Irodori TTSの使い方とAI活用｜エロいセリフを言わせる説明文と絵文字の書き方

Irodori TTSは、手元のMacで無料で動く日本語の音声合成で、インストールも声作りも、Claude CodeのようなAIに頼めば進みます。色っぽく言わせるには、説明文に「照れて言いよどみながら、吐息まじりに」のように話し方を書き、せりふに🥵（喘ぎ）や😮‍💨（吐息）の絵文字を入れます。

まずは、この記事のために作った声で、喘ぎ声のせりふを聞いてみてください。

声は、AIに「もう少し若く」「もう少し大人っぽく」と言葉で直してもらい、3回目で決めました。ライセンスはMITで、作った音声を作品に使って売ることもでき、本人の同意なく実在の人の声をまねる使い方と、人をだますための音声を作ることだけが禁じられています。

基本は、AIに頼んで、聞いて、言葉で直す、のくり返しで足ります。言い方まで細かく詰めたい人のために、後半では説明文・「……」・絵文字・seed（乱数の番号）を1つずつ変えた音声を並べ、長さ・間・声の高さの数字で、何が変わったかを解説しています。

Irodori TTSでできること

Irodori TTSは、Aratakoさんが公開している日本語専用の音声合成で、2026年10月24日の時点で最新のモデルは「Irodori-TTS-v4.1-Small」です。1つのモデルで、次の3つができます。

• 声の説明文だけで、新しい声を作る（VoiceDesign）
• 見本の音声を渡して、その声のまま別のせりふを言わせる（声のクローン）
• せりふの中の絵文字で、喘ぎ・ささやき・吐息・笑いのような話し方を足す

作った音声には、SilentCipherという、耳では聞こえない透かしが自動で入る仕組みです（わたしが作ったときも、生成のログに毎回、透かしを入れた記録が出ていました）。

基本は、AIに頼めば作れる

入れるのも、声を作るのも、言い方を直すのも、AIに言葉で頼めば進みます。コマンドを自分で覚える必要はありません。

頼む相手は、2通りあります。

• Claude CodeやCodexのような、パソコンの中でコマンドを動かせるAI：入れるところから、声を作って音声のファイルにするところまで、まとめて任せられる
• ChatGPTのような、チャットで話すAI：手順を聞きながら、出てきたコマンドを自分で1つずつ打って進める

声は、最初に「20代半ばの、甘くかわいい声で」のように、どんな声にしたいかを伝えて作ってもらいます。できた音声を聞いて、「もう少し大人っぽく」「もう少し若く」「もっと甘えた感じに」と言えば、AIが声の説明文とseedを直して作り直してくれます。

わたしが作ったときも、3回目で今の声に落ち着きました。1回目は「20代後半の大人の女性。少しハスキーで低め」と書いて作り、オーナーに聞いてもらうと「70代のおばあちゃんにしか聞こえん」。2回目は「20代前半。明るく澄んだ、甘くかわいい声」にしたら、今度は若すぎました。「大人の落ち着きがある」を足した3回目で、ちょうどよくなっています。声の高さで見ると184Hz・385Hz・309Hzで、低すぎ、高すぎのあと、その間に収まりました。

試すなら、次の依頼文をAIに貼ってください。

ChatGPTに頼むなら、「この手順を、打つコマンドごとに1つずつ教えて」と頼み、出てきたコマンドを順に打っていきます。

成人向けの作品に使ってよいか

使えます。プログラムもモデルもMITライセンスで、作った音声を作品に入れて販売することは禁じられていません。

そのかわり、モデルカードはライセンスとは別に、使い方の決まりを4つ書いています。

1. 声優・有名人など、実在の人の声を、本人のはっきりした同意なしにまねたり、なりすましたりしない
2. 人をだます・うその情報を広めるための音声（ディープフェイク）を作らない
3. 見本の音声を使わずに説明文だけで作った声が、たまたま実在の人に似ることはある。特定の人を再現するために学習したものではない
4. 使い方の責任は使った人にあり、開発者は負わない

