Loading video...

Video Failed to Load

Go Home

Apple Silicon 搭載の MacBook Pro M1 Max 64GB 上で、完全ローカル動作する日本語音声対話アシスタントを構築しています。 音声認識から応答生成、音声合成まで、実行時の処理はすべてローカル動作でネットに繋がっていなくても動きます。 現在の中核構成は、mlx-whisper（mlx-community/whisper-large-v3-turbo） → LM Studio Local Server 上の gemma-4-26b-a4b → Irodori-TTS-500M-v2。 今回は、Irodori-TTS の VoiceDesign で実在しない話者の参照音声を生成し、その参照音声を用いて一貫性のあるゼロショット音声クローンを行う構成にしています。 つまり、ローカル環境内で設計した話者によって対話音声を生成しています。 （実在人物のクローン行為ではありません） まだ改良中ですが、クラウドAPIなし・実行時の外部通信なしで、ここまで自然な日本語音声対話が成立するのはかなり面白いです。 原理的にストリーミングTTSに対応しないためレスポンスが少し遅いですが、ここを誤魔化す技術について考え中です。

plastic_gear's profile picture

ぷらぎあ

14,497 subscribers

35,705 views • 2 months ago •via X (Twitter)

LIVE

Anya Rossi• Live Now

Private livecam show

0 Comments

No comments available

Comments from the original post will appear here

Related Videos

個人開発者必読。完全ローカルで使用できる音声AIを開発した猛者が海外で話題になっています。ネット接続なしで音声認識から返答、合成音声まで全部動く。しかもオープンソースのAIを組み合わせて実現。具体的に解説するので保存して参考にしてください👇
0:45

個人開発者必読。完全ローカルで使用できる音声AIを開発した猛者が海外で話題になっています。ネット接続なしで音声認識から返答、合成音声まで全部動く。しかもオープンソースのAIを組み合わせて実現。具体的に解説するので保存して参考にしてください👇

えいと

176,381 views • 10 months ago

■音声AI限界突破 Irodori-TTS ※非常にキｍ...センシティブなので絶対に公共の場で再生しないでください。絶対にだ。 姫騎士もちょろいです😇 これはもうなんらかのサービスが爆誕しちゃうね、、、 ------------------------------------------------------- 基本的な使い方は省略 ⓪Irodori-TTSを導入（くろくまそふとさん見て頑張れ） ①Irodori-TTS VoiceDesignで好きな声質が出るまでガチャ ②①で作った音声をIrodori-TTS Inferenceで音声参照させて好きなセリフを声の一貫性を持たせて話させる。 ※但し、最大30秒までしか一度に話せないのでセリフを分割する必要あり。 ※これ系のセリフを考えるのは常人には苦行が過ぎるのでGrok使うととてもよきです。 ------------------------------------------------------ 参照ボイスの一貫性もまずまずだし、API対応してるしでアニメ系で何か作るならおススメですね😇
0:51

Sensitive content

■音声AI限界突破 Irodori-TTS ※非常にキｍ...センシティブなので絶対に公共の場で再生しないでください。絶対にだ。 姫騎士もちょろいです😇 これはもうなんらかのサービスが爆誕しちゃうね、、、 ------------------------------------------------------- 基本的な使い方は省略 ⓪Irodori-TTSを導入（くろくまそふとさん見て頑張れ） ①Irodori-TTS VoiceDesignで好きな声質が出るまでガチャ ②①で作った音声をIrodori-TTS Inferenceで音声参照させて好きなセリフを声の一貫性を持たせて話させる。 ※但し、最大30秒までしか一度に話せないのでセリフを分割する必要あり。 ※これ系のセリフを考えるのは常人には苦行が過ぎるのでGrok使うととてもよきです。 ------------------------------------------------------ 参照ボイスの一貫性もまずまずだし、API対応してるしでアニメ系で何か作るならおススメですね😇

AIギャル物語

69,411 views • 2 months ago

【ElevenLabs(ElevenLabs)】AI音声の最終地点！ 最新モデルEleven v3がアルファ版となり、70 以上の言語、複数の話者による対話、[興奮]、[ため息]、[笑い]、[ささやき声] などの音声タグをサポートしました。 さらにテキストからオリジナルのボイスを生成できる機能の最新版「Voice Design v3」をリリースしています。 今回は、タグを使って囁き声や感情をこめて話すAI音声生成のテストをしました。 使い方が微妙に難しくておもしろい感じになってしまいましたが、丁寧に作ればもっと上手く作れそうです。 リップシンクはHedra(Hedra)を使用しています。 映像の中で音声は重要な要素ですので最新情報をお見逃しなく！ #ElevenLabs #AI音声 #音声生成AI
0:40

