カスタム辞書でAIボイスオーバーの人名・専門用語の発音を制御する方法

CEOの名前はシオヴァーン(Siobhan)です。製品名はNGEN-Xです。患者の薬はアダリムマブです。あなたのAIボイスオーバーは、この3つすべてを間違って発音し、それを経営陣がデモで聞いてしまいました。

発音の誤りは、AI生成音声で信頼性を失う最も手っ取り早い方法です。創業者の名前でつまずくトレーニング動画。都市名を台無しにする吹き替え放送。AIが略語を一文字ずつ読み上げる一方で、視聴者はそれを単語として発音するプロダクトデモ。AIボイスオーバーの発音エラーはまれな例外ではありません。学習データにあまり登場しない単語――ほとんどの固有名詞、ブランド名、医療用語、法律用語、業界特有の略語――にテキスト読み上げシステムが遭遇するたびに発生します。

カスタム辞書は、この問題を根本から解決します。後から音声を編集したり、難しい単語を避けるために原稿を書き直したりする代わりに、発音辞書はTTSエンジンに対して、特定の用語をどのように発音するかを、すべての言語・すべてのプロジェクトで毎回正確に指示します。

専門用語でAIのTTS発音が失敗する理由

テキスト読み上げモデルは、書記素から音素への変換(G2P)と呼ばれる仕組みを使って、書かれたテキストを音声に変換します。モデルは単語の文字を見て、対応する音を予測します。一般的な英単語であれば予測は正確ですが、それ以外はあくまで推測にすぎません。

この問題は構造的なものであり、バグではありません。G2Pモデルは、一般的な語彙に偏った学習データから学習します。固有名詞は出現頻度が低く、パターンの一貫性も低いのです。「Siobhan」はアイルランド語の発音規則に従いますが、英語のG2Pモデルはそれを知りません。「NGEN-X」は略語(一文字ずつ発音)なのか、ブランド名(「Engine-X」と発音)なのか、モデルにはどちらを意図しているか判断する手段がありません。

AIボイスオーバーの発音を一貫してつまずかせる単語には、次の3つのカテゴリーがあります。

• 固有名詞:人名、地名、企業名、ブランド名
• 略語・頭字語:単語として発音されるもの(NASA、SCUBAなど)、一文字ずつ発音されるもの(FBI、APIなど)、どちらとも取れる曖昧なもの(SQL、GIFなど)
• 専門分野特有の用語:医療用語(アダリムマブ)、法律用語(サーシオレイライ)、技術用語(kubectl)、業界特有の語彙全般

カスタム辞書とは何か

カスタム辞書とは、特定の書記形式の用語をその正しい発音に対応付ける参照テーブルです。テキスト読み上げエンジンが辞書に登録された単語に遭遇すると、その辞書エントリがモデルの標準的なG2P予測を上書きします。

CAMB.AIではこの機能を「辞書(Dictionaries)」と呼んでいます。任意の用語に対して正しい発音を定義すれば、その発音はすべてのプロジェクト、すべての言語、すべての音声で一貫して適用されます。辞書エントリはコンテンツに紐づいて移動するため、一度修正した用語はどこでも修正されたままになります。

辞書は実際にどのように機能するか

辞書エントリの設定は簡単です。書かれた形式(原稿に表示される形)と、話される形式(実際にどう聞こえるべきか)を指定します。例えば:

• 表記:「NGEN-X」→ 発音:「エンジンX」
• 表記:「Siobhan」→ 発音:「シ・ヴォーン」
• 表記:「kubectl」→ 発音:「キューブコントロール」
• 表記:「GIF」→ 発音:「ジフ」(社内表記スタイルによっては「ギフ」)

システムは、DubStudioまたはCAMB.AI APIで処理される任意の原稿に書記形式が出現するたびに、話される形式を使用します。再録音は不要です。原稿の書き直しも不要です。プロジェクトごとの個別修正も不要です。

AIボイスオーバーでよくある発音の問題とその解決策

発音エラーの種類によって、必要な辞書対応も異なります。以下は、プロダクションチームが最も頻繁に遭遇するパターンです。

人名・地名

名前は、テキスト読み上げの発音エラーにおける単独最大の原因です。「Nguyen」(ベトナム語)、「Bhattacharya」(ベンガル語)、「Xiaochen」(北京語)のような名前は、英語で学習されたモデルが認識できない発音規則に従います。「Worcestershire」「Louisville」「Reykjavik」のような地名も同様に予測不能です。

解決策:重要な名前はすべて辞書に登録してください。登場人物、インタビュー対象者、地名が繰り返し出てくるコンテンツの場合は、制作開始前に辞書を構築しましょう。時間コストはわずかで、効果はすぐに現れます。

略語・省略形

略語における課題は曖昧さです。「AI」はほぼ常に2文字として発音されます。「API」は常に3文字です。しかし「SQL」は視聴者によって「シークェル」または「S・Q・L」のどちらにもなり得ます。「AWS」は常にスペルアウトされますが、「WYSIWYG」は常に単語として発音されます。

解決策:視聴者が期待する発音で、すべての略語を辞書に定義してください。CAMB.AIの辞書は、AI翻訳・吹き替えパイプライン全体にグローバルに適用されるため、出力が英語、スペイン語、日本語のいずれであっても、同じ略語が一貫して処理されます。

数字・日付・通貨

TTSモデルは標準的な数字の大部分を正しく処理しますが、電話番号、モデル番号、バージョン番号、金額には例外が生じます。略語と組み合わさった通貨記号(例:「€15億」)は、特に辞書で定義しておく価値があります。

単一言語の原稿に登場する外来語

「schadenfreude(シャーデンフロイデ)」「coup d'état(クー・デタ)」「kaizen(改善)」などが登場する英語の原稿は、言語切り替えの課題を生みます。借用語に対する辞書エントリは、音声合成モデルが元言語の規則に従って各用語を発音することを保証します。

組織のための発音辞書の構築

適切に管理された辞書は、再利用可能な資産になります。まず既存のボイスオーバーを点検し、発音の誤りをすべて記録することから始めましょう。エラーは、人名・略語・専門用語・書式の問題に分類してください。

高頻度で使われる用語を優先しましょう。CEOの名前は、一度きりの言及よりも重要です。すべてのデモに登場するプロダクト名は、一度だけ言及される競合他社よりも重要です。

公開前にテストしましょう。DubStudioのプレビュー機能を使って、公開前に辞書エントリを聞いて確認してください。紙の上では正しく見える表音表記も、実際に合成すると正しく聞こえない場合があります。

ボイスライブラリと統合しましょう。辞書と音声プロファイルは連携して機能します。クローンされた音声と正しい発音を組み合わせることで、本人らしく聞こえ、かつすべての単語を正しく発音する出力が得られます。

同じ発音を二度修正するのはもうやめましょう

発音の誤りはすべて解決可能な問題であり、カスタム辞書はそれぞれを一度だけ修正すれば済むようにしてくれます。経営陣の名前、医療用語、スポーツチーム名、技術的な専門用語のいずれを含むコンテンツでも、よく構築された辞書は、AIボイスオーバーの発音を繰り返される頭痛の種から解決済みの問題に変えます。一度定義すれば、テキスト読み上げの出力は、あらゆる言語・あらゆるプロジェクトで、毎回正確になります。