衝撃　Elevenlabs

Elevenlabsからv4リリースの案内が来ました。
就寝前だったので、Text to speechをちょっとだけ試してみました。
ちょっと、待って下さい、寝られません。

まだほんの少ししか触っていませんが、衝撃です。
自分の声でスピーチを生成しようとしても、v3では自然な日本語っぽくなるものの全く別人の声になっていました。
自分の声っぽく生成するにはv2でしたが、これはもう日本語になっていませんでした。
ところがこの問題はv4ではほぼ解消されました。
ちょっと甲高いものの、私自身の声でテキストを読み上げてくれます。
もう、私はいなくてもなんの支障もないです。

さらにElevenlabsに生成してもらった男女の声でテキストを読ませると、v3であったような誤読、アクセントの間違いが革命的に解消されています。
アクセントやイントネーションの調整ができるかどうかはまだ試していませんが、高低アクセントはまだ無理でしょう。

ほんと、これは衝撃です。
何年か前にVOICEPEAKが出た時も衝撃でしたが、v4はもうレベルが違います。
オープンリールの時代から長くナレーション業界に身を置き、音声合成の研究のお手伝いもしてきましたが、ナレーション業界はこれから大きく変わると思います。
分かりやすい例えを思いつきませんが、「文字起こし業界」が、業界ごと消滅した時と同じ予感がします。

ナレーターさんにとっては悪いニュースですが、音声制作業界にとってはv4は革命です。
YouTube界隈の人にとっても革命だと思います。
サブスクの料金がこのまま据え置かれることを祈っています。

、、、倍になっても使います。