【ElevenLabs(ElevenLabs)】AI音声の最終地点！ 最新モデルEleven v3がアルファ版となり、70 以上の言語、複数の話者による対話、[興奮]、[ため息]、[笑い]、[ささやき声] などの音声タグをサポートしました。 さらにテキストからオリジナルのボイスを生成できる機能の最新版「Voice Design v3」をリリースしています。 今回は、タグを使って囁き声や感情をこめて話すAI音声生成のテストをしました。 使い方が微妙に難しくておもしろい感じになってしまいましたが、丁寧に作ればもっと上手く作れそうです。 リップシンクはHedra(Hedra)を使用しています。 映像の中で音声は重要な要素ですので最新情報をお見逃しなく！ #ElevenLabs #AI音声 #音声生成AI

SEIIIRU😈動画生成AI×AfterEffects

14,236 views • 1 year ago

音声生成プラットフォームのElevenLabsからSkillsがリリースされました！ これによってAntigravityなどのエージェントに話しかけるだけで音声生成などの様々な機能をエージェントが使えるようになります！ 「〇〇の解説動画を作って」 このような簡単なプロンプトから、 ・情報の調査 ・台本の作成 ・音声の生成 ・動画への組み込み ・正しいタイミングでテロップを挿入 という作業を一貫して行うことができるようになりました！ 他にもいろんな機能があるので、どんな使い方ができるか、考えるだけでワクワクしますね！
1:05

音声生成プラットフォームのElevenLabsからSkillsがリリースされました！ これによってAntigravityなどのエージェントに話しかけるだけで音声生成などの様々な機能をエージェントが使えるようになります！ 「〇〇の解説動画を作って」 このような簡単なプロンプトから、 ・情報の調査 ・台本の作成 ・音声の生成 ・動画への組み込み ・正しいタイミングでテロップを挿入 という作業を一貫して行うことができるようになりました！ 他にもいろんな機能があるので、どんな使い方ができるか、考えるだけでワクワクしますね！

かし子🍩

56,716 views • 5 months ago

【絶体絶命の楽器編成】 たまに、ドラム・ピアノ・フロントという、いわゆる“ベースレス”の編成でライブをやらされることがあります。 ドラムがいるにもかかわらずベースがいない。この編成はピアニストにとって最も厄介な状況の一つかもしれません。 多くのアマチュアのピアニストは、ベーシストがいないと分かった瞬間、左手でウォーキングをしてしまったりします。 しかし、音楽は必ずしも理屈で解決すべきものではありません。 やることは、実は極めてシンプルです。 三人全員が、抜群にスイングし、良い音で演奏すること。 それだけです。それだけで音楽は成立します。 もう一度言います。 良い音で、三人が同時に演奏する。ただそれだけ。 この動画を観てください。 無理に相手に合わせようとしていますか？ 過剰に「化学反応」を起こそうとしているでしょうか？ ただ相手の音を聴きながら、良い音で演奏しているだけです。 理論的にも、特別に難しいことは何一つやっていません。 ただし、ここに至るまでには時間がかかります。良い音でスイングして演奏できるようになれるように、一生かけて勉強します。どんなに才能がある人でも最低20年はかかるでしょう。 結局のところ、自分の演奏に一切の嘘がなくなるレベルまで到達しなければ、こうした「シンプルなこと」はできないのです。これはその事実を如実に示している一例です【完】
1:00

【絶体絶命の楽器編成】 たまに、ドラム・ピアノ・フロントという、いわゆる“ベースレス”の編成でライブをやらされることがあります。 ドラムがいるにもかかわらずベースがいない。この編成はピアニストにとって最も厄介な状況の一つかもしれません。 多くのアマチュアのピアニストは、ベーシストがいないと分かった瞬間、左手でウォーキングをしてしまったりします。 しかし、音楽は必ずしも理屈で解決すべきものではありません。 やることは、実は極めてシンプルです。 三人全員が、抜群にスイングし、良い音で演奏すること。 それだけです。それだけで音楽は成立します。 もう一度言います。 良い音で、三人が同時に演奏する。ただそれだけ。 この動画を観てください。 無理に相手に合わせようとしていますか？ 過剰に「化学反応」を起こそうとしているでしょうか？ ただ相手の音を聴きながら、良い音で演奏しているだけです。 理論的にも、特別に難しいことは何一つやっていません。 ただし、ここに至るまでには時間がかかります。良い音でスイングして演奏できるようになれるように、一生かけて勉強します。どんなに才能がある人でも最低20年はかかるでしょう。 結局のところ、自分の演奏に一切の嘘がなくなるレベルまで到達しなければ、こうした「シンプルなこと」はできないのです。これはその事実を如実に示している一例です【完】

