GeminiのText-to-Speechでインタビュー風の動画を使ってみた
私だ、ゆるりと、だ。
3本目のMVを作成しているのだが、少しスピードが落ちている。
MVを作る過程でいろいろと調べていたら、気になるツールややりたい事がたくさん出てきた。
そっちを追いたいところではあるが、なんとか短い動画でも作り続けて、継続してアウトプットしていきたい。
という訳で今回は、なんかとりあえず短めの何かを作ろう、そうだ、MV撮影の「インタビュー風」動画でも作って（お茶を濁して）みようかと思ったワケだ。
完成したものはコチラ。
まずは音声読み上げサービスを調べる
インタビューといえば、音声だね。
という訳で音声読み上げ系のサービスをいくつか調べる。
結構たくさんあるようだ。
ElevenLabs
Artlist
Voicebox
Google Text-to-Speech
などなど。どれにしたら良いものか。
この手の読み上げは、英語は得意だけど日本語はまだまだ苦手な印象がある。
日本語の精度と、あとは値段で選びたいところ。
これから年末で何かと物入りになる。
クリスマス、帰省のアレコレ、お年玉。
そういえば「お年玉」って、“御歳魂（おとしだま）”、つまり年神（としがみ）さまの魂を分け与える、って語源らしい。
ちなみに年神（としがみ）さまは、新年に幸運や生命力を運んでくる神さまのこと。
ここ数年、私のところには来てくれていない気がするんだが。
話がズレた。
そう、お金はあまりかけたくないので、安そうなもので探してみる。
良さげなものがあればサブスク組んでも良いんだけど、どれくらい使うか分からないからね。
SUNOも作詞が間に合ってないから、クレジット1500くらい使いきれずに残ってるし。安いに越したことはないのだよ。
とはいえなんとなくキャラクターに私が考えた名前を名乗らせたかったりするので、よく聞くようなサービスの音声は避けたいところ。
ずんだもんとかね。
被るし、ちょっと今回はパス。
ずんだもんの声、めっちゃ好きだけど。
カブりにくそうなので、今回はGoogleのTTSを使う事にする。
GoogleのText-to-Speechを使って音声を作ってみる
気になるのは日本語の読み上げ精度だが、コレはクオリティかなり高め。
けっこう自然な感じがする。
ただ、「ゆるりと」がどうしても「ゆったりしてね」みたいなニュアンスになってしまう。
ゆらりと、ぬるりと、ふらりと、みたいなイントネーション（伝われ）
これは「ユルリト」と、カタカナにしたら解決した。
こういう細かいところが、難しいところだよなぁ。
ちなみにこの「Text-to-Speech」だが、実際に音声ファイルを入手するまでゴタゴタした。
興味がある方はぜひそちらも読んでみてほしい。本当に疲れた。
あとは良くも悪くも生成するたびに、声の印象が大きく変わる。
人と被りにくい音声が出来るのはかなり魅力的なんじゃなかろうか。
これはSUNOみたいな「ペルソナ機能」がぜひ欲しくなっちゃうところ。
AIアーテイストみたいな感じで打ち出したいなら、そんな機能があるサービスも良いかもしれない。
あと本末転倒だけど、こういうのをやるたび、自分の声を使えるなら、そっち使った方がオススメかもと思う。
DOMO AIで喋らせる
だんだんとDOMO AIにも慣れてきた。
音声ファイルをダヴィンチリゾルブで適当に切ってファイルを１つずつ書き出し、DOMO AIのアバター機能で喋らせる。
今回はワイプを使ってみたいので、そこまで動きに忠実さは求めずにGO。
※と思ったが、今回は諸事情によりワイプは使用せず。また次回にでも挑戦したい。
クレジットが消費されるので、乱発はできない。
慎重にいこう。
ダヴィンチリゾルブで動画編集
MVの解説インタビューっぽいコンセプトで始めたが、インタビュー動画ってどんなんだ？
数本YouTubeを見たりして、なんとなくのイメージで作ってみる。
というワケで作ったのがこちら（再掲）
ちょっと音声とアクションのテンションがマッチしていないようにも見える。
が、なかなかいい感じなんじゃないだろうか。それっぽい。どうだろうか？
まとめ
AIの音声って、“人っぽいけど人じゃない”微妙なラインにいる。
それがまた面白くもあり、ちょっとクセになる。
短くてもアウトプットを続けるのは、きっと創作の筋トレみたいなもの。
今回の試行錯誤も、次の何かのいいスパイスになる気がしている。
もしこの記事がちょっとでも「面白かった」「参考になった」と思ったら、
スキを押してもらえると、めちゃくちゃ励みになります。
フォローしてもらえると、次回のAI実験もすぐ見られるようになるので、ぜひ。
それではまたね！
