15.aiは、入力した英語の文章を、ゲームやアニメなどに登場する架空のキャラクターの声で読み上げる音声を生成する、無料の非営利ウェブアプリケーションであった。「15」という名義の開発者が個人で開発・運営し、ディープラーニングによる音声合成を用い、入力文から推定した感情を声の調子に反映できることを特徴としていた。
2020年に公開されて技術系のメディアで紹介され、2021年1月には英語圏や日本などのゲームメディアで相次いで取り上げられた。声の再現度や使いやすさが評価された一方、抑揚や発音の限界も指摘され、生成された音声はファンが制作する動画やインターネット・ミームに使われた。2022年1月には、非代替性トークン事業を手がけるVoiceverseが15.aiで生成した音声を自社技術の成果として宣伝に用いていたことが明らかになり、同社が謝罪した。サービスは開発者の説明によれば2022年に停止し、2025年に開発者が「15.dev」として再開を発表したが、2026年5月に開発者が無期限の閉鎖を表明した。
歴史 技術的背景 音声合成には、録音済みの音声の断片をつなぎ合わせる方式や、統計モデルから音声の特徴を推定する方式が用いられてきた。その後、深層学習を用いて文字や音素から音響的な特徴を生成する方式が発展した。こうした方式では、音声の周波数成分を時間に沿って表すスペクトログラムなどを生成し、音声波形に変換する。
2016年9月にDeepMindが発表したは、音声波形を直接、一つのサンプルずつ生成するニューラルネットワークである。2017年12月にGoogleが紹介したは、文字列からスペクトログラムを予測し、WaveNetに似た構造のモデルで音声波形に変換する仕組みを採った。開発チームは自然さの評価が人間の録音に並ぶと報告した一方、複雑な語の発音、実時間での生成、喜びや悲しみといった感情の制御には課題が残ると説明した。
2024年の音声合成研究の総説は、音声の品質に加え、話者の個性、感情、話し方を表現することが研究課題となっているとまとめている。
開発と公開 開発者の15はマサチューセッツ工科大学の卒業生で、15.aiは同大学の学部生向け研究プログラム（）の一環として開発が進められた。2020年4月にDeepLearning.AIのニュースレターThe Batchが伝えたところでは、開発者はMITの学部生だった2018年にこのプロジェクトを始め、2019年に発表された音声合成への転移学習に関する論文から着想を得たと説明していた。ナイジェリアの『』が2024年に伝えた15の説明によれば、15は2016年にMITの1年生として深層学習による音声合成に関心を持ち、少ない学習データで音声を合成する研究を進めた。博士課程の研究テーマとすることも考えたが、その後スタートアップを共同創業し、同社はYコンビネータに採択された。会社での仕事を終えた後も音声合成の研究構想を持ち続け、成果を示す無料のウェブサイトとして15.aiを作ったという。
15.aiは2020年に公開され、当時の報道では「fifteen.ai」の名で紹介されている。同年3月には中国の人工知能メディア新智元が、Redditで話題になっている音声合成サービスとして紹介した。The Batchは4月、少ない学習データで新しい声を学習できる手法として15.aiを取り上げ、当時選べたキャラクターとして『マイリトルポニー〜トモダチは魔法〜』のセレスティア姫やTeam Fortress 2のソルジャーを挙げた。5月のAI Dailyは、同サイトがそれまでに420万件以上の音声ファイルを生成していたと伝えた。
新智元は、当時の一般的なディープラーニングによる音声合成モデルが40時間以上の音声を学習に用いていたのに対し、15.aiは大量の音声データを必要としない点が異なると紹介した。学習データの量についての説明は、報道の時期によって次のように伝えられている。2020年3月の新智元は、1キャラクターあたり30分から120分のきれいな音声で学習したとするサイトの説明を紹介し、同年5月のO'Reilly Radarは55秒から120分としている。同年4月のThe Batchは、15分未満のデータで新しい声を学習できる手法を見つけたという開発者の説明を伝えた。2021年には、15秒程度の音声データがあれば感情表現を含めて声を再現できるという説明が伝えられた。ナイジェリアの『ガーディアン』が伝えた15の説明に基づけば、この15秒という主張がサービス名の由来である。
