導入事例

Fish Audio を評価する前、HeyGen は AI 動画生成パイプラインの TTS レイヤーに ElevenLabs を採用していました。システムは稼働し、音声も問題なく聞き取れていました。ただ、ユーザーの声からは、ある構造的な問題が繰り返し表面化していました。声の類似性に関する課題は、特にアメリカ英語以外のアクセントを持つクリエイターにおいて顕著でした

ナレッジクリエイターは自分のアクセントで話します。オーストラリアのクリエイターはオーストラリアらしく、インドのクリエイターはインドらしく聞こえます。英国、南アフリカ、シンガポール、アイルランド、スコットランド、フィリピン、カリブなど、グローバル英語のアクセントは HeyGen にとって例外ではなく、まさにグローバルなクリエイターコミュニティの『実態そのもの』なのです。

アメリカ英語に優れていても、他アクセントをアメリカ英語風に平坦化する TTS では『自分の声で話す』本質的価値を損ないます。HeyGen のアメリカ英語以外のユーザーからは、アクセント保持への不満が寄せられていました。

Fish Audio が HeyGen に選ばれた最大の理由は、他のどの基準よりも 独自の声、とくに非アメリカ英語アクセントの声に対する音声クローン品質です。Fish S2 Pro はソース音声のアクセント identity を保持し、アメリカ英語の基準へ正規化しません。これは HeyGen が他社テストで見つけた失敗モードそのものでした。

HeyGen にとって、これは技術的な細部ではありません。ナレッジクリエイターの視聴者が認識している本人を聞くのか、合成された他人を聞くのかの違いです。音声クローン品質、レイテンシーやコストではなく、それが決定要因でした。