スタイルタグでAIの歌声は変わる？14種を検証
歌唱モデルにプリセットの歌手はなく、声は文字のタグだけで決まります。14の声タグを測定し、8つを採用、4つを除外。子どもの声が出たタグはありません。
執筆：MuziAI チーム。数値は MuziAI の開発中に私たちが自ら行った計測によるものです。下書きには AI の支援を使い、すべての数値を計測ログと照合しました。更新日：2026年10月13日。
MuziAIであなたの曲を歌うモデルの中には、歌手のリストがありません。声はスタイル指定の数語だけで決まり、普通は「female vocal」か「male vocal」です。では、そこに「husky」「deep」「kid singer」と書けば、声は本当に変わるのでしょうか。14のタグ表現をそれぞれ二回生成し、分離したボーカルを測定しました。結論は、タグで明瞭さ、明るさ、ざらつきは動かせますが、音高はほとんど制御できず、試したどのタグでも子どもの声は出ませんでした。標準の二つ以外の12のバリエーションのうち、8つはサイトの声タイプになり、4つは除外しました。
モデルには声が内蔵されていない
歌唱モデルへのリクエストに含まれるのは、スタイルを説明する文字列と歌詞の二つだけです。歌手IDもなく、参考音声を渡す方法もありません。声は、モデルが言葉から読み取ったものになります。つまり「声を選ぶ」とは、実際には「female vocal」や「male vocal」を別のタグ表現に入れ替えることです。こうして問いは測定できる形になります。どの表現が声を変え、どれがただの言葉なのか。
設定：14のタグ表現（標準2つとバリエーション12）を、それぞれ二つのシード（11と22）で生成しました。歌詞は同じ8行、伴奏の説明も同じ「Pop ballad, piano, acoustic guitar, 84 BPM」で、曲の長さは40〜60秒です。ボーカル分離でボーカルを取り出し、分離した声について四つの項目を測りました。
- 音高：中央値、単位はHz。
- HNR（dB）：倍音対雑音比。高いほど澄んだ音色、低いほど息やざらつきが多くなります。
- 4 kHz以上のエネルギー（dB）：ゼロに近いほど明るく、マイナスが大きいほど暗い音色です。
- ジッター（%）：連続する声帯振動の周期の長さがどれだけばらつくか。高いほど荒く聞こえます。
タグを残す基準：標準と比べて、両方のシードで同じ方向に違っていること。残した各タイプは、タグの言葉ではなく、測定した結果に基づいて名付けています。
14のタグの測定結果
各セルの二つの数字は、左がシード11、右がシード22です。
| タグ表現 | 音高（Hz） | HNR（dB） | 4 kHz以上（dB） | 判定 |
|---|---|---|---|---|
| female vocal（標準） | 291 · 294 | 21.2 · 20.2 | −17.8 · −18.2 | 基準 |
| bright clear soprano female vocal | 266 · 351 | 22.6 · 22.6 | −17.6 · −23.4 | 採用：澄んだ声 |
| soft sweet gentle female vocal | 300 · 295 | 18.9 · 18.1 | −16.7 · −17.4 | 採用：甘くやさしい声 |
| airy breathy whispery female vocal | 294 · 292 | 23.2 · 26.5 | −23.0 · −20.3 | 採用：なめらかな声 |
| husky smoky female vocal | 262 · 351 | 19.5 · 18.2 | −20.6 · −21.9 | 採用：ハスキー |
| powerful belting diva female vocal | 260 · 360 | 19.9 · 19.1 | −13.7 · −17.5 | 採用：パワフル |
| warm low alto female vocal | 294 · 329 | 22.5 · 18.3 | −20.6 · −19.7 | 除外 |
| male vocal（標準） | 歌なし · 214 | 歌なし · 18.7 | 歌なし · −16.6 | 基準 |
| bright high tenor male vocal | 263 · 292 | 21.9 · 21.0 | −19.2 · −19.3 | 採用：高く明るい声 |
| warm baritone male vocal | 163 · 205 | 20.5 · 20.9 | −18.3 · −22.8 | 採用：低めで温かい声 |
| soft gentle breathy male vocal | 189 · 220 | 21.8 · 22.6 | −17.3 · −24.0 | 採用：やわらかい声 |
| deep low bass male vocal | 187 · 197 | 20.8 · 21.8 | −16.8 · −16.0 | 除外 |
| raspy gritty rough male vocal | 220 · 220 | 18.4 · 19.4 | −18.7 · −17.1 | 除外 |
| powerful rock male vocal | 196 · 297 | 20.4 · 17.3 | −16.7 · −18.9 | 除外 |
予想外だったこと：
- 言葉が逆の方向を指すことがあります。「airy breathy whispery」は、女性グループの中で最も暗く、最も澄んだ声になりました（HNR 23.2と26.5 dB、両方のシードで標準を上回る）。そのためサイトでは「なめらかな声」と呼んでいます。男性の「soft gentle breathy」も同じで、暗く澄んだ声になり、息っぽさはありませんでした。
- 実際に息っぽさを加えるのは「soft sweet gentle」です：HNRは標準より2.3と2.1 dB低く、音色も明るくなりました。
