受付システム「超受付さん」ができるまで　〜第4回 「超受付さん」の音声UIはどうしてる？ その3〜

N： キャラクターに何かをしゃべらせる場合は、

　　　1. サーバーにテキストを送信
　　　2. サーバーで音声変換
　　　3. 変換した音声ファイルを受信
　　　4. 音声を再生
　　　5. キャラの口の動きを同期させる

というプロセスを踏む必要があります。

「Text to Speech」… テキストを音声に変換する機能を提供するクラウドサービスを使う必要がありまして、最初は AWS の Amazon Polly を使いました。

その頃は社長の3Dモデルを使っていたので、社長に近い声を探していたんですが、結構やぼったい声になってしまって…。イントネーションもちょっと物足りなかったんです。

G：それは…キャラクター（社長）に合わなかったというか、違和感があったのでしょうか？

N：  Amazon Polly の評価を下げるつもりはないんですけど、ちょっと今回のケースには合わなかったですね…。
なるべくキャラクターを表情豊かにしたいという思いがあったんですが、冷たすぎるかなぁという印象でした。

G： 社長の声は、ロートーンで特徴のある声なので、そこから離れてしまうと違和感が出てしまいそうですよね。

N： そうですね。

Microsoft のAzureを導入したけど…

N： そして次に見つけたのが、先程も話していた Microsoft Azure の Text to Speechです。こちらは Amazon Polly より声色の選択肢…パターンは多かったんですけど、それでも試してみるとちょっと違うな、という感じでした。

G： 声のトーンを合わせるって難しいんですね…。

N： そうですね、難しいですね。
さらにその次に見つけたのが、ドコモの Text to Speech ※ でした。
※ 現在はサービス終了しています。

G： 当時出ていたものですね。それはどうだったんですか？

N： 音声のパターンは非常に豊富で、男性・女性、10代・20代・30代といった年代別の声があり、そのうえでキャラクターの「明るい女性」「暗い男性」のような分類もされていたので、ここでキャラクターに合った声を見つける事ができました。

G： なるほど。かなり色んな音声パターンを試したんですね。

いろいろなパターンを試せる構造

N： あ、でもプログラムのレベルでモジュールという構造を採ってるので、声の変更はラクにできるんです。
Amazon Polly の Text to Speech のモジュール、 Microsoft Azure の Text to Speech のモジュール、ドコモ の Text to Speech のモジュール …という具合に単体で作ってもブロックのようにリプレイスできるので、そこは最初にちゃんとプログラム実装して良かったと思います。

G： それはこういった試行錯誤を想定して、こう作ろうと決めてたんですか？

N： 残念ながら違います。 (笑)
実は、以前からUnityでもう少し単体テストしやすいように機能ごとにプログラムを組めないかという課題はあって、その解決策として UniRx とか Zenject を使ってアーキテクチャを構築してみようかという案はあがっていたんです。

今回このプロジェクトがタイミングとしてはとても良かったので、導入を決断したという流れでした。
まあ、社内プロジェクトという事で敷居が低かったというのもありましたね。

G： なかなか案件ではできないですもんね。

ドコモのAIエージェントに換装

N： あと、ちょっとややこしい話ですが、現在に至るその前に、さらに “ドコモの Text to Speech” から、”ドコモAIエージェントAPI の Text to Speech” に入れ替えました。

G： あ、先程出てきた終わってしまったサービスの件ですね？

N： そうです。