天才ピアニストゆうこりん❤️ 4/22 中目黒 楽屋 🎹 Yuking of Swing🔥

33,834 views • 6 months ago

🎊🎊様々なキャラクターたちの声で音声合成できるサービス”Kotodama”をリリースします🎊🎊 感情豊かなキャラクターの声で、新しい物語を紡いであげてください。HappyRatの他のキャラクターや、HappyRat以外のキャラクターも順次登場予定です。 お楽しみに！ -------- 僕達は感情豊かなキャラクターAIを作っています。その中でも、声は欠かすことができない要素で、こだわりを持ちながら音声合成エンジンを作っています。 フルスクラッチの学習からスタートして、感情豊かな表現を出すためにモデル自体を改良したり、より自然な表現になるよう日夜アノテーションで性能改善を進めたり。 ・・・そんなことを積み上げていたら、いつの間にか「リアルタイム (<0.5秒)」「キャラクターの声色の再現」「豊かな感情表現」の三拍子揃ったモデルになっていました。 これまでは弊社アプリからのみ利用可能な状態にしていましたが、様々な企業様やクリエイターの方から、ぜひ誰でも簡単に使えるようにしてほしいとご要望をいただき、晴れて独立したサービスとしてローンチすることになりました。 特に自信があるのは、リアルタイム性と感情表現の豊かさです。API経由でも使えますので、リアルタイム対話アプリケーションにもぴったりです。 感情表現については・・・そうですね、ここまで本気で、泣いたり笑ったり出来る音声合成エンジンは、これまで無かったのではと思います。 ぜひ実際のサービスで体験してみてください‼️ #ハピラト #kotodama #音声AI #AIVOICE #AI
1:17

🎊🎊様々なキャラクターたちの声で音声合成できるサービス”Kotodama”をリリースします🎊🎊 感情豊かなキャラクターの声で、新しい物語を紡いであげてください。HappyRatの他のキャラクターや、HappyRat以外のキャラクターも順次登場予定です。 お楽しみに！ -------- 僕達は感情豊かなキャラクターAIを作っています。その中でも、声は欠かすことができない要素で、こだわりを持ちながら音声合成エンジンを作っています。 フルスクラッチの学習からスタートして、感情豊かな表現を出すためにモデル自体を改良したり、より自然な表現になるよう日夜アノテーションで性能改善を進めたり。 ・・・そんなことを積み上げていたら、いつの間にか「リアルタイム (<0.5秒)」「キャラクターの声色の再現」「豊かな感情表現」の三拍子揃ったモデルになっていました。 これまでは弊社アプリからのみ利用可能な状態にしていましたが、様々な企業様やクリエイターの方から、ぜひ誰でも簡単に使えるようにしてほしいとご要望をいただき、晴れて独立したサービスとしてローンチすることになりました。 特に自信があるのは、リアルタイム性と感情表現の豊かさです。API経由でも使えますので、リアルタイム対話アプリケーションにもぴったりです。 感情表現については・・・そうですね、ここまで本気で、泣いたり笑ったり出来る音声合成エンジンは、これまで無かったのではと思います。 ぜひ実際のサービスで体験してみてください‼️ #ハピラト #kotodama #音声AI #AIVOICE #AI

佐々木雄一 (SpiralAI CEO)

74,301 views • 8 months ago

Claude Code (Antigravity) × Remotionで今話題の「ビデオポッドキャスト」作成を半自動化する手順🎙️ ①音声収録 ②AIで無音カット ③画像生成AIでキャラクター作成 ④動画生成AIでAIアバター化してリップシンク（口パク） ⑤AIで音声分析 ⑥AI×Remotionでテロップ＆素材入れ 実際に添付の動画は、「動画撮影なし」「動画編集ソフトの使用なし」で生成・作成しています。 顔出ししたくない方・動画編集の経験がない方におすすめの方法ですが、現場のリアルな話をすると… ④の「リップシンク生成」はまだ単価が高く、毎日投稿するにはコスパが悪いです。 なので私は現在、④を省いて 「ループ動画」や「ゆっくり風アニメーション」に Remotionでテロップやイラストを入れる運用をしています。 とはいえ、生成AIのコストはどんどん下がっているので、AIアバターの低コスト化も時間の問題だとは思っています。 今のうちに可能な範囲でAIを使いながら、自分のコンテンツを育てておくのがおすすめです！
0:20

Claude Code (Antigravity) × Remotionで今話題の「ビデオポッドキャスト」作成を半自動化する手順🎙️ ①音声収録 ②AIで無音カット ③画像生成AIでキャラクター作成 ④動画生成AIでAIアバター化してリップシンク（口パク） ⑤AIで音声分析 ⑥AI×Remotionでテロップ＆素材入れ 実際に添付の動画は、「動画撮影なし」「動画編集ソフトの使用なし」で生成・作成しています。 顔出ししたくない方・動画編集の経験がない方におすすめの方法ですが、現場のリアルな話をすると… ④の「リップシンク生成」はまだ単価が高く、毎日投稿するにはコスパが悪いです。 なので私は現在、④を省いて 「ループ動画」や「ゆっくり風アニメーション」に Remotionでテロップやイラストを入れる運用をしています。 とはいえ、生成AIのコストはどんどん下がっているので、AIアバターの低コスト化も時間の問題だとは思っています。 今のうちに可能な範囲でAIを使いながら、自分のコンテンツを育てておくのがおすすめです！

