的に使えません
- COEIROINKも同様に、刺激的な表現の扱いはキャラごとの規約とゾーニングが前提になります
つまりキャラボイス系は「全年齢×クレジット表記が出せる制作」向けで、成人向けのボイスチャットとは棲み分けがはっきりしています。
成人向けコンテンツに使えるか
ここは提供形態で分かれます。
- クラウドAPI型:大手の汎用AI APIは、成人向けコンテンツの生成を規約で禁じている場合が多く、TTS専業のAPIでも個別の確認が必要です。規約違反はアカウント停止に直結します
- OSSの自前ホスト型:ライセンスが商用利用を認めていれば、用途の判断は運営側に委ねられます。GPUサーバー(従量のサーバーレスGPUなど)に自分で載せる形です
ボイちゅが、Irodori-TTSを自前ホストで運用しているのはこのためです。成人向けのボイスチャットは、構造的に「OSS+自前ホスト」が主流になります。
声色のカスタマイズと感情設定
最近のモデルは、声そのものと演技を分けて指定できます。
- 声色:参照音声(クローン)か、文章による指示(ボイスデザイン/キャプション)で決める。Irodori-TTSは「20代前半の女性、アニメ声で息の量は多め」といったキャプション指定が可能
- 感情・演技:キャプションでの指示に加え、Irodori-TTSはテキスト中の絵文字でも制御できます(👂で囁き、😮💨でため息、など)。追加学習型ではスタイル(感情ラベル)ごとに学習させる方法もあります
- 再現性の運用:キャラごとに「シード音声+モデルのバージョン+パラメータ」を固定して保存しておくことが重要です。モデルを更新すると声の印象が変わるため、バージョンを上げるときは全キャラで聞き比べが必要になります
- 間の制御:文単位で生成して無音区間を台本側で決めると、間の崩れを防げます。一息で長文を生成させると、句読点位置で不自然な間が入ることがあります
実際に聞き比べる:同じ文を3つのモデルで生成
全モデルに同じ文を読ませたサンプルです。文は「こんにちは、はじめまして。今日はとてもいい天気ですね。こんな日は、少し遠くまでお散歩に行きたくなります。」で統一しています(2026年11月23日生成)。
Irodori-TTS(v4.1-Small、公式デモ)
参照音声に、Qwen3-TTSのボイスデザインで作った声を使い、キャプション「20代前半の女性。アニメ声で、息の量は多め。おっとりとした甘い話し方。」で生成しました。
Qwen3-TTS(公式デモ、Voice Design)
声の指定は文章のみです。「20代前半女性、アニメ声、息の量は多め、おっとり系」と指定しました。
VOICEVOX:雨晴はう(ノーマル)
VOICEVOXエンジン(バージョン0.26.2)をローカル環境で実行して生成しました。既存のキャラクターボイスを選んで読ませる方式です。
(音声クレジット:VOICEVOX:雨晴はう)
3つとも「おっとり系の女性の声」という同じ狙いですが、作り方が違います。Qwen3-TTSは文章の指定だけで新しい声を作り、Irodori-TTSは参照音声の声質を引き継ぎ、VOICEVOXは既製のキャラクターボイスをそのまま使います。商用利用の可否は、上のライセンス比較の表を参照してください。
サンプルの作り方(再現手順)
共通条件は次のとおりです。
- 読み上げ文は全モデル共通(上の文)
- 生成日は2026年11月23日
- 生成したWAVを、公開用にモノラル96kbpsのMP3へ変換して掲載
モデルごとの手順は次のとおりです。
Irodori-TTS:公式デモ(Hugging Face Spacesの「Irodori-TTS-v4-Small-Demo」、モデルはv4.1-Small)をブラウザで開き、参照音声の欄にQwen3-TTSで作ったサンプル音声をアップロード、キャプション欄に声質の説明文を入力し、読み上げ文を入れて「Generate」を押すだけです。参照音声とキャプションの両方で声を決めるのがこのモデルの特徴です。
Qwen3-TTS:公式デモ(Hugging Face Spacesの「Qwen3-TTS」)でVoice Designモードを選び、声の指定欄に「20代前半女性、アニメ声、息の量は多め、おっとり系」と入力、言語をJapaneseにして生成しました。参照音声は使っていません。
VOICEVOX:公式サイトからエンジン本体(バージョン0.26.2、Linux版)をダウンロードしてローカル環境で起動し、内蔵APIで合成しました。具体的には、テキストと話者(雨晴はう・ノーマル)を指定して読み上げ用のデータを作り(audio_query)、それを音声に変換(synthesis)する2段階です。ブラウザの画面からも同じことができますが、APIを使うと手順をそのまま自動化できます。
どのモデルも、デモや無料の範囲だけでサンプル作成が完結しています。
キャラクタービジネスでの採用事例
- ボイちゅ(FANZAキャラチャット):Irodori-TTSを自前ホスト。全返信が生成音声
- RyzaChat:AI(SpiralAI):コーエーテクモ公認のAIチャットRPG。ライザ役の声優・のぐちゆり氏が本作用に収録した音源を、同社の独自音声合成で運用。売上の一部は声優・イラストレーター・IPホルダーへロイヤリティ還元される設計
- Cotomo(Starley):声優の緑川光氏をはじめ、青二プロダクション所属声優の公式ボイスでAIキャラを作成できる。許諾と課金・還元のモデルが整っている
- CoeFont:AI音声を提供するサービス。青二プロダクションと提携し、声優の声をライセンスして提供。声の提供者には利用料の70%が還元される仕組み
- そよぎフラクタル:声優の梶裕貴氏自身が、自分の声を学習させた公式AIキャラを展開するプロジェクト
- AI Charmy(レック):「推しと暮らせる」おしゃべりAIぬいぐるみ。第1弾は松平健(マツケン)で、本人の声を再現。2026年12月発売予定
- Romi(ミクシィ):自律型会話ロボット。ReadSpeakerの技術で、声優・本名陽子氏の声から作ったオリジナル音声を採用
「声優」として使うための実務チェックリスト
TTSをキャラクターの声優として継続的に使うなら、モデルの音質より先に次を確認します。
- ライセンス:コードと重みの両方。改変・再配布の条件、AGPLのような開示義務の有無
- 参照音声・学習データの権利:他人の声を無断で学習させるのは論外。声優の声を使う場合は契約と還元(ロイヤリティ)の設計が前提で、「肖声権」の議論も進んでいます
- 成人向け可否:API型は規約、自前ホスト型はライセンスとホスティング先の規約
- クレジット表記:エンジンや声素材ごとに表記義務がある場合があります
- バージョン固定:モデルのバージョンとシード音声を保存し、再生成しても同じ声が返る状態を保つ
- コスト:自前ホストはGPUの従量課金、API型は文字数課金。1通あたりの単価に直して、サービスの料金設計と合うか確認する
まとめ
- 商用で使うなら、コードと重みの両方が商用可のモデル(Irodori-TTS Small、Qwen3-TTS、GPT-SoVITSなど)から選ぶ
- 全年齢の動画・配信ならVOICEVOX/COEIROINKの無料キャラボイスも有力。ただしクレジット表記が必須で、成人向けは主要キャラで原則不可
- 成人向けは、規約の関係でOSSの自前ホストが現実解
- 声優の声を使う路線(RyzaChat:AI、Cotomo型)は、契約と還元の設計込みで初めて成立する
声はキャラクターの個性の半分です。モデルの進化が速い分野なので、この記事も新しい事例が出たら更新していきます。