速度・韻律の調整
クイックスタート推奨：まずは speed だけ
ほとんどの場合 speed 以外のパラメータはデフォルトのままが最も自然に聞こえます。
pitch_scale や intonation_scale は 1.0 から外れると若干の音質劣化を伴います。
「少し速く/遅くしたいだけ」なら speed ひとつだけ触ってみて、残りは必要になったとき 詳細パラメータ セクションへ進んでください。
generate() は話速・ピッチ・抑揚・変動性を調整できるキーワード引数を6つ受け付けます。
すべて省略可能で、何も渡さなければ学習済みのデフォルト値で合成されます。
以下のサンプルはすべて同じ文章（「今日はどんな国に辿り着くのでしょうか。新しい出会いが楽しみです。」）を tsukuyomi_chan 話者で、該当パラメータのみを変えて生成した結果です。
パラメータの動作は HayaKoe がフォークした Style-Bert-VITS2 の infer() と同一です。
speed — 話速
デフォルト値 1.0 を基準に、小さいほど速く、大きいほど遅くなります。
内部的に Duration Predictor が予測した音素長に speed をそのまま掛ける方式なので、発音自体はよく維持されます。
0.8 より下げると発音が潰れ、1.3 を超えると「遅い」より「間延びする」方に近づきます。
実用上は 0.9 ~ 1.1 程度が最も自然です。
speaker.generate(text, speed=0.9) # やや速め
speaker.generate(text, speed=1.1) # ややゆっくり詳細パラメータ
ここからはデフォルトでも十分自然ですが、細かいチューニングが必要なときに触る設定です。
全体まとめ
| パラメータ | デフォルト | 推奨範囲 | 効果 |
|---|---|---|---|
pitch_scale | 1.0 | 0.95 ~ 1.05 | 音の高さの倍率。1.0 から外れると若干音質劣化 |
intonation_scale | 1.0 | 0.8 ~ 1.3 | 抑揚の起伏。1.0 から外れると若干音質劣化 |
sdp_ratio | 0.2 | 0.0 ~ 0.5 | 決定的 DP と確率的 SDP の混合比率 |
noise | 0.6 | 0.3 ~ 0.9 | 音声の変動性（音色のランダム性） |
noise_w | 0.8 | 0.5 ~ 1.2 | 発話リズムの変動性（SDP ノイズ） |
一度に1つずつ動かしてみることをお勧めします。
以下のサンプルでは違いを耳で確認できるよう、意図的に推奨範囲の外まで振っています。
pitch_scale — 音の高さ
音の高さを全体的に上げたり下げたりする単純な倍率です。
1.0 から外れると若干の音質劣化を伴うため、他のパラメータより狭い範囲で動かすことをお勧めします。
0.95 ~ 1.05 の範囲では話者のアイデンティティがほぼ維持されますが、極端な値では「別人」になったり音質が目に見えて落ちたりします。
speaker.generate(text, pitch_scale=1.05)intonation_scale — 抑揚の起伏
抑揚変化の「幅」を調整します。
0.0 はほぼ完全に単調なロボットトーン、2.0 は大げさな朗読トーンです。
pitch_scale と同様に 1.0 から外れると若干の音質劣化があります。
実用上は 0.85 ~ 1.3 程度が自然です。
speaker.generate(text, intonation_scale=1.2)sdp_ratio — 決定的/確率的な長さ予測の混合
HayaKoe（および Style-Bert-VITS2）は2種類の長さ予測器を併用します。
- DP (Deterministic Duration Predictor) — 同じテキストに対して常に同じ長さを出力します
- SDP (Stochastic Duration Predictor) — 呼び出すたびに少しずつ異なる長さを出力します
sdp_ratio は2つの予測器の混合比率で、0.0 は DP のみ、1.0 は SDP のみ を意味します。
高いほど文内のリズム起伏が大きくなり、同じテキストを複数回実行したときに毎回結果が変わります。
再現性が重要なサービス（例：字幕タイミング固定）では 0.0 にし、一回限りの生成なら 0.2 ~ 0.4 が自然です。
speaker.generate(text, sdp_ratio=0.0) # 常に同じnoise / noise_w — 音声・リズムの変動性
それぞれ異なるステージに作用するノイズです（音素自体のノイズではありません）。
noise— 音声の変動性。Flow ステージで音色の全体的なランダム性を調節します。sdp_ratioに関係なく常に影響します。noise_w— 発話リズムの変動性。SDP（確率的予測器）に入るノイズです。sdp_ratioが 0 の場合は影響がありません。
以下のサンプルは残りのパラメータをすべてデフォルトのまま、該当ノイズのみを変えて生成した結果です。
ほとんどの場合はデフォルト値（0.6、0.8）のままが最も自然です。
「揺れが気になる」と思ったら該当側のノイズを少し下げてみて、「機械的すぎる」と思ったら少し上げてみる、という使い方をすればよいでしょう。