成人向けの作品なら、とくに1つ目が大事で、好きな声優さんの音声を見本にして「その人っぽい声」で作品を出すのは、まさに禁じられている使い方です。売る前に、作品を出す各販売サイトの最新の規約（AIを使った作品の扱い）も確かめてください。

ここから下は、思いどおりの言い方まで細かく詰めたい人向けの解説です。説明文の書き方・「……」の間・絵文字・seedが、それぞれ音声をどう変えるのかを、聞き比べと数字で並べています。AIに直してもらうときも、「吐息の絵文字を足して」のように、何を変えてほしいかを言えるようになります。

AIが中でやっていること（インストールの中身）

AIに頼んだときに、インストールで主に動くのは、GitHubから取ってきたプログラムと、Pythonの環境を作るuvです。プログラムはGitHubのAratakoさんの置き場から取り、モデルは初めて動かしたときに、Hugging Faceから自動でダウンロードされます。自分で探して落とすものはありません。

Macでは、READMEのとおり、CPUとAppleのGPU（MPS）向けの入れ方（--extra cpu）を選びます。NVIDIAのGPUのあるWindowsやLinuxは --extra cu128 です。作り方は2通りあります。

• ブラウザの画面で作る：gradio_app_voicedesign.py を起動して http://localhost:7861 を開き、説明文・せりふ・見本の音声・seedを入れて、ボタンで作る
• コマンドで作る：infer.py に、せりふ（--text）・説明文（--caption）・見本の音声（--ref-wav。何本も渡すときは --ref-wavs）・seed（--seed）を渡す。見本の声を使わないときは --ref-wav の代わりに --no-ref。何本もまとめて作るならこちらで、AIに頼むとたいていこちらを使う

AIに「説明文を変えて」「seedを変えて」と頼むと、この --caption と --seed が書き換わります。

わたしが使ったのは、Apple M4 Pro・メモリ24GBのMacです。設定はすべて初めのまま（説明文の強さ3.0・見本の声の強さ5.0・ステップ数40）で、5〜9秒の音声は1本4〜6秒で作れ、絵文字で長くなった音声でも10秒かかりませんでした。最初にモデルを読み込むので、1回の実行ごとに20秒ほど余計にかかり、何十本もまとめて作るほうが、1本あたりは早く済みます。

オリジナルの声を、説明文とseedで作る

声は、説明文を1つ決めてseedを何本か変え、聞き比べて選びます。同じ説明文でも、seedが変わると、声の高さまで変わるからです。

この記事では、次の説明文Aで、seedを1〜8に変えて作りました。

同じ説明文なのに、声の高さは272〜343Hzまで散りました。半音（ピアノの鍵盤1つ分の高さの差）に直すと、約4半音のひらきです。8本とも、後ろの章で見る「電子音っぽさの値」は自然な側に出ていました。見本の声は、別の説明文で作った声と2本並べてオーナーに聞いてもらい、20代半ばらしいと選ばれたseed 7にしています。

説明文を少し変えると、seedによって高さが動く

説明文Aの「やわらかく」を「甘えるように」に変えた説明文Bでも、seed 1・3・7で作りました。音色の離れ方（声の区間の音色を表す数値、MFCCの平均どうしの距離。0に近いほど同じ音色）は、3本ともAの同じseedと19〜24で、Aのseedどうしでいちばん近い組（19）と同じくらいでした。それでも、声の高さは、seed 1で337Hzから293Hzに下がり、seed 3では272Hzから323Hzに上がっています。選んだseed 7は、309Hzから302Hzで、ほとんど動きませんでした。

気に入った声が見つかったら、説明文をいじり続けるより、次の章の「見本の声」で固めるほうが早く済みます。説明文を少し直すたびに、seedしだいで高さが動くからです。