15.aiでは『マイリトルポニー〜トモダチは魔法〜』のキャラクターが多数用意されており、Towards Data Scienceに寄稿された記事によれば、2021年1月時点で40以上から選ぶことができた。ナイジェリアの『ガーディアン』が伝えた15の説明によれば、4chanのマイリトルポニー板の利用者らによる「」が同作の台詞を収集して注釈を付けたデータセットを整備しており、15はこれを学習に用いた。
2021年の反響 2021年1月17日のKotakuをはじめ、Byteside、Game Informer、Rock, Paper, Shotgun、PC Gamer、日本の電ファミニコゲーマーとAUTOMATON、台湾の『聯合報』系のゲームサイトなど、各国のメディアが相次いで15.aiを紹介した。当時の15.aiでは、PortalのGLaDOS、Team Fortress 2の登場人物、『スポンジ・ボブ』のスポンジ・ボブ、『ドクター・フー』の10代目ドクター、『2001年宇宙の旅』のHAL 9000、Portalの、『ペルソナ4』の久慈川りせ（英語版の声）、アニメのダリアとジェーン、『スティーブン・ユニバース』のスティーブンなどの声を選ぶことができ、AUTOMATONによれば17作品のキャラクターが登録されていた。15は利用者からの協力も募りながら、Falloutシリーズやウィッチャー3などのキャラクターを追加する予定を示していた。
利用者が集中したため、音声の生成に数分かかることもあった。音声の生成にかかる費用は開発者が負担しており、15はPatreonでサーバーの運用費などの支援を募っていた。ナイジェリアの『ガーディアン』が伝えた15の説明によれば、利用者が急増した2021年以降、クラウドの利用料は月1万2000ドルを超えたが、15は以前のスタートアップで得た資金で賄い、企業からの技術の買収やライセンスの申し出も断った。2021年5月には、利用の集中によりサイトがオフラインになっていたと報じられている。ベルギーの高等教育機関Howestの研究部門DAE Researchの概説によれば、開発者は品質に納得したときにだけサイトを公開しており、試験版が別のサブドメインで公開されることもあった。中国のマイリトルポニーのファンサイトEquestriaCNによれば、15.aiは長い停止の後、2021年10月にモデルを「v23」に更新して再公開された。同年2月以降、モデルは10回の大きな更新を経ており、v23には「DeepThroat」という名前が付けられた。
Voiceverseによる無断利用
2022年1月14日、声優のトロイ・ベイカーが、AIで生成した声をNFTとして販売する事業を掲げるVoiceverseとの提携を発表し、強い批判を受けた。Voiceverseは、NFT事業者Chubbiverseが公開した猫のアニメーションの声が自社技術によるものだとする投稿をしていたが、15は、この音声が15.aiで生成されたものであることがログから分かるとして指摘した。15によれば、音声はマイリトルポニーのキャラクターであるレインボーダッシュの声を元に、元の声と分からないよう音程を上げる加工がされていた。15は前年12月13日に、自身の仕事にNFTを取り入れるつもりはないと固定投稿で表明していた。15はVoiceverseの事業について「詐欺のように聞こえる」とも述べた。
ベイカーは発表から数時間のうちに、発表の言い回しが挑発的だったと認めた。Voiceverseは元の投稿を削除し、音声が15.aiから取られたもので、同社のマーケティングチームが適切なクレジットを示さずに使用したと認めて謝罪した。15はこの謝罪に罵倒の言葉で応じた。この件は北米のほか、北欧、ロシアなど各国のメディアでも報じられた。Checkpoint GamingやKotaku Australiaは、声を商品として販売する仕組みが声優の仕事を奪いかねないという懸念を伝え、The Mary Sueは、NFTに作品を無断で使われる事例の一つとしてこの件を取り上げた。ベイカーは同年1月31日にVoiceverseとの提携を続けないと表明し、Voiceverse側は双方の合意による解消だと説明した。