りょー｜AI動画制作・編集

321,821 views • 5 months ago

最近、YouTubeのコメント欄に「某声優さんにそっくり」「AIだろ」「訴えられろ」みたいなコメントが急増しています。 親父譲りの声でお話しているだけなのですが…せっかくなので、声の類似性について音声学的な話を少し。 人間の声は、声帯で作られるピッチと、声道（喉・口腔・鼻腔）の形状で決まる共鳴特性によって成り立っています。 声道の長さ・形状は、身長や骨格と強く関係しており、個人差も大きい。 ですが80億人もいるので、色々な条件の組み合わせの中で「似た声」が出てくるのは、生物学的に自然な現象です。 顔の「そっくりさん」がいるのと同じ理屈です。 むしろ、顔は似せるために極めて多くの条件が同時に一致する必要がある一方で、声は連続的な変数が多く、完全に一致しなくても「似た音色」として聞こえやすいのです。 つまり、「声の出力（聞こえ方）」が似る確率は、「顔が似る」確率より高い傾向があるということです。 実際、法廷音声鑑定の分野では、声は指紋ほど完全にユニークではなく、似た声の誤認リスクは常に議論されています。 特に双子研究では声の類似性が非常に高いケースが多く報告されています。 つまり「似てる声」は普通に「あるある」なのです。 僕の場合は、完全に親父と瓜二つの声であって、誰かの声を学習させたAIでも声真似でもありません。 （ちなみに副鼻腔炎になりやすい鼻腔なので、似てる人は副鼻腔炎持ち率が高いかも…？） ということで、これを読んだ人は「似てる声」は「顔が似てる」と同様に、ただのあるあるなんだということを、新しい知見として認識してもらえると良いなと思います。 そして、誤解している人を見かけたら「違いますよ」と指摘していただけますと幸いです。 ※ただし、これは自然に生まれた声の話です。 特定の声優の声をAIに無断で学習させて、収益化するのは全く別問題です。 おそらく最新の分析技術であれば、生声か学習かくらい判別できそうですが、どうなんでしょう？？🧐
0:27

最近、YouTubeのコメント欄に「某声優さんにそっくり」「AIだろ」「訴えられろ」みたいなコメントが急増しています。 親父譲りの声でお話しているだけなのですが…せっかくなので、声の類似性について音声学的な話を少し。 人間の声は、声帯で作られるピッチと、声道（喉・口腔・鼻腔）の形状で決まる共鳴特性によって成り立っています。 声道の長さ・形状は、身長や骨格と強く関係しており、個人差も大きい。 ですが80億人もいるので、色々な条件の組み合わせの中で「似た声」が出てくるのは、生物学的に自然な現象です。 顔の「そっくりさん」がいるのと同じ理屈です。 むしろ、顔は似せるために極めて多くの条件が同時に一致する必要がある一方で、声は連続的な変数が多く、完全に一致しなくても「似た音色」として聞こえやすいのです。 つまり、「声の出力（聞こえ方）」が似る確率は、「顔が似る」確率より高い傾向があるということです。 実際、法廷音声鑑定の分野では、声は指紋ほど完全にユニークではなく、似た声の誤認リスクは常に議論されています。 特に双子研究では声の類似性が非常に高いケースが多く報告されています。 つまり「似てる声」は普通に「あるある」なのです。 僕の場合は、完全に親父と瓜二つの声であって、誰かの声を学習させたAIでも声真似でもありません。 （ちなみに副鼻腔炎になりやすい鼻腔なので、似てる人は副鼻腔炎持ち率が高いかも…？） ということで、これを読んだ人は「似てる声」は「顔が似てる」と同様に、ただのあるあるなんだということを、新しい知見として認識してもらえると良いなと思います。 そして、誤解している人を見かけたら「違いますよ」と指摘していただけますと幸いです。 ※ただし、これは自然に生まれた声の話です。 特定の声優の声をAIに無断で学習させて、収益化するのは全く別問題です。 おそらく最新の分析技術であれば、生声か学習かくらい判別できそうですが、どうなんでしょう？？🧐