同じ声を保つには、見本の声を渡す

決めた声の音声を「見本（ref-wav）」として渡すと、どんなせりふでも、その声に寄せて作れます。説明文だけで作ると、同じ説明文・同じseedでも、せりふが変わると別の声になってしまうからです。

この記事では、選んだseed 7の音声（9秒ほど）を1本だけ見本にしています。見本なしで、説明文Aも同じseed 7のまま別のせりふを作ると、見本の声から音色が62離れ、seedだけが違う7本（見本から24〜45）よりも遠い声になりました。一方、見本を渡して作ると29で、62の半分以下まで見本に近づいています。声の高さは、見本なし285Hz・見本あり280Hz（見本は309Hz）で、どちらも少し低いだけなので、高さの数字では見分けがつきません。

モデルカードによると、見本は同じ人の短いきれいな音声を何本か渡すのがよく、合わせて最大120秒まで使えて、約30秒でほとんど効きます。1本だけの短い見本だと、前のv3より似る度合いが少し下がるので、約30秒以上のきれいな音声を勧める、とも書かれていました。この記事の9秒の見本1本でも、音色は見本に近づきましたが、長い作品を作るなら、選んだ声で何本か作り、合わせて30秒くらいの見本にしておくと安心です。

色っぽく言わせる、5つの書き方

ここからが本題です。見本の声を渡したまま、説明文・句読点・絵文字・名前の書き方・seedを、1つずつ変えて作りました。

①説明文に、話し方を書く

説明文には、声の質だけでなく、どう話すかまで書きます。照れている・言いよどむ・吐息まじり・ささやく、のように分けて書くと、間が増え、抑揚が広がります。

「色っぽく話す。」のひと言だけだと、かえって速く話し、1秒短くなりました。話し方を分けて書いた説明文では、長さはあまり縮まらず、抑揚が広がって、0.25秒以上の間が4か所から5か所に増え、声は少し低く（297→283Hz）なっています。文字起こしでは、3本とも読み間違いはありません。

モデルカードは、見本の音声と説明文を一緒に使うときは、声の質は見本にまかせ、説明文には感情・話し方・場の様子を書くよう勧めています。見本と食い違う声の質（「高い声で」など）を書くと、音が不安定になることがあるそうです。

②「……」と読点で、間と吐息を作る

ためらう間は、せりふの「……」と読点で作ります。句読点を入れずに書くと一気に読まれ、0.25秒以上の間は2か所しかありませんでした。「……」と読点を足すと、間は5か所に増え、全体は2.7秒長くなりました。声の無い、息だけの区間も、0.7秒から1.0秒に増えています。

③絵文字で、喘ぎ・吐息・照れを足す

Irodori TTSは、せりふの中に決まった絵文字を入れると、その位置に話し方や声以外の音を足します。モデルカードの一覧には45の絵文字があり、色っぽい作品で使いそうなのは次のあたりです。

冒頭の喘ぎ声は、🥵を2か所（2つ目は重ねて🥵🥵）、😮‍💨を1か所に入れ、説明文には「20代半ばの女性の甘くかわいい声のまま、高く上ずった声で、恥ずかしそうに喘ぎながら、吐息まじりに話す。」と書いて作りました。説明文の頭に見本の声の説明を入れたのは、喘ぎで声を高く上ずらせても、別の人の声にならないようにするためです。①の終わりの「見本と食い違う声の質を書かない」に触れそうに見えますが、ここで書いた「上ずる」は声の質ではなく、喘いでいるときの様子のつもりで書いています。崩れたときに備えてseedを1〜3で作り、文字起こしに「ん」「は、は」と息が残ったseed 2を使いました。同じ絵文字を重ねると効き目が強くなる、とモデルカードは書いていて、効き方は前後の文によって変わり、いつも同じではない、とも書いています。

