音声合成・文字起こしをVOICEVOXで実現する｜AIでできること

音声合成・文字起こしとは？

音声合成・文字起こしとは、録音や読み上げを人がやっているという状態を、仕組みで解消することです。VOICEVOXは、この用途に使えるオープンソースのひとつです。日本語の音声合成エンジンです。読み上げ音声を自社サーバーで生成でき、キャラクター音声も選べます。

動画のナレーション生成
社内アナウンス・読み上げ
キャラクター音声の生成

VOICEVOXを使うと何が変わるのか

日本語のナレーションを内製するときの定番です。当社はAI動画のナレーション生成に使ってきました。実務で効く注意点が二つあります。ひとつはモデルの初回読み込み（コールドロード）で、当社の構成では約240秒かかったため、呼び出し側のタイムアウトを600秒以上にしておかないと最初の1本目で必ず失敗します。もうひとつは読み方で、固有名詞や数字はそのまま渡すと不自然に読まれるため、読み上げ用のテキストを別に用意し、画面に出す字幕は元の表記のままにする二段構えが要ります。話者ごとに利用規約が異なるため、公開する動画で使う場合はクレジット表記の条件を必ず確認してください。

すでに世界で使われている完成品を土台にするので、同じものをゼロから作るより短い期間で済みます。当社は、この土台に対して日本語化、画面や項目の変更、権限、帳票、既存システムとの連携を加えて、御社の業務に合う状態にします。

VOICEVOXの日本語対応（実測）

VOICEVOXの日本語対応は未調査です。

ライセンス	LGPL-3.0（デュアルライセンス。話者ごとの利用規約は別途確認が必要）
日本語ロケール	日本語専用のエンジンで、UI・ドキュメントとも日本語です。

GitHubの公開ファイル一覧から日本語ロケールの実ファイルを数えた結果です。配布用のビルド成果物は除いています。技術的な詳細はVOICEVOXのOSS情報にまとめています。

進め方は？

進め方とは、現場を見て対象を決め、動くものを見ていただきながら作り、御社の環境へ導入するまでの流れのことです。書類で仕様を固めてから作る進め方はしません。

1日目（無料）

現場に伺い、いまのやり方を見せていただきます。音声合成・文字起こしのどこから手を付けるかを決めます。

2〜4日目

VOICEVOXを土台に、御社のPCで目の前で開発します。動くものを見ながらその場で直します。

5日目

御社の環境へ導入し、ソースコードと開発ノウハウをお渡しします。以後は自社で改造できます。

その後

追加の作り込みが必要なら、範囲を決めてあらためてお見積もりします。延長を前提にした進め方はしません。

この方法が向かないのは？

向かないのは、基幹システムの全面刷新や、複数部門にまたがる大規模な仕組みのことです。15時間という枠では作り切れません。また、決まった手順を正確に繰り返すだけの処理は、AIを使わないほうが速く確実です。当社ではその部分は普通のプログラムとして作ります。

音声合成・文字起こしを、まず15時間で試す

名古屋市内なら、1日3時間×5日間の計15時間・税別15万円で試せます。初日3時間のヒアリングと提案は無料です。御社のPCと御社名義のAIエージェントで目の前で開発するので、作り方ごと社内に残ります。成果物とソースコードはお客様のものです。

AI導入お試し実験を見る動くデモを先に見る（110,000円〜） VOICEVOXについて相談する

音声合成・文字起こしに使える他のオープンソース

同じ用途に使える土台は他にもあります。ライセンス、日本語対応、規模を比べて選べます。

名前	できること	日本語	デモ
Coqui TTS（XTTS）	多言語対応の音声合成ツールキットです。少量の音声から話者の声を再現する使い方もできます。	日本語の読み上げに対応しますが、前処理を入れないと固有名詞や数字の読みが崩れます。	—
Kurage AI MOM	会議の録音をアップすると、同じサーバーのwhisper.cppが文字起こしし、AIが議事録の下書きを作り、人が承認したものだけが確定議事録になるシステムです。	日本語で開発・提供。	—
Complete-Ecommerce-in-laravel-10	Laravel 10をベースとした高機能なECサイト構築用ソリューションです。	日本語ファイルが一部のみ	—
Kurage AI VTuber Runtime	台本・自律会話・TTS・リップシンク・配信を扱うAI VTuberランタイムです。	日本語台本、音声、配信UIに対応。	—
Streamer-Sales	商品の特徴から購買意欲を刺激する商品解説を行うAIライブコマース配信システムです。	未調査	—

音声合成・文字起こしに使えるOSSの一覧を見る

よくあるご質問

音声合成・文字起こしはVOICEVOXで本当にできますか？

日本語の音声合成エンジンです。読み上げ音声を自社サーバーで生成でき、キャラクター音声も選べます。この用途に使えるオープンソースとして公開されており、当社ではこれを土台に日本語化と自社向けの変更を行って導入します。

費用はどのくらいかかりますか？

名古屋市内であれば、1日3時間×5日間の計15時間・税別15万円のお試し導入があります。初日3時間のヒアリングと提案は無料で、進めるとお決めいただいた場合のみ費用が発生します。

作ったものは自社のものになりますか？

なります。ソースコード一式をお渡しします。以後は自社で改造しても、他社に依頼しても構いません。当社に縛られる契約にはしません。

社内にIT担当者がいなくても導入できますか？

できます。いまの紙やExcelのやり方をそのまま見せていただければ、こちらで形にします。専門用語で話を進めることはしません。

音声合成・文字起こしを、VOICEVOXで実現する。