このサイトはアフィリエイト広告(PR)を含みます / 18歳未満の方は閲覧できません

2026年11月23日(月) / テクニック

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

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

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音声プラットフォーム。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。

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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。

← 記事一覧へ