ここからは、絵文字を足す前と後の2本を比べます。比べるのに使った「音の差」は、2本を、話す速さのずれを合わせて時刻ごとに比べた、音の成分の平均の差（dB）で、0に近いほど同じ音です。この記事の聞き比べでは、0.6〜4.4dBの間に収まりました。ただ、seedを変えただけでも2.5〜3.4dB動く（⑤）ので、3dBに届かない差は、たまたまの揺れの中に入ります。

実際に入れてみると、いちばん分かりやすく効いたのは😮‍💨（吐息）で、入れた所の間が伸び、重ねるほど長くなりました。絵文字なしに比べて、1つずつ入れると全体が1.9秒、2つ重ねると5.4秒長くなり、息だけの区間も1.0秒から、1.5秒・2.0秒と増えています。音の差も4.3dB・4.4dBで、絵文字の中でいちばん大きく出ました。👂（ささやき）は、長さがほとんど変わらず、音の差も1.5dBで、この3本の中では効きがいちばん弱く出ています。

ほかの絵文字は、効き方に差がありました。

• 😏（からかう）は、頭に1つ置いただけでは、絵文字なしとの差が0.9dBで、ほとんど変わらなかった。文の途中に置いて重ねても、差は1.4dBで、これも揺れの中だった
• 🫣（照れ）は、抑揚の数字は11.9半音から10.0半音に小さくなった。差は2.9dBで、揺れの幅の中
• 🤭（笑い）は、長さがほぼ同じで、差は2.2dB。せりふに書いた「ふふ」は、どちらも文字としては聞き取られなかった

もう1つ、今回の1本ずつの比べでは、説明文があるかないかで、絵文字の効き方が入れ替わって出ました。👂は、説明文ありで足した差が1.5dB、説明文なしでは2.4dBで、説明文なしのほうが大きく効いています。😮‍💨は逆で、説明文ありの4.3dBに対して、説明文なしでは2.2dBです。どちらも揺れの幅に近い差なので、決まった傾向とまでは言えません。説明文で話し方を決めて、絵文字は「ここだけ吐息を」のような、場所を決めた味つけに使い、効いたかどうかは1本ずつ聞いて確かめます。

④名前と読みにくい言葉は、かなで書く

キャラクターの名前は、漢字で書くと読み間違えることがあるので、かなで書きます。「颯真くん」と書いた音声は、文字起こしで「さよまくん」と出て、「そうま」と読まれていませんでした。「そうまくん」と書くと、「そうま」と読まれています（文字起こしの漢字は「相馬」でしたが、読みは合っています）。めずらしい名前や専門の言葉は読み間違えることがある、とモデルカードにもあります。

⑤崩れたら、seedを変える

言い方が崩れた、間の位置が気に入らない、というときは、書き方より先にseedを変えます。見本の声を渡していれば、seedを変えても声は同じまま、間の取り方と抑揚が変わるからです。

①の説明文とせりふのまま、seedだけを1〜4に変えると、長さはどれも9.3秒で、声の高さは283〜314Hzの、2半音ほどの幅に収まりました。それでも、seed 1との音の差は2.5〜3.4dBあり、🫣を2か所に入れたとき（2.9dB）と同じくらい変わっています。

機械っぽい声の見分け方と、避け方

説明文とseedによっては、数字の上で電子音っぽい側に出る声があります。見分けるには、高い音の帯域の「ざらつき」を数字にして、seedどうしで比べます。

わたしが使ったのは、Pythonの無料の音声のライブラリ「librosa」で出せる、スペクトル平坦度（spectral flatness）という値です。音声を24kHzで読み込み、声の高さがある区間だけで、3〜8kHzの帯域の平坦度の真ん中の値を出しました。小さいほど、倍音だけが目立つブザーのような音です。

今回の説明文Aの8本は、0.143〜0.244で、どれも自然な側でした。1回目に「少しハスキーで低め」と書いた説明文では、seedを1〜5に変えた5本のうち3本が、0.001〜0.005の電子音っぽい側に出ています。分かれ目の数字は、声と設定で変わるので、決まった線を引くより、同じ説明文でseedを変えた候補どうしで比べるほうが確かで、電子音っぽい値のseedは捨てて、作り直します。