この件は、NFTをめぐる問題を記録するウェブサイトや、AIに関する事故・論争を集めたデータベースにも記録された。盗用問題を扱うウェブサイトPlagiarism Todayは2025年の回顧記事で、作品がAIによるものか人間によるものかではなく、どのAIシステムが作ったかが争われた盗用騒動だった点を指摘した。
停止と再開、閉鎖 2024年12月にナイジェリアの『ガーディアン』が伝えた15の説明によれば、15.aiは2022年に公開を停止し、その時点でも停止したままであった。15は、AIの学習はフェアユースに当たり、とりわけ非営利の取り組みではそうだと考えていたものの、使用停止を求める通告を受けるなどの法的な問題からサイトを維持できなくなったと説明している。
2025年5月、15は15.aiを「15.dev」のドメインで再開したと発表した。再開時に選べたのはマイリトルポニーのキャラクターのみであった。しかし15は2026年5月28日、自身が創設したウェブサイト「Artist Alley」に専念するため、15.devで提供していた音声生成サービスを無期限に停止すると表明した。この発表で15は、サイトの維持に毎月数千ドルを自費で負担しており、利益を得たことは一度もなかったと述べている。
特徴 利用者は作品とキャラクターを選び、読み上げさせたい文を入力する。2021年1月時点で入力できるのは200字までで、生成された音声はWAV形式でダウンロードできた。ニューラルネットワークの性質上、生成のたびに出力は少しずつ異なり、2022年6月の時点では一度の生成で3通りの音声が作られていた。音声は2020年の時点で44.1 kHzのサンプリング周波数で生成されていた。新智元が紹介したサイトの説明によれば、多くのディープラーニングによる音声合成が用いる16 kHzよりも詳細な音声になる一方、欠点も目立ちやすいとされていた。対応言語は英語のみで、ほかの言語の文章は正しく読み上げられなかった。Towards Data Scienceの記事によれば、2021年1月時点では手法を説明する論文やソースコードは公開されていなかった。
AUTOMATONによると、15.aiはオックスフォード辞典のAPIやウィクショナリー、カーネギーメロン大学の発音辞書などを参照して単語を音素に分解し、新しい俗語についてはGoogle、Reddit、4chan、Urban Dictionaryなども参照していた。読み上げ用のデータセットLibriTTSも取り込んでおり、辞書にない語も発音を推測して読み上げることができた。利用者は、発音を指定したい語をARPABETの表記で入力することもできた。2021年10月の更新以降、画面には入力文の解析結果が表示され、発音辞書にある語、ARPABETで指定された語、発音を推測した語が色分けされた。
入力文に合った感情を声に反映するため、15.aiは「」を利用していた。DeepMojiはMITメディアラボなどの研究者が開発したモデルで、64種類の絵文字のいずれかを含む約12億件のツイートを学習し、文章から感情を推定する（感情分析）。15.aiではこの推定を用いて、入力文の内容に応じて悲しげな調子や激しい調子で読み上げさせることができ、画面にはDeepMojiが入力文から推定した絵文字も表示された。Towards Data Scienceに寄稿された記事は、読み上げる文の後に縦線「|」と感情の手がかりとなる別の文を加えることで、最初の文を読む声の調子を指定できたと報告している。同記事の筆者は、喜ばしい内容の文を悲しげな調子で読み上げさせると、皮肉を込めたように聞こえたと記している。
