これは何か
VocaVoca は自分の声から UTAU ボイスバンクを作ります。アプリが用意した原稿を表示し、使う人は言われたとおりに読んだり録音したりするだけ。するとボイスバンクが自動で、切り出され、設定され、使える状態でできあがります。
ふつうのやり方で UTAU ボイスバンクを作るのは大変です。録音リストを自分で探し、一つずつ録音して名前を付け、長い手作業の原音設定をこなす。私自身、それが理由で作るのをあきらめたことがあります。VocaVoca は、その道のりを短くするために作っています。
守っている原則：
- ボイスバンクらしい声のまま。 歌声合成ソフトとしての個性を保ちます。AI モデルによる声のクローンではありません。
- 自動で最初の結果を出し、手作業で仕上げる。 自動の結果はすべて調整できます。
- 軽い。 中心となる機能は、グラフィックボードなしのふつうのノートパソコンで動かなければなりません。
- OpenUtau にあるものはすべて残す。 UTAU ボイスバンクとの互換性も含めて。
OpenUtau をもとに
VocaVoca は OpenUtau のフォークです。OpenUtau は StAkira とコントリビューターによる、UTAU コミュニティのための歌声合成エディターで、MIT ライセンスです。そのため技術スタックも OpenUtau に合わせて C#/.NET と Avalonia です。ピアノロール、音声エンジン、UTAU 互換性は書き直さず、加えるのは録音からボイスバンクまでの道筋です。
OpenUtau の LICENSE.txt と著作権表示は、リポジトリにもアプリにも、変更せずそのまま含めなければなりません。公式 OpenUtau の更新は upstream リモートから取り込み、公式リリースを指す標準のアップデート確認は、VocaVoca を上書きしないように止めてあります。
第1段階：実証済み
第1段階（レコーダーと自動原音設定）は、原稿を読むと OpenUtau で使える日本語 CV ボイスバンクができれば完了です。これは2026年10月10日、自分の声で録音したテスト用ボイスバンク**「Myu」**で達成しました。
- ガイド付きレコーダー：メトロノームとガイド音、レイテンシの補正、ほかの行に影響を与えない行ごとの録り直し。
- 自動原音設定と「ボイスバンクを作成」：録音リスト19行から101個のサンプル。10件は要確認として表示。値はすべて原音設定エディターで整えられます。
- テスト用プロジェクト：録音の音程に沿っていて、レンダリングでき、録音どおりに聞こえる。
- 外でも使える互換性：Myu のボイスバンクは公式 OpenUtau（0.1.573-beta）で読み込めて歌い、テスト用プロジェクトも開けて、VocaVoca と同じように聞こえます。
- Windows x64 パッケージ：.NET SDK をインストールしなくても動きます。
限界もそのまま書きます。いまはまだ基本的な日本語 CV ボイスバンクだけです。Myu の収録セッションのノイズは −42〜−49 dB で、リリースの目標は −60 dB 未満。つながった音符での破裂子音は、まだ十分にはっきりしていません。OpenUtau の安定版 0.1.565 ではまだプロジェクトファイルを開けませんが、ボイスバンク自体は使えます。
次に
CVVC と第2段階（自動調声）を並行して進めます。
- CVVC の遷移サンプル。 CV ボイスバンクには「無音から始まる子音」のサンプルしかありません。つながった音符で母音から子音へ自然に移るには、その移り変わりを実際に録音したサンプルが必要です。英語パックにはこれが欠かせません。
- 第2段階：自動調声。 第1段階のボイスバンクがピアノロールに描いた音符から歌い、自動調声が最初のピッチ線を引きます。その線は手で調整できます。
その先の順番も、時間の見積もりなしで書いてあります。声のプロファイルのバリエーション、テキストの入口（文章を入力するとボイスバンクが話す）、カバーの入口、リアルタイムの音声フィルター。VocaVoca で作ったボイスバンクは、Project Nor-4 の声にもなる予定です。