使用製品
移行元声がアメリカ英語から離れると何が起きるか
HeyGen のクリエイター層はグローバルです。オーストラリア、インド、イギリス、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、カリブ地域—皆が同じ英語を話していても、その響きやアクセントは一人ひとり全く異なります。
HeyGenが 従来採用していた TTS レイヤーは、アメリカ英語の再現性に優れる一方、他地域のアクセントを強引にアメリカ英語へ寄せる傾向がありました。その結果、抑揚は平坦化し母音も中和され、クリエイター固有の声の個性が失われていたのです。この事象には明確な理由があります。アメリカ英語を優先学習し事後的に他言語へ対応させたモデルは、標準アメリカ英語以外では一貫して処理性能が低下する構造的課題を抱えているためです。
サポートに最も多く届いた声
クリエイターはすぐに違いに気づきました。自分の声が自分らしく聞こえなくなり、アクセントの再現性への不満が繰り返し寄せられました。しかも、問題が集中したのは HeyGen がまさに拡大しようとしていたユーザー層でした。世界のクリエイターには、自分だと認識してもらえる個性を失わずに、言語やアクセントを越えて声を届けることが必要でした。
HeyGen が市場に問うた、ただ一つのこと
評価は機能比較ではありませんでした。HeyGen が求めたのは、最小の遅延、最も豊かな表現力、最多の対応言語ではありません。問いはもっと単純でした。クリエイターが声をクローンしたとき、それはまだ本人の声に聞こえるか、ということです。
具体的には、声の識別につながるアクセントをモデルが維持できるかを検証しました。英国のクリエイターは英国のアクセントを保てるのか。言語を切り替えても、声が自動的にアメリカ風になってしまわないか。
これが基準になりました。速く、表現豊かで、技術的に優れた声でも、アクセントが変われば不合格でした。
Fish は、非常に個性的な声であっても類似度を極限まで高めることができる、素晴らしい音声モデルです。
John Wu
HeyGen 音声エンジニアリングマネージャー
遅延やコストよりも類似性を優先
HeyGen が Fish Audio を選んだのは、この基準に最も適していたからです。速度と価格も重要でしたが、決め手ではありません。性能の基準を満たした後に問われたのは、さまざまなアクセントで元の声を最も忠実に再現できるか、という点でした。
Fish Audio は元の声の特徴を共通の基準に均すのではなく、そのまま保つ点で際立ちました。この一貫性により、HeyGen はクリエイターに自分の声を妥協させることなく、より多くのユーザーや市場へ音声製品を展開できるようになりました。
得られたのは、単なる優れた音声モデルではありません。言語を越えて HeyGen を使う際の障壁が取り除かれ、グローバルなクリエイター戦略の基盤が強化されました。
最初の週から本番の全トラフィックに対応
HeyGen は Fish Audio のクラウド API を通じて S2 Pro を導入しました。Fish の音声を使って公開されるすべての動画がこのモデルを通ります。段階的な展開や試験ユーザー群は不要で、導入直後から本番規模で稼働しました。
成果：自分らしさを保つ声
Fish Audio への移行後、HeyGen の本番環境ではアクセントの再現性に関する問題がゼロになりました。音声テストでは、クリエイターは代替モデルより Fish Audio を 3 対 1 の割合で選びました。
現在、Fish Audio は HeyGen の世界中のクリエイターの音声体験を支えています。どの言語で話しても、紛れもなく本人だとわかる声を届けます。