15.aiは複数のキャラクターを同時に学習させることができ、これにより学習の手間が大きく減ったとされる。ナイジェリアの『ガーディアン』が伝えた15の説明によれば、キャラクターごとに別のモデルを作るのではなく、複数の声を一つのモデルで学習しており、これによって感情や話し方の特徴をキャラクター間で汎化できた。キャラクターごとの学習データの量には差があった。Towards Data Scienceへの寄稿記事によると、Portalのセントリータレットの音声は約100秒分しかなかったが良好に聞こえた一方、120分以上のデータがあるマイリトルポニーのキャラクターの声は、27分程度のデータしかないスポンジ・ボブの声よりも自然であった。同記事の筆者は、少ないデータのキャラクターでも品質が保たれるのは、ほかのキャラクターの学習データからも恩恵を受けているためではないかと推測している。
ゲーム中で話さないPortalのシェルやゴードン・フリーマンを選ぶと無音になり、UNDERTALEやCelesteのキャラクターは台詞の代わりに電子音のような効果音を鳴らした。用意されていたのは架空のキャラクターの声のみで、実在の人物の声には対応しておらず、15.aiを使ったとうたう政治的なディープフェイク動画に対する注意喚起も行われていた。
15.aiの案内では、生成した音声を用いた作品は、15.aiへのクレジットを明記すれば自由に投稿できるとされていた。2022年1月時点では、利用を始める際に商用利用を禁じる旨の警告が表示され、利用規約への同意が求められた。
利用例 Team Fortress 2のファンは、15.aiの音声とValveの動画制作ソフト「」を組み合わせて寸劇やアニメーションを多数制作した。PC Gamerは、Team Fortress 2の登場人物が『きかんしゃトーマス』の一場面を吹き替えたり、Among Usの対戦中に言い争ったりする動画や、映画『ホーム・アローン2』の元大統領の出演場面をTeam Fortress 2のヘビーに差し替えた動画を紹介した。Kotakuはスポンジ・ボブの声で作られた中古車販売店のパロディ広告を、台湾のゲームサイトはTeam Fortress 2の定番ミーム動画「The Heavy Is Dead」や、グランド・セフト・オートVの一場面をもとにしたミームを15.aiの音声で作り直した作品を紹介している。Game Informerの記者は、PortalとMass Effectを組み合わせた作品を自ら作って記事で紹介した。
マイリトルポニーのファンの間では公開当初から15.aiが使われ、は2020年3月、AIで作ったポニーの声の作品をファンから募って紹介した。投稿作品には15.aiを使ったと明記したものも含まれていた。同サイトはキャラクターの追加を伝えたほか、ホラーゲームを15.aiの声で通しで演じた動画や、15.aiの声を使った17分のファン制作エピソードを紹介した。
キャラクターの声を音声アシスタントに使う試みもあった。Portalのファンが3Dプリンターで作ったGLaDOSの頭部の模型にAmazon Echoを組み込み、一部の要求に15.aiで作ったGLaDOSの声で応答させた例や、PCを音声で操作するソフトと組み合わせてGLaDOSをアシスタントとして使うデモが報じられている。
評価 メディアの評価 2021年1月のGame Informer、Kotaku、電ファミニコゲーマー、GLITCHEDなどの紹介記事は、使い方の簡単さや声の再現度を評価した。Game Informerは15.aiを「シンプルながら見事な」アプリと呼び、Kotakuは、生成される音声が驚くほどよくできているとして、記者がGLaDOSに話させた台詞を記者の恋人がGLaDOSの声優による新しい録音だと思い込んだと記した。電ファミニコゲーマーは発音のなめらかさを特筆すべき点に挙げ、スウェーデンのFZは背後の技術を「控えめに言っても印象的」と評した。Rock, Paper, Shotgunは、細部に踏み込めば発音を細かく調整できる点を、チェコのLetem světem Applemは2022年に、選べるキャラクターは限られるものの生成が非常に速い点を挙げた。スペインのMicrosiervosは、文の内容に応じて読み方が変わる点や、間の取り方とリズムを興味深いと評した。
