読み上げの声の聞き比べ
Mutelinkで使える読み上げエンジンの違いと、標準の動作で使われる声のサンプルです。ダウンロードする前に、エンジンの特徴を聞いて確かめられます。
エンジンの違い
| VOICEVOX | Irodori-TTS | Qwen3-TTS | |
|---|---|---|---|
| 読める言語 | 日本語 | 日本語 | 日本語、英語、中国語、韓国語、ドイツ語、スペイン語、フランス語、イタリア語、ポルトガル語、ロシア語 |
| 必要なもの | GPUは要りません | Vulkanに対応したGPU | 会話で使う場合はNVIDIAのGPUと高速化部品を推奨 |
| ダウンロード | エンジン約30MBと、キャラクターごとのファイル | 約1.9GB | 標準モデル約1.2GB+NVIDIA用高速化部品約395MB。クローンはさらに約1.6GB |
| 声 | キャラクターを選ぶ | 標準の声、または登録した声 | 言語に応じて自動選択される標準の声、または登録した声 |
| 無料で使える範囲 | すべて | 標準の声での読み上げ | 標準の声での読み上げ |
| 向いている人 | GPUを使いたくない人、キャラクターの声で話したい人 | 自然な日本語で、速く読ませたい人 | 日本語以外でも読ませたい人 |
- 声の登録(声のクローン)は、Irodori-TTSもQwen3-TTSも、支援版の機能です。Qwen3-TTSで声を登録するには、クローン用のモデル(約1.6GB)を追加でダウンロードします。
- Qwen3-TTSのNVIDIA用高速化部品(約395MB)は、設定 > Qwen3-TTS から追加できます。
- Irodori-TTSとQwen3-TTSは、GPUのメモリ(VRAM)をVRChatと分け合います。使う量は、文の長さで変わります。
- VOICEVOXのキャラクターには、それぞれの利用規約があります。ダウンロードする前に確認してください。
Qwen3-TTSを会話で使う前に
作者の測定では、NVIDIA用の高速化部品なしの方式(Vulkan)はRTFが2を超え、実際の会話では再生に生成が追いつきませんでした。たとえばRTF 2なら、5秒分の声を作るのに10秒かかります。GPUにほかのアプリの負荷がある条件では、RTF約3.0〜3.3でした。
リアルタイムの会話用途では、NVIDIAのGPUと高速化部品の導入を前提にしてください。声のクローンを会話で使う場合は、クローン用モデルとNVIDIA用高速化部品の両方を用意します。支援版を買う前に、無料で使える標準の声と高速化部品で、会話に使える速さが出るか確認してください。速さはPCの性能やVRChatの負荷でも変わります。
音声を聞く
登録した声の試聴は、参照音声と声のクローン比較にあります。日本語のIrodoriと、Qwenの参照4種類×出力4言語を聞き比べられます。
Irodori-TTSとQwen3-TTSの標準の声の例です。
Qwen3-TTSの標準の声について
標準では、読み上げるたびに、その言語に応じた候補から声が自動で選ばれます。掲載音声はその一例です。
日本語と韓国語は各1候補なので話者は変わりません。中国語は5候補、英語とその他の対応言語は英語話者の2候補から選ばれます。同じ話者でも、生成するたびに読み方が変わることがあります。
日本語(Irodori-TTS と Qwen3-TTS)
| 文 | Irodori-TTS(標準) | Qwen3-TTS(標準) |
|---|---|---|
| こんにちは、はじめまして。 | ||
| すみません、聞き取れませんでした。もう一度言ってもらえますか? | ||
| 今からあなたのインスタンスに入りますね。 | ||
| そのアバター大好きです。どこで手に入れたんですか? |
Qwen3-TTSで声が変わる例
英語と中国語で、同じ文を別の標準声に読ませた例です。中国語は5候補のうち2つを掲載しています。このページの音声は保存済みのため、再生し直しても声は変わりません。
| 言語 | 文 | 標準の声(例1) | 標準の声(例2) |
|---|---|---|---|
| 英語 | Hello, nice to meet you. | ||
| 中国語 | 你好,很高兴认识你。 |
ほかの言語(Qwen3-TTS)
| 言語 | 文 | Qwen3-TTS(標準) |
|---|---|---|
| 英語 | Hello, nice to meet you. | |
| 英語 | I'm sorry, I didn't catch that. Could you say it again? | |
| 中国語 | 你好,很高兴认识你。 | |
| 中国語 | 对不起,我没听清楚。你能再说一遍吗? | |
| 韓国語 | 안녕하세요, 만나서 반갑습니다. | |
| 韓国語 | 죄송해요, 잘 못 들었어요. 다시 말씀해 주시겠어요? | |
| ドイツ語 | Hallo, schön, dich kennenzulernen. | |
| ドイツ語 | Entschuldigung, das habe ich nicht verstanden. Könntest du es bitte wiederholen? | |
| スペイン語 | Hola, mucho gusto. | |
| スペイン語 | Lo siento, no te he entendido. ¿Podrías repetirlo? | |
| フランス語 | Bonjour, enchanté de faire votre connaissance. | |
| フランス語 | Désolé, je n'ai pas compris. Pourrais-tu répéter ? | |
| イタリア語 | Ciao, piacere di conoscerti. | |
| イタリア語 | Scusa, non ho capito. Potresti ripetere? | |
| ポルトガル語 | Olá, prazer em conhecer você. | |
