ずんだもん(VOICEVOX)の読み上げをJevで自然にしてみた|声の使い分け・疑問文の判定
話題のJev(TypeSafe AI)を使って、VOICEVOXのずんだもんの読み上げを文ごとに自動調整してみた記録。怒りやヒソヒソ話の声の使い分けと、「?」なしの疑問文はうまくいったが、アクセント修正はダメだったぜ。
Jevとは?TypeSafe AIの判断特化モデル
Jevは、TypeSafe AIが2026年9月に公開した「System One Model」。文章を生成するLLMとは違って、「AとBのどっち?」「これはYes?」みたいな質問に、確率と確信度付きの型の決まった答えを返すことに特化しているとのこと。テキストを生成しないのでハルシネーションがなく、1回の判断が0.1〜0.5秒くらいと速くて安い、というのが売りとのこと。
Jevの使い方(API)
状態(state)と質問(questions)を投げると、質問ごとに答えが返ってくる。質問の種類は、選択肢から選ぶChoice、段階で採点するScore、Yesの確率を返すNoulの3つ。
POST https://api.typesafe.ai/v1/systemone
{
"model": "jev-latest",
"state": { "sentence": "ここだけの話、実は明日がボクの誕生日なのだ。" },
"questions": {
"style": {
"type": "choice",
"instructions": "`sentence` を話すときに最も合う声のスタイル",
"criteria": { "ノーマル": null, "ヒソヒソ": "小声で内緒話をする", "ツンツン": "怒っている" }
}
}
}
VOICEVOX × Jevでやったこと
ずんだもんに読ませる前に、文ごとにJevへ次のことを聞いて、その答えでVOICEVOXの設定を書き換えている。
- 声のスタイル(ノーマル/ツンツン/ヒソヒソ/なみだめ…)
- テンションの高さ(抑揚・速さ・声の高さ)
- 語尾を上げる問いかけかどうか
- どこをひと続きに読むか、どこで息継ぎするか
- どこを強調するか
漢字の読み間違いの修正には、kuromoji(形態素解析)も使った。kuromojiの辞書で読みの候補を出して、どれが文脈に合うかをJevに選ばせる形。
コードはTypeScriptで、サイズ感でいうと、kuromojiの読み修正まで含めて約350行。外部ライブラリはkuromojiだけで、それを抜いたら280行ほど。そのうち90行くらいはJevへの質問文(日本語)。
うまくいったこと:ずんだもんの声の使い分けと疑問文
- 声のスタイルの使い分けはうまくいった。勝手に選んでくれてる。
- 「?」のない疑問文もちゃんと拾えた。「今日の晩ごはん、何にするのだ」の語尾をきちんと上げてくれる。
- Jevへの問い合わせは1文あたり0.3〜0.9秒。再生している間に次の文の判断を済ませるので、読み上げながら使える。
うまくいかなかったこと
VOICEVOXのアクセント修正はJevでは無理
本命はアクセント(音の高低)の修正をしたかったのだが、聞き方をどう変えても改良できなかった。「雨」と「飴」みたいな定番の組ですら区別できない。高低の表記自体は正確に読めるので、文字だけで学習したモデルに音の高低のデータがないんだと思う。
漢字の読み間違いの修正は一部だけ
kuromojiで候補を出してJevに選ばせる方式で、「最中(モナカ)」「仮名(カナ)」は直った。ただ、「人気(ひとけ)」のように、よく使うほうの読み(にんき)に引っ張られるものは直らない。正しい読みを壊すと困るので、Jevが自信を持っているときだけ直す設定にしていて、直せるのは誤読の2〜3割くらい。
文ごとに判断すると、話の途中で声が変わる
「ここだけの話、実は明日が誕生日なのだ。誰かお祝いしてくれるのだ」の2文目だけ、急に普通の声に戻ってしまった。前の文の声を引き継ぐルールを足して直した。
Jevがときどき落ちる
公開直後で混んでいるのか、作業中に何度かAPIが使えなくなった(503が返ってくる)。
まとめ
Jevが話題なので何か試して見ようかと思って、自分用GA代替ツールに活用できないかなと思ったが、残念ながら処理速度が欲しいほどアクセスがないのでずんだもんに試してみたぜ。
Claudeにザッとつくらせたが、なかなかいい感じじゃないかな