技術的評価 2021年1月のTowards Data Scienceへの寄稿記事で、Rionaldi Chandrasetaは、多くの学習データがあるキャラクターほど、特に長い文で抑揚や語の間の休止が自然だと評した。一方、15秒のデータだけで生成した音声の品質は確認できていないと記している。また、実際の生成には時間がかかり、サイトの「実時間より速い」という説明には同意できないとしつつ、利用者の要求が処理待ちとなっているためかもしれないとも述べた。
DAE Researchの概説は、少ないデータで感情のこもった音声を生成できることを、音声合成の分野でも前例のない成果だと評価した。ゲームMOD向けの音声合成ツールxVASynthの開発者は、15.aiのようなクラウド型のツールにはどの機器からでも使える利点があると認めつつ、自身はコミュニティが自由に改変できるオープンソースの方式を好むと述べている。
一方で限界も指摘された。PC Gamerは、もともと機械的な声のGLaDOSは合成音声との相性がよい一方、The Stanley Parableのナレーターの独特な抑揚は再現できていないと評した。中国のゲームサイト游民星空は、声の抑揚に乏しい点や文字数の制限を挙げた。Anime Superhero Newsは、初期の音声合成ソフトでは特殊文字で抑揚や音程を操作できたのに対し、15.aiでは抑揚が生成のたびに偶然に左右され、疑問文も平叙文のように読み上げられるため、望む読み方を得るまで何度も生成し直す必要があると指摘した。英語以外の言語に対応していない点も、日本、台湾、ブラジル、スペイン語圏などのメディアが指摘している。2020年5月のAI Dailyは、基本的な単語はよく再現できるものの、複雑な語の発音は大きく崩れることがあると指摘した。Towards Data Scienceの記事は、筆者が以前に試した音声合成サービスLyrebirdと比べて15.aiの音声ははるかに自然だと評価しつつ、ディープフェイクと同様に偽の発言の作成に悪用される危険もあると指摘した。
声優の反応 Team Fortress 2でスナイパーを演じる声優のは、2021年4月のポッドキャストで、インターンを志望する学生が15.aiで作った寸劇を聞いたと語った。ラウリーは、人間の声だと信じられるまでには技術にまだ長い道のりがあり、場面を分析した俳優の演技には及ばないとしつつ、どこまでできるかには感心したと述べ、MODを作りたいファンが好きなキャラクターの声を使うには楽しいものになり得ると語った。また、資金があれば合唱団やオーケストラを雇い、なければそれらしい音で済ませるという合成音楽の例を挙げ、本物とは同じではないと述べた。
倫理面の議論 倫理面では、The Batchが2020年の時点で、声の複製は映画やアニメ、オーディオブック、教育などで大きな可能性を持つ一方、本人の同意なく人間の声を合成することは倫理に反するといえ、違法となる可能性もあると論じ、ソーシャルメディア上の録音から一般人になりすます悪用にも懸念を示した。
後年の評価と言及 2023年3月のAnalytics India Magazineの記事は、AIによる音声のミームは15.aiが公開された2020年から存在し、ElevenLabsの音声合成サービスの登場によってさらに広がったと論じた。ナイジェリアの新聞『Independent』も2025年の回顧記事で、15.aiを音声合成研究の成果をウェブ上で公開した先行事例として取り上げ、ファンによる創作での利用や音声生成AIの倫理をめぐる議論との関わりを紹介した。
後年の文献でも、15.aiは音声生成AIの例として挙げられている。生成モデルによるなりすましを論じた2025年のAAAI/ACMの会議論文は、2020年までに15秒の音声から声を複製できる音声合成モデルが現れたことに触れ、その例として15.aiがDeepMojiを組み込んでいたことを挙げている。生成AIと人間の関わりを概観した2025年の論文も、音声を生成するAIの例として15.aiを挙げている。ポーランドのCyberDefence24は2024年、AIで俳優の台詞を生成するというマイリトルポニーのファンの発想から生まれた、より本格的な成果の一つとして15.aiを紹介した。デンマークの公的機関であるデータ倫理評議会は2025年の報告書で、生成AIによる音声生成の知られた例として、ElevenLabsとともに15.aiを挙げている。
脚注