Irodori TTS v3 VoiceDesignの絵文字一覧：声の距離・感情・間の指定方法

泣き声、息をのむ音、電話越しの質感、早口、ナレーション調。Aratako氏のIrodori-TTS-600M-v3-VoiceDesignでまず見たいのは、モデル名よりも絵文字リストです。

Irodori TTS v3 VoiceDesignは、日本語テキストを音声にするTTS、つまりText-to-Speech系のモデルです。VoiceDesignは、声の特徴や話し方をテキストで指定する仕組みを指します。600M-v3-VoiceDesignでは、テキスト、参照音声、キャプションを組み合わせ、さらに入力文中の絵文字で一文ごとの話し方を指定できます。

公式のEMOJI_ANNOTATIONS.mdは、絵文字を装飾ではなく、音声効果、話し方、感情表現を指定する記号として扱っています。同じ絵文字を複数回入れると効果を強められるとも説明されています。ただし、絵文字制御は完全ではありません。ここは公式側も明確に注意しています。

絵文字リストは5つに分けると読みやすい

公式リストには40種類以上の絵文字があります。全部を丸暗記するより、役割で分けた方が使いやすいです。

分類と絵文字	何を動かすか
距離 👂 📞 📢 🤐	耳元、電話越し、響き、口をふさがれたような質感
呼吸 😮‍💨 🌬️ 😮 🥤 🤧 👃	ため息、荒い息、息をのむ、飲み込み、咳や鼻の音
感情 😭 😠 😰 🥺 😌 😎	泣き、怒り、動揺、自信のなさ、安心、自信
速度 ⏸️ ⏩ 🐢	沈黙、早口、ゆっくりした読み上げ
演技 📖 🎵 👌 🙏 😏 🫶	ナレーション、鼻歌、相槌、懇願、からかい、やさしさ

ここで大事なのは、絵文字が「かわいい記号」ではないことです。Irodori TTS v3では、声の距離、息、間、感情を短く指定するための入力として機能します。

VoiceDesignではキャプションと絵文字の役割が違う

600M-v3-VoiceDesignのモデルカードは、Text、Reference Speech、Caption Textの3要素を組み合わせられると説明しています。Reference Speechは参照音声、つまり声の手がかりとして渡す音声です。Caption Textは、声質、感情、話し方、音響的な雰囲気を文章で指定する部分です。

この仕組みで見ると、役割はかなりはっきりします。

指定するもの	向いている役割
キャプション	声質、人物像、全体の話し方、距離感の大枠
参照音声	声の本人性や基準になる声質
絵文字	一文ごとの感情、息、間、口元の音、速度の変化

たとえば「落ち着いた低めの声で、近い距離から静かに話す」という全体像はキャプションで決めます。そのうえで、本文の中に ⏸️ を入れて間を作る、😮‍💨 で息のニュアンスを足す、📖 で独白寄りにする。こう考えると、キャプションで全体設計、絵文字で一文ごとの演技という使い分けになります。

短い入力で試すと崩れにくい

公式情報だけでは、どの絵文字がどの入力でどれだけ効くかまでは断定できません。実際に試すなら、最初は短文で1つずつ見る方が安全です。

試す入力の形	見るポイント
少し待って。⏸️ もう一度、ゆっくり話すね。	間の入り方
本日はお越しいただきありがとうございます。📖	ナレーション寄りになるか
え、今の本当？😲	驚きのニュアンス
大丈夫、ゆっくりでいいよ。🫶🐢	やさしさと遅さが過剰にならないか

組み合わせを増やすほど、どの指定が効いたのかが見えにくくなります。最初から長い台本に絵文字を大量に入れるより、短いセリフで効果を確認してから広げる方が扱いやすいはずです。

口元や息の記号は便利だが、使いどころを選ぶ

絵文字リストには、呼吸、咳、飲み込み、口元の音、耳元の質感に関わるものも含まれます。音声作品やASMR寄りの制作では目を引く部分ですが、公開用途では扱い方に注意が必要です。

たとえば、声を複製する機能と、息や口元の音を強める指定を組み合わせると、本人らしさが必要以上に強く見える場合があります。モデルカードでは、本人の明示的な同意なしに特定人物の声を複製したり、なりすましに使ったりしないよう求めています。

モデルのライセンス表示だけを見て終わりにしない方がいいです。参照音声の権利、声が誰かに似る可能性、公開先の文脈まで含めて確認する必要があります。

まだ断定できないこと

Irodori-TTS-600M-v3-VoiceDesignは、公式モデルカード上で日本語入力のみと説明されています。また、参照音声とキャプションの指示が矛盾すると、音質が不安定になったり、どちらかの条件が優先されたりする可能性があるとされています。

漢字の読みも注意点です。モデルカードでは、同規模のTTSモデルと比べて漢字読みの正確性が弱く、複雑な漢字は事前にひらがなやカタカナへ変える必要がある場合があると説明されています。

つまり、絵文字リストは強い入口ですが、品質保証そのものではありません。制作で使うなら、読み、間、声質、ノイズ、似すぎていないかを必ず聞いて確認する必要があります。

軽く触るなら、絵文字リストからでいい

Irodori-TTS-600M-v3-VoiceDesignを追うなら、最初からアーキテクチャの細部に入らなくても入り口はあります。絵文字リストを見るだけで、このモデルが単なる読み上げではなく、声の距離や感情を細かく指定する方向に進んでいることがわかります。

まずはキャプションで声の大枠を決める。短いセリフに絵文字を1つ入れる。効き方を聞く。合わなければ、絵文字を変えるか、ひらがなに直す。

この順番なら、VoiceDesignの新しさを無理なく試せます。絵文字で声を動かすという入口は、Irodori TTS v3を軽く理解するにはかなりわかりやすいポイントです。

ローカル音声合成を用途から選ぶ段階なら、音声生成AI・TTSの入口でIrodori TTS、Style-Bert-VITS2、商用利用前の確認事項を分けて見られます。固定したキャラクター音声をCPUやAPIから繰り返し使う用途は、Style-Bert-VITS2（SBV2）の比較が近い選択肢です。公開や販売まで進める場合は、AI音声の権利と安全性も先に確認してください。