導入事例

Fish Audio を評価する前、HeyGen は AI 動画生成パイプラインの TTS レイヤーに ElevenLabs を採用していました。システムは稼働し、音声も問題なく聞き取れていました。ただ、ユーザーの声からは、ある構造的な問題が繰り返し表面化していました。声の類似性に関する課題は、特にアメリカ英語以外のアクセントを持つクリエイターにおいて顕著でした

ナレッジクリエイターは自分のアクセントで話します。オーストラリアのクリエイターはオーストラリアらしく、インドのクリエイターはインドらしく聞こえます。英国、南アフリカ、シンガポール、アイルランド、スコットランド、フィリピン、カリブなど、グローバル英語のアクセントは HeyGen にとって例外ではなく、まさにグローバルなクリエイターコミュニティの『実態そのもの』なのです。

アメリカ英語に優れていても、他アクセントをアメリカ英語風に平坦化する TTS では『自分の声で話す』本質的価値を損ないます。HeyGen のアメリカ英語以外のユーザーからは、アクセント保持への不満が寄せられていました。

Fish Audio が HeyGen に選ばれた最大の決め手は、他のどの基準よりも独自の声やアメリカ英語以外のアクセントに対する、圧倒的な音声クローン再現性です。Fish S2 Pro モデルは、元音声が持つアクセント固有のアイデンティティをそのまま保持し、アメリカ英語の標準へと矯正してしまうことがありません。これこそ正に、HeyGen が他社製品のテストで直面していた典型的な失敗パターンそのものでした。

HeyGen にとって、これは単なるスペック上の小さな違いではありません。ナレッジクリエイターの視聴者が『本人の声』と認識できるか、『合成された他人』と感じるかの決定的な違いです。音声クローン品質、レイテンシーやコストではなく、それが決定要因でした。