IndexTTS-2.5の日本語読み指定とvoice clone一貫性をRunPodで検証

前々回の記事で TTS の誤読問題から「読み指定を持つ TTS への乗り換え」という方針を立てた著者が、今回は Bilibili が開発する IndexTTS-2.5 を検証した。読み指定は <漢字|かな> 形式で、2.5 で日本語に正式対応。RunPod の RTX 4090 で、クローン再現性・試行間一貫性・読み指定なしの漢字誤読・読み指定の機構の4観点を測定した。試行間の類似度は 0.9570 でほぼ同水準。一方 reference との類似度は 0.8477 と低く、reference からのずれが大きく出た。

AI音声の品質判断が「実測してみないと分からない」という現実が、ここにある。仕様書や広告文では「日本語対応」「読み指定可能」と書かれているが、実際の出音は全く別物だ。IndexTTS-2.5 の読み指定実装は、トークン化前にかなへ置換する方式で、モデルは漢字を見ない。つまり任意の異読を強制できるが、その一方で「出た時には確実に直せるが、毎回正しく読まれる保証はない」という片足の危険性を抱えている。セルフホストなら決定性を手に入れられるのに対し、商用サービスは seed 固定の手段がなく、尺もぶれる。この決定性の有無は、商品説明動画や自動ナレーション等、繰り返し生成が必要なユースケースでは致命的だ。

中小企業が商品説明やマニュアルの音声化を検討するなら、まずはセルフホストと SaaS のどちらが許容できるかを決めることが先だ。「品質が同じなら安い方」という判断では足りない。セルフホストは GPU 環境の用意と運用知識が要るが、出力の再現性が手に入る。SaaS はお金だけで済むが、毎回違う声が出るリスクを抱える。自分たちの製品サイクルや修正頻度に照らして、どちらが実務的か。その判断が、AI 音声導入の本当の第一歩だ。