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 を使っていました。プラットフォームは動き、音声も聞き取れました。しかしユーザー feedback で構造的な問題が繰り返し表面化しました。音声の類似性、とくに非アメリカ英語アクセントを持つクリエイターでの問題です。

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、国際的なクリエイター基盤そのものです。

アメリカ英語は強くても、他のアクセントを中立的なアメリカ英語に近づけてしまう TTS は、AI 動画の音声クローンが約束する「あなたのように聞こえる」という価値を壊します。HeyGen の非アメリカ英語ユーザーはアクセント保持に不満を持っており、クローン音声は期待されたアクセントの identity を保てていませんでした。

Fish Audio が HeyGen に選ばれた最大の理由は、他のどの基準よりも 独自の声、とくに非アメリカ英語アクセントの声に対する音声クローン品質です。Fish S2 Pro はソース音声のアクセント identity を保持し、アメリカ英語の基準へ正規化しません。これは HeyGen が他社テストで見つけた失敗モードそのものでした。

HeyGen にとって、これは技術的な細部ではありません。ナレッジクリエイターの視聴者が認識している本人を聞くのか、合成された他人を聞くのかの違いです。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。