声づくりを迷わず始める。

最も大きく変わる要素です。学習途中のモデルファイルを切り替えると、声質、発音、抑揚の傾向がまとめて変わります。ただし、これはTTSModel.infer()の引数ではありません。推論前にモデルファイルを選び、TTSModelへ読み込ませます。

複数話者を収録したモデルで、どの話者を使うかを整数IDで選びます。単一話者モデルでは通常0のままです。声色を微調整するつまみではありません。

Neutral、Bright、Softなど、モデルに保存されたスタイルから一つを選びます。選べる名前はモデルごとに異なります。まずNeutralを基準にすると比較しやすくなります。

現行実装は、平均スタイルから選択スタイルまでの差を何倍にするかで計算します。0.0は平均、1.0は保存されたスタイルそのものです。1.0を超えると特徴をさらに押し出しますが、不自然さも出やすくなります。

保存済みのスタイル名ではなく、参照WAVからスタイルベクトルを作ります。参照した話し方の方向へ寄せる機能であり、参照音声の人物へ声を変換する機能ではありません。モデルの声の土台は選択中のcheckpointと話者です。

v2.7.0で追加された上級者向け機能です。ヌルモデルの声質、音高、スタイル、テンポ成分を推論時に加えます。PyTorch推論でのみ使われ、ONNX推論では無視されます。基本調整を終えてから扱う項目です。

1.0が基準です。大きくすると音声が長くなり、ゆっくり話します。小さくすると短く、速くなります。Editorのspeedは向きが逆で、length = 1 / speedへ変換して渡されます。

発話時間を予測するDPと、確率的に時間を予測するSDPの混合比です。0はDPのみ、1はSDPのみ。値を上げるほど、主に音の長さやテンポへ揺らぎが入りやすくなります。音高を直接上げ下げする設定ではありません。

SDPへ与えるノイズです。大きくすると発音の間隔にばらつきが出やすくなります。sdp_ratioと関係するため、まず比率を決めてから少しずつ比較します。

line_splitを有効にすると、改行ごとに別々に生成します。split_intervalは、その間へ追加する無音の秒数です。長文の息継ぎを整理できますが、分割時はgiven_phoneとgiven_toneが無視されます。

音声を作る潜在表現へ与えるノイズ量です。大きくするとランダム性が増え、細かな響きや発音の出方が変わりやすくなります。DP専用の速度調整ではありません。

読み上げ本文とは別の文章を、声音や感情の手掛かりとして使います。利用にはuse_assist_textも有効にします。公式APIの説明では、抑揚やテンポが犠牲になる傾向も示されているため、常用する前に同じ台詞で比較します。

given_phoneは音素列、given_toneは対応するトーン列を直接渡します。音素だけを指定することはできず、両方が必要です。固有名詞の読み違いは、繰り返し使うならユーザー辞書、台詞単位で厳密に固定するならこの指定を使います。

1.0が無補正です。完成した波形の高さを後処理で変えます。公式実装には、1.0から変更すると若干音質が低下する注意書きがあります。声の演技を変えたい場合は、先にstyleや文章を見直します。

1.0が無補正です。平均音高からの変化幅を後処理で拡大・縮小します。こちらも1.0以外では若干の音質低下があり得るため、最後の仕上げとして小さく比較します。