自分で試すなら、次の依頼文をAIに貼ると、同じ値を出すスクリプトを書いてくれます。

息が多すぎる声は、息だけを削る

吐息まじりに作ると、気に入った声なのに息が多すぎる、ということが起きます。説明文を変えて作り直すと、seedによっては声の高さが動きます（「オリジナルの声を、説明文とseedで作る」の章の説明文Bのとおり）。気に入った声を保ちたいなら、作った音声の、息だけの区間の音量を下げる加工のほうが、元の声のまま直せます。

この記事では、声の高さが無く、すぐあとに声が続かない区間を息だけの区間として見つけ、その音量を6dB下げました。下げたのは1.1秒分で、声の区間には触れていないので、全体の音の差は0.6dBにとどまっています。息の区間を見つけるのも、librosaの声の高さ（pYIN）と音量でできます。

せりふをまとめて作り、1本につなぐ

作品にするときは、せりふを1本ずつ画面で作るより、まとめて作ってつなぐほうが早く済みます。AIに頼むときも、次の流れで伝えると話が早いです。

1. せりふの一覧を用意する（せりふ・説明文・seed・見本の声を1行ずつ）
2. モデルを1回だけ読み込んで、一覧のせりふをまとめて作る。1回ごとにかかるモデルの読み込みの20秒ほどが、1回で済む
3. 前後の無音を切り、声の大きさを1本ずつそろえてから、間を入れてつなぐ。無料のffmpegやlibrosaでできる。加工すると透かしが読めなくなることがあるので、下の「作品として出す前に」も見ておく

下の音声は、3つのせりふをまとめて作り、0.5秒の間でつないだものです（12.9秒）。せりふの中の長い無音は、0.6秒までに詰めました。

作品として出す前に

作った音声を作品として出す前に、確かめておきたいのは3つです。

• 実在の人に似せない：本人の同意なく、声優・有名人の声を見本にしない（モデルカードの決まり）
• 透かしを外さない：生成した音声にはSilentCipherの透かしが入る。この記事の声で作ったままのwavでは、43本中36本で中身を読めて、128kbpsのmp3にすると、手軽な読み取りで読めたのは34本だった。前後の無音を切って音量をそろえる加工でも、読めなくなるものが出た。透かしを残したいなら、変換は高めのビットレートにし、加工は必要なところだけにする
• 販売サイトの決まり：AIを使った作品の扱いは、販売サイトごとに決まりがある。売る前に、各販売サイトの最新の規約を確かめる

よくある質問

Windowsでも動きますか？

READMEでは、Windowsにも入れられるよう案内されています。NVIDIAのGPUのあるWindowsとLinuxは、--extra cu128 で入れる形です。GPUが無ければ、--extra cpu で入れられます。AIに頼むときは、「Windowsで、NVIDIAのGPUがある」のように、自分のパソコンのことを伝えれば、AIが入れ方を選びます。

声優さんに録ってもらった声と混ぜて使ってもいいですか？

その声優さんが、声を見本に使うことにはっきり同意していれば、見本の音声として渡せます。同意の無い声を見本にするのは、モデルカードの決まりで禁じられています。依頼するときは、合成の見本に使うことまで含めて、契約で決めておくと安心です。

作った声を見本にして、別の声を作れますか？

作れます。作った音声を見本（ref-wav）に渡し、説明文で話し方を変えれば、同じ声の別の言い方です。声の質まで変えたいときは、見本と食い違う説明文を書くより、見本なしで説明文から新しく作るほうが、音が崩れにくくなります。

長い文章を一度に読ませられますか？

v4.1は、せりふの長さから音声の長さを自動で決めます。ただ、作品にするなら、ここまでのように1つずつのせりふに分けて作り、あとでつなぐほうが、崩れたせりふだけを作り直せて楽です。