神のみぞ知る

19,510 views • 1 month ago

寝不足になるほど面白い_ローカルAIと音声合成をつないだら、キャラが普通にしゃべり始めた【アスキー記事冒頭】日本語に特化して開発されているTTSモデル（Text-to-Speech、テキストから音声）の「Irodori-TTSv3」が話題になっています。最近、様々なTTSが登場しているのですが、アナウンサー的な話し方のTTSが多いなか、このモデルは、より幅広い感情表現ができ、演技までできるうえに、生成速度が速いという特徴があります。今回は、グーグルのオープンモデルLLMである「Gemma4」を組み合わせて、AIとのチャットアプリを開発してみました。ローカルLLMと高速TTSを組み合わせれば、キャラクターAIが実用的な速度でしゃべり始める段階に入っています。【動画は開発したアプリの2Pモード】
3:25

寝不足になるほど面白い_ローカルAIと音声合成をつないだら、キャラが普通にしゃべり始めた【アスキー記事冒頭】日本語に特化して開発されているTTSモデル（Text-to-Speech、テキストから音声）の「Irodori-TTSv3」が話題になっています。最近、様々なTTSが登場しているのですが、アナウンサー的な話し方のTTSが多いなか、このモデルは、より幅広い感情表現ができ、演技までできるうえに、生成速度が速いという特徴があります。今回は、グーグルのオープンモデルLLMである「Gemma4」を組み合わせて、AIとのチャットアプリを開発してみました。ローカルLLMと高速TTSを組み合わせれば、キャラクターAIが実用的な速度でしゃべり始める段階に入っています。【動画は開発したアプリの2Pモード】

新清士@AIコンテンツ開発者

43,710 views • 1 month ago

ちょっと友達と話している間に、ワークフローが完成して完全体になってた。 私がネタ指定(ここも自動化可能)→台本作成→私っぽい口語に直す→TTSで音声化→冒頭は実写のリップシンクで動画生成、後半はClaudeCodeが動画生成(どう作ってるかは知らん)→統合して完成。 ここまでワンストップで修正なし。 ※撮影したものではなくAI生成動画、生成音声です。
1:23

ちょっと友達と話している間に、ワークフローが完成して完全体になってた。 私がネタ指定(ここも自動化可能)→台本作成→私っぽい口語に直す→TTSで音声化→冒頭は実写のリップシンクで動画生成、後半はClaudeCodeが動画生成(どう作ってるかは知らん)→統合して完成。 ここまでワンストップで修正なし。 ※撮影したものではなくAI生成動画、生成音声です。

ハヤカワ五味

298,105 views • 26 days ago

先日、SUNOで生成されたものをmp3でダウンロードするか wavでダウンロードするか、で音質が違うという話題を見かけました。 SUNOもACE Studioも(というかAI生成全部かもしれない) mp3で生成されます。 SUNOの場合、生成された状態はmp3でもwavでダウンロードを掛けると何かしらのフィルターが掛かって書き出されるのか それともコンバートの精度なのか、音は変わるっぽい。 その話題で、初心者の方々に誤った勘違いが起こっているのをちょこちょこ見かけました。 ここからはSUNOやAI生成の話ではないです。 WAVやAIFFからmp3やAACに変換された音声は 圧縮するために情報量が削られます。 この動画を見ていただければ、元は同じファイルでも mp3の方は上が無くなっている事が分かると思います。 で、この状態のmp3やAACを、wavやAIFFに変換しても 容量が増えるだけで失った音質は戻ってきません。 なので「wavの方が音が良い」は、この状態になってしまったファイルには当てはまりません。 mp3と全く同じ音のまま容量が増えるだけです。 ちなみに、Logic Proはmp3やAACを取り込むと 自動的に設定しているwavかAIFFに変換されます。 ※DAWによっては、そのままmp3を扱うものと、wavに変換されるものがあります。 そのまま再生するとmp3と全く同じ音になります。 では、なぜDAWに入れた際にwavに変換されるのか？ フェーダー操作やPluginを掛けていった際に、mp3とwavで結果が変わる点と mp3やAACを再生するために都度デコードしながら再生するので、無駄な負荷が掛かるためです。 とはいえ、現代のパソコンでこの程度の負荷は誤差の範囲ですが デコードしながらプラグインも掛ける行為が安定しているとはいえない、とされているからの様です。 ここでSUNOの話に戻します。 なので、SUNOで生成されたファイルをmp3でダウンロードした後に それを何かしらのソフトでwavに変換しただけの状態では 無駄に容量が増えただけで音質は変わっていない、という事です。 (先に書いたように、SUNOからのダウンロードにおいてはmp3とwavは音が違うようです。) その後、何かしらの変化を行った場合にwavが活きてくる。 何も変化を起こさない2mixのままならmp3のままでいい、という事になります。 ※一部、特殊な音声圧縮フォーマット「FLAC」は 元の音質に戻ります。
0:20