- 「husky smoky」は本当にハスキーです：ジッターは両方のシードで1.01%（標準は0.84と0.66）、HNRも両方で標準より低くなりました。
- 「powerful belting diva」は標準より高域のエネルギーが多く（+4.1と+0.7 dB）、526 Hzに達しました。
- 除外した四つのタグは、それぞれ違う形で失敗しました：「warm low alto」は標準より低くならず、HNRもシードによって逆方向に動きました。「deep low bass」は「warm baritone」と同じ結果で、それより低くはなりませんでした。「raspy gritty rough」は標準より荒くなりませんでした（ジッター0.74と0.61、標準は0.72）。「powerful rock」は、あるシードでは一方に、次のシードでは逆に振れました。
声タイプはカテゴリーであって、特定の歌手ではない
独立した声照合モデルで話者の類似度を測り、同じタイプで生成した二曲を比べました。スコアは0.49〜0.82で、別のタイプの二曲とほぼ同じでした。「ハスキー」を二回選ぶと、おなじみの一人のアーティストではなく、別々の二人のハスキーな歌手になります。サイトではこのことをはっきり書いています。曲ごとに選んだタイプの新しい声になり、試聴に近いものの、同一ではありません。
二つ目の発見：タグで音高を確実に操ることはできません。同じソプラノのタグが、あるシードでは266 Hz、もう一方では351 Hzになりました。低くなるはずのアルトのタグは294と329 Hzで、標準の291と294より低くなりませんでした。声域はモデルが書くメロディに従い、言葉には従いません。高低にはっきり分かれたのは男性グループだけで、high tenorは263と292 Hz、warm baritoneは163と205 Hzでした。
子どもの声：四つのタグを試し、いずれも失敗
童謡は子どもの声で歌ってほしい、という要望はよくあります。童謡の伴奏の上で四つのタグ表現をそれぞれ二つのシードで試し、同じ測定に加えて声の共鳴（声の色を決めるフォルマントF2、F3、F4）も測り、「female vocal」と比べました。
| タグ表現 | 音高（Hz） | F2 · F3 · F4、シード11 | F2 · F3 · F4、シード22 | 標準の女性ボーカルとの類似度 |
|---|---|---|---|---|
| child vocal, kid singer | 393 | +3.2 +2.0 +1.4 % | −0.3 −4.7 −3.6 % | 0.76 |
| young girl child vocal, cute kid voice | 376 | +2.4 −0.6 −0.0 % | −2.6 −3.3 −4.2 % | 0.71 |
| young boy child vocal, boy soprano | 329 | +2.9 −6.0 +0.1 % | +5.6 −3.3 −4.1 % | 0.66 |
| children's choir, kids singing together | 370 | +5.3 −2.2 −2.3 % | +2.8 −3.8 −1.2 % | 0.75 |
実際の子どもの声は、成人女性の声より15〜25%高く共鳴します。ここでのずれは約±6%以内にとどまり、二つのシードで方向も一致しませんでした。「female vocal」との類似度（0.66〜0.76）は、同じタイプを二回生成したときの類似度（0.59〜0.77）と変わりません。329〜393 Hzという音高は有望に見えますが、最初の表のとおり、音高はタグではなくメロディに従います。結論：文字のタグで声を子どもの声に変えることはできません。そのためサイトには子どもの声タイプがありません。童謡のテンプレートでは、代わりに童謡ジャンルと「澄んだ声」タイプを使っています。
限界と未解決の問題
- サンプルが少ない：タイプごとにシードは二つ、一曲あたりの歌唱は10〜30秒です。二方向に振れるタグを除外するには十分ですが、あるタグが「常に」特定の音になると約束するには足りません。
- 男性側はデータが弱い：シード11では標準の「male vocal」がほとんど歌いませんでした（3.7秒）。そのため男性の比較は、主に一つのシードに頼っています。
- 伴奏も歌詞も一種類だけ：ここの数字はすべて84 BPMのポップバラードによるものです。他のジャンルでは測り直していません。
- これは音響の測定であり、好みの評価ではありません。「澄んでいる」とはHNRが高いという意味で、それがあなたの曲にとって自動的によいわけではありません。
曲作りへの活かし方
- 選ぶ前に聴く。各タイプには、そのタイプのテスト曲で最もボーカルが密な部分から切り出した12秒の試聴があります。試聴を再生しても、選択はされません。
- 測定された特徴で選ぶ：澄んだ音色なら「澄んだ声」か「なめらかな声」、息っぽさと明るさなら「甘くやさしい声」、ざらつきなら「ハスキー」、迫力ある高音なら「パワフル」。男性の声は「高く明るい声」「低めで温かい声」「やわらかい声」です。
- 女性の声タイプでキーを決めようとしない。曲を高く、または低くしたいとき、声タイプは確実な手段になりません。
- 曲が変わっても同じ歌手になるとは期待しない。曲ごとに、カテゴリー内の新しい歌手になります。いくつか生成して、気に入ったものを残してください。
- 童謡を作るなら、童謡ジャンルと「澄んだ声」タイプを選びます。スタイル欄に「child vocal」と入力しても、子どもの声にはなりません。
- 自分でタグを書くなら、失敗した四つを思い出してください。「raspy」で声は荒くならず、「alto」で声は低くなりませんでした。
MuziAIで今すぐ試す
無料、登録不要。アイデアを一言添えるだけで、AIが歌詞を書き、歌付きの完成曲にします。
曲を作成