| ポルトガル語 | Desculpe, não entendi. Você poderia repetir? | |
| ロシア語 | Здравствуйте, рад с вами познакомиться. | |
| ロシア語 | Извини, я не расслышал. Можешь повторить? |
試聴音声・測定値の生成条件
試聴音声は、標準声の候補を固定し、原則として乱数シード41001で各1回生成してMP3へ変換したものです。例1・例2は試聴を区別する番号です。アプリで選択できる話者の一覧ではありません。アプリの通常の読み上げでは、合成要求ごとにシードを変えます。
- Qwen3-TTS(ロシア語)の「Здравствуйте, рад с вами познакомиться.」はシード769694441で再生成した試聴音声です。速度・誤り率の数値は、再生成前の30文の測定結果を維持しています。
- Irodori-TTS(日本語)の「こんにちは、はじめまして。」はシード10990944で再生成した試聴音声です。速度・誤り率の数値は、再生成前の30文の測定結果を維持しています。
- Irodori-TTS(日本語)の「今からあなたのインスタンスに入りますね。」はシード1362122378で再生成した試聴音声です。速度・誤り率の数値は、再生成前の30文の測定結果を維持しています。
| 試聴 | 生成に使った声 |
|---|---|
| Irodori-TTS(日本語) | 参照声なし(標準) |
| Qwen3-TTS(英語) | ryan(例1)、aiden(例2) |
| Qwen3-TTS(中国語) | vivian(例1)、serena(例2) |
| Qwen3-TTS(韓国語) | sohee |
| Qwen3-TTS(ドイツ語) | ryan |
| Qwen3-TTS(スペイン語) | ryan |
| Qwen3-TTS(フランス語) | ryan |
| Qwen3-TTS(イタリア語) | ryan |
| Qwen3-TTS(ポルトガル語) | ryan |
| Qwen3-TTS(ロシア語) | ryan |
| Qwen3-TTS(日本語) | ono_anna |
速度・誤り率は、上の声のうち例1の声(日本語はono_anna、韓国語はsohee)を言語ごとに固定して、各30文で測定した値です。例2の追加音声は、その測定の集計には含めていません。
VOICEVOXの声は、キャラクターごとに違います。VOICEVOXの公式サイトで、各キャラクターの声を聞けます。
読み上げの速さ
1文を作るのにかかった時間です。「時間/音声」は、音声の長さに対する倍率で、小さいほど速く、1より小さければ、読み上げながら作り終えられます。
| 読み上げ | 言語 | 1文の音声の長さ(平均) | 1文を作る時間(平均) | 時間/音声 |
|---|---|---|---|---|
| Irodori-TTS | 日本語 | 3.8秒 | 0.7秒 | 0.19 |
| Qwen3-TTS | 日本語 | 5.1秒 | 3.4秒 | 0.67 |
| Qwen3-TTS | 英語 | 3.9秒 | 2.6秒 | 0.65 |
| Qwen3-TTS | 中国語 | 3.2秒 | 2.0秒 | 0.63 |
| Qwen3-TTS | 韓国語 | 4.5秒 | 2.6秒 | 0.58 |
| Qwen3-TTS | ドイツ語 | 3.3秒 | 1.1秒 | 0.33 |
| Qwen3-TTS | スペイン語 | 3.8秒 | 1.6秒 | 0.41 |
| Qwen3-TTS | フランス語 | 3.3秒 | 1.1秒 | 0.32 |
| Qwen3-TTS | イタリア語 | 3.4秒 | 1.3秒 | 0.39 |
| Qwen3-TTS | ポルトガル語 | 3.8秒 | 1.6秒 | 0.42 |
| Qwen3-TTS | ロシア語 | 4.6秒 | 1.8秒 | 0.40 |
作者のPC(RTX 4070、NVIDIA用の部品あり)で、30文ずつ測った目安です。Qwen3-TTSは言語ごとに特定の標準声を固定して測定した参考値です。声の候補全体を平均した値ではありません。話者の内訳は、上の「試聴音声・測定値の生成条件」にあります。
アプリは、文の全部ができるのを待たずに、できた部分から読み始めます。
聞き取りやすさの目安
読み上げた音声を、音声認識エンジンに聞かせて、元の文とどれくらい違ったかを調べたものです。数字は、音声認識エンジンごとの誤り率の平均で、低いほど、正しく聞き取られています(日本語は、読みで比べています)。
| 読み上げ | 言語 | 誤り率の平均 |
|---|---|---|
| Irodori-TTS | 日本語 | 7.7% |
| Qwen3-TTS | 日本語 | 13.2% |
| Qwen3-TTS | 英語 | 1.9% |
| Qwen3-TTS | 中国語 | 2.8% |
| Qwen3-TTS | 韓国語 | 3.2% |
| Qwen3-TTS | ドイツ語 | 4.3% |
| Qwen3-TTS | スペイン語 | 3.6% |
| Qwen3-TTS | フランス語 | 5.1% |
| Qwen3-TTS | イタリア語 | 7.9% |
| Qwen3-TTS | ポルトガル語 | 6.7% |
| Qwen3-TTS | ロシア語 | 5.5% |
この数字の限界
- Qwen3-TTSは、速度の測定と同じ固定話者の音声を使った参考値です。声が自動で選ばれるときの平均的な成績を表すものではありません。
- 文は、言語ごとに30文の日常の短い文です。AIが作った文で、母語話者の確認はしていません。
- 音声認識の側の癖(数字の書き方、言い換え)でも、誤りとして数えられます。声の品質だけを表す数字ではありません。
- 自然さや好みは、この数字では分かりません。上の音声を聞いて、確かめてください。
音声認識エンジンごとの内訳は、音声認識エンジンの比較にあります。