先日、SUNOで生成されたものをmp3でダウンロードするか wavでダウンロードするか、で音質が違うという話題を見かけました。 SUNOもACE Studioも(というかAI生成全部かもしれない) mp3で生成されます。 SUNOの場合、生成された状態はmp3でもwavでダウンロードを掛けると何かしらのフィルターが掛かって書き出されるのか それともコンバートの精度なのか、音は変わるっぽい。 その話題で、初心者の方々に誤った勘違いが起こっているのをちょこちょこ見かけました。 ここからはSUNOやAI生成の話ではないです。 WAVやAIFFからmp3やAACに変換された音声は 圧縮するために情報量が削られます。 この動画を見ていただければ、元は同じファイルでも mp3の方は上が無くなっている事が分かると思います。 で、この状態のmp3やAACを、wavやAIFFに変換しても 容量が増えるだけで失った音質は戻ってきません。 なので「wavの方が音が良い」は、この状態になってしまったファイルには当てはまりません。 mp3と全く同じ音のまま容量が増えるだけです。 ちなみに、Logic Proはmp3やAACを取り込むと 自動的に設定しているwavかAIFFに変換されます。 ※DAWによっては、そのままmp3を扱うものと、wavに変換されるものがあります。 そのまま再生するとmp3と全く同じ音になります。 では、なぜDAWに入れた際にwavに変換されるのか？ フェーダー操作やPluginを掛けていった際に、mp3とwavで結果が変わる点と mp3やAACを再生するために都度デコードしながら再生するので、無駄な負荷が掛かるためです。 とはいえ、現代のパソコンでこの程度の負荷は誤差の範囲ですが デコードしながらプラグインも掛ける行為が安定しているとはいえない、とされているからの様です。 ここでSUNOの話に戻します。 なので、SUNOで生成されたファイルをmp3でダウンロードした後に それを何かしらのソフトでwavに変換しただけの状態では 無駄に容量が増えただけで音質は変わっていない、という事です。 (先に書いたように、SUNOからのダウンロードにおいてはmp3とwavは音が違うようです。) その後、何かしらの変化を行った場合にwavが活きてくる。 何も変化を起こさない2mixのままならmp3のままでいい、という事になります。 ※一部、特殊な音声圧縮フォーマット「FLAC」は 元の音質に戻ります。

くうP

84,546 views • 2 months ago

ブラウザでファミコン風のサウンドを再生するプログラムが形になりました～！まだ粗いところはありますが、音楽ファイルでなくテキストで打ち込んだスコアデータから音を生成・加工してます。試しに『ドラクエⅠ』の「広野を行く」を演奏。ついでにピアノ鍵盤まで作成してしまいましたw
0:40

ブラウザでファミコン風のサウンドを再生するプログラムが形になりました～！まだ粗いところはありますが、音楽ファイルでなくテキストで打ち込んだスコアデータから音を生成・加工してます。試しに『ドラクエⅠ』の「広野を行く」を演奏。ついでにピアノ鍵盤まで作成してしまいましたw

れとろなゲームズ

29,042 views • 3 months ago

コント: 世界を７回救った女 RunwayのCPPになりました！(Thank you Cristóbal Valenzuela and 🍥 Timmy 🍥 !!)ということでAlephをガッツリ使ってその良さを伝えたいと思います。(モバイルでやりました！) この動画、元画像は1個のみ。あとは全部Alephです。 カメラアングルめっちゃ自在だし、インタビュワーも作ってくれました。 Seedanceのマルチカットが得意とするところですが、Runwayのほうが画風維持してくれますね 音声はGemini TTS 聞いてもらうとわかるんですが、相槌するじゃないですか。これアドリブなんですよ！一人一人の音声ではなく会話全体を一つのファイルとして生成する強み
0:33

コント: 世界を７回救った女 RunwayのCPPになりました！(Thank you Cristóbal Valenzuela and 🍥 Timmy 🍥 !!)ということでAlephをガッツリ使ってその良さを伝えたいと思います。(モバイルでやりました！) この動画、元画像は1個のみ。あとは全部Alephです。 カメラアングルめっちゃ自在だし、インタビュワーも作ってくれました。 Seedanceのマルチカットが得意とするところですが、Runwayのほうが画風維持してくれますね 音声はGemini TTS 聞いてもらうとわかるんですが、相槌するじゃないですか。これアドリブなんですよ！一人一人の音声ではなく会話全体を一つのファイルとして生成する強み

