Skip to main content

なぜ Pro Voice Cloning を使うのか?

Professional Voice Clone (PVC) は、あなたのデータで TTS モデルをファインチューニングして作成される音声で、アクセント、話し方、音質を含めて聞き取ったボイスをほぼ忠実に再現できます。 Instant Voice Cloning と比較して、Pro Voice Cloning は数時間に及ぶスタジオ品質の音声データの細かなニュアンスまで捉えることができます。

概要

Pro Voice Cloning は、Startup プラン以上の Cartesia サブスクリプションをお持ちの方にご利用いただけます。インスタントクローンと比べてより多くのデータを活用し、非常に精度の高いボイスクローンを作成できます。 Pro Voice Clone を作成すると、Cartesia はまずあなたのデータでモデルをファインチューニングし、その後、データから選ばれたクリップをもとにボイスを作成します。これらのボイスはファインチューニング済みモデルに紐づけられ、テキスト読み上げの際にそれらのボイスとともに自動的に使用されます。

プレイグラウンドから PVC を作成する

プレイグラウンドの Pro Voice Clone ページで PVC を作成できます。ここでは、ご自身のすべての PVC と、そのステータス (Draft、Failed、Training、Completed など) も確認できます。
1

データを準備する

フォームに記入して Pro Voice Clone を作成します(言語とアクセントを含む)。
次に、トレーニングに使用したいすべての音声ファイルをアップロードします。複数のファイルを一度にアップロードできます。ファイルは次のいずれかの音声形式である必要があります。
  • .wav
  • .mp3
  • .flac
  • .ogg
  • .oga
  • .ogx
  • .aac
  • .wma
  • .m4a
  • .opus
  • .ac3
  • .webm
Pro Voice Clone には最低 30 分の音声が必要ですが、品質と労力のバランスを最適化するには 2 時間の音声を推奨します。Pro Voice Clone はアップロードしたデータに忠実に近づくため、背景ノイズ、音量、音声の品質の点で、聞こえ方が望ましい状態になっていることを確認してください。 一般的に、クローンしたい話者だけが含まれる音声をアップロードするほうが良い結果が得られます。複数話者の音声はクローンの品質を損なう可能性があります。
過去の Pro Voice Clone のデータを再利用する場合は、Select dataset タブに切り替えて、以前のデータセットを確認します。これらのデータセットは PVC とは別に編集でき、音声ファイルを管理するのに便利です。
2

モデルをトレーニングする

トレーニングは完了までに 3 時間ほどかかります。トレーニングが成功した場合にのみ料金が発生します。トレーニングが失敗した場合は、Re-attempt Training ボタンをクリックして再試行できます。失敗が続く場合はサポートまでお問い合わせください。
3

ボイスをテストする

トレーニングが完了すると、データセットの中から異なるソース音声クリップに基づいて 4 つのボイスが自動的に作成されます。これらのボイスは内部的にあなたのファインチューニング済みモデルにリンクされており、リクエストでそのファインチューニング済みモデルのモデル ID を指定したときに使用されます。ボイスは Voice Library の My Voices からも利用でき、API 経由でも使用できます。
各ボイスは表示されているモデル IDのモデルと、それ以降のすべてのモデルで動作します。詳細は対応モデルを参照してください。

API 経由で PVC を作成する

API を使用してプログラム的に PVC を作成することもできます。 主要なエンドポイントは次のとおりです。
  1. Datasets: Create (トレーニングデータを保持)
  2. Datasets: Upload file (トレーニングデータをアップロード)
  3. Fine Tunes: Create (ファインチューニング済みモデルを作成)
  4. Fine Tunes: List Voices (音声生成に使用できる PVC)
PVC を作成する完全なスクリプトは次のとおりです。
前提条件
  1. Cartesia API キーを取得済みであること (CARTESIA_API_KEY としてエクスポート)。
  2. アカウントに少なくとも 1M credits があること。
  3. 1 つ以上の .wav ファイルが入った samples/ というフォルダがあること。

対応モデル

Pro Voice Clone は、トレーニングに使用したモデル (ボイスのモデル IDとして表示されます) と、それ以降のすべてのモデルで動作します。Cartesia は新しいモデルのリリース前に各ボイスをそのモデルに対応させるため、モデルが進化してもボイスは動作し続けます。 Pro Voice Clone の詳細に表示されるモデル ID モデルは、表示されているような固定された日付付きの ID で指定してください。ボイスは、トレーニングに使用したモデルより古いモデルや、変動するバージョンを指す sonic-preview のような日付なしエイリアスでは動作しません。これらで呼び出すと、HTTP 400voice_model_mismatch エラーが返されます。
このような構造化された JSON エラーには Cartesia-Version: 2026-03-01 以降が必要です。それより前のバージョンでは、同じエラーがプレーンテキストで返されます。エラースキーマの詳細は API Errors を参照してください。 これを解決するには、ボイスをそのモデル ID、または、それ以降のモデルの日付付き ID で呼び出してください。より古いモデルで使用したい場合は、データの代表的なクリップから Instant Voice Clone を作成してください。
ボイスを別のベースモデルへ移行する場合や、新しいデータで再トレーニングする場合は、新しいファインチューンを作成してください (再度 1M credits が必要です)。

速度と音量のコントロール

Pro Voice Clone は話す速さや抑揚をデータセットから学習するため、速度と音量のコントロールは影響しません。速さを変えるには、元の音声を調整して再トレーニングしてください。