「VALL-Eって結局、今から試せるの？」そんな疑問を持ってこのページにたどり着いた方、多いのではないでしょうか。
3秒の音声だけで声をコピーできるという衝撃的な技術として話題になったVALL-E。でも実際にダウンロードしようとしたり、公式サイトを探したりしても、なかなかたどり着けなかった経験はありませんか？
この記事では、VALL-Eが今どういう状態にあるのか、そして似たような音声クローンを実際に試したい場合にどう動けばいいのかを、順番に整理していきます。
VALL-Eは今も使える？結論
先に結論からお伝えすると、VALL-EとVALL-E 2は、Microsoftが研究として発表しただけで、一般公開はされていません。公式サイトを探しても申し込みフォームやダウンロードページが見つからないのは、当然のことなんです。
「え、じゃあニュースで見たあの技術は何だったの？」と思いますよね。VALL-Eは2023年にMicrosoftが発表した音声合成AIで、わずか3秒の音声サンプルから、その人の声質や感情、話し方の癖まで再現できるという内容で大きな注目を集めました。技術としては本物ですが、あくまで研究発表止まりというのがポイントです。
公開されていない理由は、なりすましやディープフェイク詐欺への悪用リスクです。Microsoft自身が、本人の同意なく声を複製できてしまう危険性を認識していて、一般公開を見送っていると説明しています。より新しいVALL-E 2についても、研究者が「製品化や一般公開の計画は今のところない」とはっきり述べています。
つまり、VALL-EやVALL-E 2を「公式に」触る方法は、現時点では存在しません。ここを勘違いしたまま探し続けると、時間だけが過ぎてしまうので、まずはこの前提を押さえておきましょう。
ただし、「非公式に近いものならある」という話も耳にしたことがあるかもしれません。それがVALL-E Xと呼ばれるものです。次の章で、これが実際にどういうものなのか、使う価値があるのかを見ていきます。
もし非公式版の詳しい話は飛ばして、今すぐ実際に使える音声クローンツールを知りたいという方は、目的別ツールの章に進んでいただいても大丈夫です。
非公式VALL-E Xは使うべき？
「非公式でもいいから声を再現する仕組みを試してみたい」という方向けに存在するのが、VALL-E Xです。ただし使う前に知っておいてほしいことがいくつかあります。
VALL-E Xは、Microsoftが公開した論文をもとに、第三者が独自に実装したオープンソースのプログラムです。Microsoft公式のツールではありません。英語・中国語・日本語に対応していて、数秒の音声ファイルから声質や感情を再現できるとされていますが、あくまで有志による非公式の実装だという点は忘れないでください。
実際に使うとなると、次のようなハードルがあります。
- NVIDIA製GPUを搭載したパソコン環境が基本的に必要
- Google ColabやHugging Faceなどの外部プラットフォームを使う知識が求められる
- Microsoftによる動作保証やサポートは一切ない
- 不具合が起きても自己解決するしかない
つまりVALL-E Xは、「多少の環境構築でも構わないから、技術的に触ってみたい」という方には選択肢になりますが、「今日中に手軽に声を再現したい」という方には正直あまり向いていません。パソコンの設定に慣れていない場合、環境構築だけで挫折してしまうケースも少なくないんです。
また、非公式の実装である以上、セキュリティ面や長期的な安定性についても過信しすぎないほうが安心です。ちょっとした検証や学習目的なら選択肢に入りますが、実際の動画制作やビジネス用途でコンスタントに使いたいなら、話は変わってきます。
そこで次は、今すぐ手軽に、しかもサポートが受けられる形で音声クローンを試したい方向けに、実際に使えるツールを目的別に紹介していきますね。
目的別：今使える音声クローンツール
VALL-EやVALL-E Xにこだわらなくても、今は手軽に試せて商用利用もできる音声クローンツールがいくつも登場しています。ここでは目的別に選び方を整理してみました。
日本語を無料で試したいなら
「まずはお金をかけずに日本語で試したい」という方には、VOICEVOXがおすすめです。オープンソースで無料で使える音声合成ソフトで、特定のキャラクターボイスを使った読み上げに強く、動画制作のナレーションなどに幅広く活用されています。パソコンにインストールするだけで使い始められる手軽さも魅力です。
商用利用前提で高品質・多言語がほしいなら
「クライアントワークや収益化を前提に使いたい」「日本語以外の言語にも対応してほしい」という場合は、ElevenLabsが有力な候補です。数分の音声サンプルからプロ品質の声を再現でき、感情表現の自然さにも定評があります。VALL-Eが目指していた「短いサンプルから声を再現する」という体験を、実際にサービスとして安定的に提供している点が大きな違いです。
まず比較してから決めたいなら
「いきなり1つに決めるのは不安、他の選択肢も見ておきたい」という方は、複数のツールを比較できる記事を先にチェックしておくと選びやすくなります。
使う前に押さえておきたい注意点
どのツールを選ぶにしても、共通して気をつけたいことがあります。3秒や数十秒の音声サンプルがあれば技術的には声を再現できてしまいますが、本人の同意なく誰かの声を複製して公開・利用することは、トラブルの原因になります。友人や家族の声であっても、勝手に使うのは避けたほうが安心です。
また、各サービスには独自の利用規約があり、なりすまし目的の利用や、本人確認なしでの他人の声の複製を禁止しているケースがほとんどです。
使い始める前に、そのサービスの規約に目を通しておくと、あとから困ることが少なくなります。
まとめ
VALL-EやVALL-E 2は研究発表止まりで、公式に触れる方法は今のところありません。非公式のVALL-E Xも存在はしますが、環境構築のハードルが高く、誰にでも向いているわけではないというのが実情です。
音声クローンそのものを試したいなら、VOICEVOXやElevenLabsのように、すでに実用段階で使えるツールを選んだほうが、目的にたどり着くスピードは圧倒的に早くなります。まずは自分がどんな用途で使いたいのかを整理して、それに合ったツールから触ってみてください。
よくある質問（FAQ）
- QVALL-E自体を商用利用することはできますか？
- A
VALL-EもVALL-E 2も一般公開されていないため、商用利用できるかどうかを検討する段階にすら至っていません。もし商用利用を考えているなら、ElevenLabsのように利用規約が明確に整っている実用サービスを選ぶ必要があります。
- QVALL-E以外にも似た研究モデルはありますか？
- A
VALL-E RやMELLEといった関連する研究モデルも存在しますが、これらもVALL-Eと同様に一般向けには公開されていません。今後の動向によって状況が変わる可能性はありますが、現時点では実際に試せる段階ではないと考えておくのが安全です。
- Q後継ツールの日本語精度はVALL-Eと同じくらい期待できますか？
- A
VALL-Eは公開前の研究段階のため、実際の日本語精度を第三者が比較検証することはできません。一方でVOICEVOXは日本語に特化して開発されているため、日本語の自然さという点ではむしろ安心して使いやすい選択肢です。多言語対応を重視するならElevenLabsも候補になりますが、実際に試してみて自分の用途に合うか確認するのが一番確実です。
※当サイトはアフィリエイト広告を利用しています。リンクを経由して商品を購入された場合、当サイトに報酬が発生することがあります。
※本記事に記載しているAmazon商品情報（価格、在庫状況、割引、配送条件など）は、執筆時点のAmazon.co.jp上の情報に基づいています。
最新の価格・在庫・配送条件などの詳細は、Amazonの商品ページをご確認ください。