yachimat - AI Short Anime

20,813 views • 10 months ago

この動画は私の知るAIアニメ研究者たちの情報を少しずつお借りして作成しました。 長い間バトル系AIアニメを研究してくれていた方々を私は知っています。 足りない性能の中、工夫して再現する姿は見ていて素晴らしくクリエイティブでした。 ツールの進化と共にクリエイターたちも進化しているAI動画界隈は見ているだけでも楽しいです。 AI動画ツールの進化は、そんな彼らの「好き」が開発の方向性を決めた結果ではないかと思います。 自分も彼らのようにいつまでも作る側でいたいものです。 【使用ツール】 Midjourneyで１枚生成 NanoBananaで差分生成 Hailuo AIで動画生成 Udioで音楽生成 ChatGPTでタイトル生成＆etc... たった１枚画像生成するだけで、GoogleさんのNanoBananaは無限にシーンを再構成できます。 今回は１枚をずっと使っていましたが、作れば作るほどリファレンス素材が増えるので精度があがりそうです。 終わってから思ったんですが、できる限り全身が描かれていて背景の情報も多いイラストを用意するか、キャラクターの全身をNanoBananaでだしてから一緒に参照するか、靴とか服装とかプロンプトで補強するかしないと、服装が変わってしまいます。 今回はテストなので、動画生成も同じプロンプトでキーフレーム機能にまかせる形にしましたが、詳しい動作の内容や絵にないエフェクトの追加など、プロンプトでもう一枚中割りを追加する感覚で丁寧にプロンプトを書き込めばもっと精度があがると思います。 ２年くらい動画生成の投稿してますがここまでAI動画のクオリティーがあがると思ってませんでした。 AIアニメを作っている人は、どんな方法で制作をしているかリプ欄で教えてくれると嬉しいです。 この動画はCPPのリリース前テストとなります。 HailuoAIというツールがリリースする前のテスト段階から、誰よりも生成していたらCPPに誘われて、ここまでずっとお世話になっていました。 一時期は話題にあがらず心配していましたが、一通り音声ツールを強化した後にHailuo02で巻き返してくれて安心しました。 Minimax Audioもアニメ制作に使えるクオリティーの音声が生成できるのでしっかり地盤固めてましたね。 あとは、どんなスタイルでもどんなキャラクターにも使える動画用リップシンク機能とかきたら嬉しいです。 効果音完璧につけてくれる機能とかあったら神！！ とりあえず楽しいけどバトルアニメはもういいかな…笑 AIアニメ制作の最適解が何かは日々更新されますのでみんなで研究し続けましょう！！ 次、何つくろっかな…🤔✨ ※エンドフレーム機能はCPPでβテスト中です!!🙏
1:33

この動画は私の知るAIアニメ研究者たちの情報を少しずつお借りして作成しました。 長い間バトル系AIアニメを研究してくれていた方々を私は知っています。 足りない性能の中、工夫して再現する姿は見ていて素晴らしくクリエイティブでした。 ツールの進化と共にクリエイターたちも進化しているAI動画界隈は見ているだけでも楽しいです。 AI動画ツールの進化は、そんな彼らの「好き」が開発の方向性を決めた結果ではないかと思います。 自分も彼らのようにいつまでも作る側でいたいものです。 【使用ツール】 Midjourneyで１枚生成 NanoBananaで差分生成 Hailuo AIで動画生成 Udioで音楽生成 ChatGPTでタイトル生成＆etc... たった１枚画像生成するだけで、GoogleさんのNanoBananaは無限にシーンを再構成できます。 今回は１枚をずっと使っていましたが、作れば作るほどリファレンス素材が増えるので精度があがりそうです。 終わってから思ったんですが、できる限り全身が描かれていて背景の情報も多いイラストを用意するか、キャラクターの全身をNanoBananaでだしてから一緒に参照するか、靴とか服装とかプロンプトで補強するかしないと、服装が変わってしまいます。 今回はテストなので、動画生成も同じプロンプトでキーフレーム機能にまかせる形にしましたが、詳しい動作の内容や絵にないエフェクトの追加など、プロンプトでもう一枚中割りを追加する感覚で丁寧にプロンプトを書き込めばもっと精度があがると思います。 ２年くらい動画生成の投稿してますがここまでAI動画のクオリティーがあがると思ってませんでした。 AIアニメを作っている人は、どんな方法で制作をしているかリプ欄で教えてくれると嬉しいです。 この動画はCPPのリリース前テストとなります。 HailuoAIというツールがリリースする前のテスト段階から、誰よりも生成していたらCPPに誘われて、ここまでずっとお世話になっていました。 一時期は話題にあがらず心配していましたが、一通り音声ツールを強化した後にHailuo02で巻き返してくれて安心しました。 Minimax Audioもアニメ制作に使えるクオリティーの音声が生成できるのでしっかり地盤固めてましたね。 あとは、どんなスタイルでもどんなキャラクターにも使える動画用リップシンク機能とかきたら嬉しいです。 効果音完璧につけてくれる機能とかあったら神！！ とりあえず楽しいけどバトルアニメはもういいかな…笑 AIアニメ制作の最適解が何かは日々更新されますのでみんなで研究し続けましょう！！ 次、何つくろっかな…🤔✨ ※エンドフレーム機能はCPPでβテスト中です!!🙏

