音声合成（TTS）をVPSで動かす

レン

記事を読み上げてくれる機能を作りたいんだけど、音声合成AIってVPSでも動くの？

プロクラ

動くよ。音声合成は、画像生成ほどGPUに依存しない処理も多くて、CPUだけでも実用になる場合がある。ただし、どれくらい自然な声を求めるかによって、必要な重さは変わってくるんだ。

自然さと軽さのトレードオフ

• 機械っぽさが残ってもいいなら、CPUでも十分な速さで生成できることが多い
• 人間らしい抑揚を求めるほど、計算は重くなりやすい
• 外部の音声合成APIを使えば、この重さの問題をVPS側で抱えずに済む

レン

自前で動かすのと、外部APIを使うのとでは、何が違うの？

プロクラ

外部APIは自然な声を手軽に使える代わりに、読み上げる文章を相手に送ることになる。自前で動かせば、その心配は無くなるけど、声の自然さと運用の手間は自分で引き受けることになるよ。

VPSで動かすときの構成

音声合成は、テキストを受け取ってから音声ファイルができるまでに一定の時間がかかります。Webの応答としてその場で待たせるより、依頼を受け付けてから裏側で処理し、できあがったら通知する形のほうが、利用者を待たせずに済みます。長い文章を読み上げる用途では、この非同期の設計がほぼ必須になります。

• 依頼の受付と、実際の音声生成の処理を分ける
• 生成中の依頼が重ならないよう、順番に処理する仕組みを入れる
• できあがった音声ファイルは、必要な期間が過ぎたら削除する

扱う文章への配慮

読み上げさせる文章に、他人の著作物や、読み上げられることを想定していない個人情報が含まれていないかにも注意してください。音声にすることで、文字のときとは違う形で情報が広まりやすくなる場合があります。

プロクラ

『どれくらい自然な声が必要か』を最初に決めておくと、モデル選びも構成も一気に決めやすくなるよ。目的をぼかしたまま作り始めると、あとで作り直しになりやすいから気をつけて。

レン

声の種類（男性・女性・話し方の癖など）は選べるものなの？

プロクラ

モデルによって用意されている声の種類は違うよ。複数の声を切り替えられるものもあれば、決まった声しか出せないものもある。使いたい場面に合う声が用意されているかは、選ぶ前に確認しておいたほうがいいね。

プロクラ

音声は文字以上に、聞いた人に強い印象を残すよ。読み上げる内容と声の選び方は、思っている以上に利用者の体験を左右する部分だから、機能として軽く扱わず、じっくり選んでほしいな。

同じ文章を何度も読み上げる場合

案内文のように、同じ文章が繰り返し読み上げられる場面では、一度作った音声ファイルを保存しておいて使い回す方法が有効です。毎回ゼロから生成するより処理の負荷を抑えられ、利用者を待たせる時間も短くなります。ただし元の文章を変更したときに、古い音声を消し忘れて古い内容のまま流れ続けることがないよう、文章と音声の対応をきちんと管理しておいてください。

• 定型文の音声は、生成し直さず保存して使い回す
• 元の文章を変更したら、対応する音声も必ず作り直す
• 使われなくなった音声ファイルは、定期的に整理する

レン

自然さを取るか軽さを取るか、まずそこを決めてから作り始めるんだね。