SEIIIRU😈動画生成AIを使う映像クリエイター

30,190 views • 10 months ago

Irodori-TTSのv3が出たと言う事で自分の声でモデルを作ってTTSしてみました。これ普通にポッドキャストで流れてても音声合成だと思わないんじゃないかな。ちなみにトーク内容はフィクションです。アライグマは食べたことないので…ｸﾏｧ🦝
1:32

Irodori-TTSのv3が出たと言う事で自分の声でモデルを作ってTTSしてみました。これ普通にポッドキャストで流れてても音声合成だと思わないんじゃないかな。ちなみにトーク内容はフィクションです。アライグマは食べたことないので…ｸﾏｧ🦝

ろてじん

48,913 views • 1 month ago

取り急ぎ続きのシーンを作成。音声だけSORA2です。 細かいシーンをひとつずつ作るのが大変になってきたので、アイキャッチ的なカットを挟んで移動するシーンを省略しています。（アイキャッチの作り方はリプ） 実験的に制作しているアニメなので、細部にはいったん目をつむってまずは話を進めることを優先することにしました。
0:21

取り急ぎ続きのシーンを作成。音声だけSORA2です。 細かいシーンをひとつずつ作るのが大変になってきたので、アイキャッチ的なカットを挟んで移動するシーンを省略しています。（アイキャッチの作り方はリプ） 実験的に制作しているアニメなので、細部にはいったん目をつむってまずは話を進めることを優先することにしました。

ICO

65,554 views • 7 months ago

ご好評いただいているオーケストラヒットのネタばらしです😁 オケヒ単音で聞くとこんな感じで、実はそこまでそっくりではなかったりします。 6ch使っているとはいえ、十分な厚みを出すには足りない(と自分では思っている)ので「曲に混じって聞こえるオケヒ成分の音」を意識して音作りしています。
0:56

ご好評いただいているオーケストラヒットのネタばらしです😁 オケヒ単音で聞くとこんな感じで、実はそこまでそっくりではなかったりします。 6ch使っているとはいえ、十分な厚みを出すには足りない(と自分では思っている)ので「曲に混じって聞こえるオケヒ成分の音」を意識して音作りしています。

たかを/たかをん/Takawo 🎯

28,525 views • 6 months ago

✨AI音声で一貫した声を作り会話させるチャレンジ 前に音声を使ってLLMの文章を読ませることには成功していたけど、今回はオリジナルの声を作成してみました。 やったこと： ①まずQwen3-TTSで声を1個作る ②その声で171個量産（台詞バリエーション） ③Style-Bert-VITS2で学習 → 50分でカスタム音声モデル完成 ④UIに接続 → リアルタイムで喋る やばい！自分で作った声だと楽しい😊 苦労したところ： ・最初はブラウザ内TTS（Chatterbox）を試した → 1文30秒＆英語のみでまだ難しいしそもそもこの用途が厳しいかも💦 ・SBV2に切り替えたら環境構築に手間取ったけどうまくいった ・ただライセンスは要注意。やる場合は先にライセンス確認を。用途によっては制限があるものもある📝 まだまだ色々あるけど、今後のことを考えるとNVIDIAからも良い音声AIが出てるし、対応できるようにしておきたい。 今回は前回と同じくモデルはGPT-OSS 20Bだけど、Ollamaから読んでるので早い。 WebGPUでこれぐらい出たら嬉しいけどなー🥰 とはいえローカルでここまでできるようになったのは嬉しい。データは一切外に出ないしね。 声の元はAI生成だから、「存在しない人の声」をAIが学習して、AIキャラが喋る。 #AI #TTS
0:39

✨AI音声で一貫した声を作り会話させるチャレンジ 前に音声を使ってLLMの文章を読ませることには成功していたけど、今回はオリジナルの声を作成してみました。 やったこと： ①まずQwen3-TTSで声を1個作る ②その声で171個量産（台詞バリエーション） ③Style-Bert-VITS2で学習 → 50分でカスタム音声モデル完成 ④UIに接続 → リアルタイムで喋る やばい！自分で作った声だと楽しい😊 苦労したところ： ・最初はブラウザ内TTS（Chatterbox）を試した → 1文30秒＆英語のみでまだ難しいしそもそもこの用途が厳しいかも💦 ・SBV2に切り替えたら環境構築に手間取ったけどうまくいった ・ただライセンスは要注意。やる場合は先にライセンス確認を。用途によっては制限があるものもある📝 まだまだ色々あるけど、今後のことを考えるとNVIDIAからも良い音声AIが出てるし、対応できるようにしておきたい。 今回は前回と同じくモデルはGPT-OSS 20Bだけど、Ollamaから読んでるので早い。 WebGPUでこれぐらい出たら嬉しいけどなー🥰 とはいえローカルでここまでできるようになったのは嬉しい。データは一切外に出ないしね。 声の元はAI生成だから、「存在しない人の声」をAIが学習して、AIキャラが喋る。 #AI #TTS

LUTA＠AI

57,505 views • 4 months ago