読み上げ音声で解説動画を作っていたら、音声合成 API（Fish Audio）が「一行」を「いっこう」と読みました。コードは生成AIに書かせているので、作業の途中で音声を聴く人がいません。そこで、読みを聴かずに確かめる方法を作りました。

複合語になると読みが変わる

書いた語	読まれ方
一行	いっこう（正しくは、いちぎょう）
3D（単体）	スリーディー（正しい）
3Dプリンタ	サンディープリンタ
AI / QR	エーアイ / キューアール（正しい）

厄介なのは 3D です。単体で試すと正しいのに、「3Dプリンタ」になると読みが変わります。単語だけ試して安心すると見逃します。

直し方は簡単で、かなで書きます（字幕に出ない行なら画面に影響しません）。問題は、直すべき語をどう見つけるかです。

方法：候補の読みと音を比べる

確かめたい語と、候補の読み（かな）を、それぞれ3回ずつ合成する
対数メルスペクトルにする
総当たりで DTW 距離を測り、候補ごとに平均する
対象どうしの距離（基準線）に近い候補が、実際の読み

DTW は、話す速さが違っても時間軸を伸び縮みさせて比べる方法です。

音声の長さの比較は使えません。Fish Audio では同じ語でも 0.74〜0.94 秒と揺れました。

compare_reading.py

# 使い方: python3 compare_reading.py target_*.wav -- yomiA_*.wav -- yomiB_*.wav
import sys, wave
from itertools import product
import numpy as np

def load(path):
    with wave.open(path) as w:
        x = np.frombuffer(w.readframes(w.getnframes()), dtype=np.int16).astype(float)
        return x / 32768, w.getframerate()

def log_mel(x, sr, n_fft=1024, hop=256, n_mels=40):
    frames = np.lib.stride_tricks.sliding_window_view(x, n_fft)[::hop] * np.hanning(n_fft)
    power = np.abs(np.fft.rfft(frames)) ** 2
    mel = lambda f: 2595 * np.log10(1 + f / 700)
    hz = 700 * (10 ** (np.linspace(0, mel(sr / 2), n_mels + 2) / 2595) - 1)
    bins = np.floor((n_fft + 1) * hz / sr).astype(int)
    fb = np.zeros((n_mels, n_fft // 2 + 1))
    for i in range(n_mels):
        l, c, r = bins[i:i + 3]
        fb[i, l:c] = (np.arange(l, c) - l) / max(c - l, 1)
        fb[i, c:r] = (r - np.arange(c, r)) / max(r - c, 1)
    s = np.log(power @ fb.T + 1e-10)
    return s - s.mean(axis=0)  # 音量差を消す

def dtw(a, b):
    cost = np.linalg.norm(a[:, None] - b[None, :], axis=2)
    d = np.full((len(a) + 1, len(b) + 1), np.inf)
    d[0, 0] = 0
    for i in range(len(a)):
        for j in range(len(b)):
            d[i + 1, j + 1] = cost[i, j] + min(d[i, j], d[i, j + 1], d[i + 1, j])
    return d[-1, -1] / (len(a) + len(b))  # 長さの差で有利不利が出ないように割る

def avg(xs, ys):
    return np.mean([dtw(a, b) for a, b in product(xs, ys) if a is not b])

args = sys.argv[1:]
groups, cur = [], []
for p in args:
    if p == "--":
        groups.append(cur); cur = []
    else:
        cur.append(p)
groups.append(cur)
feats = [[log_mel(*load(p)) for p in g] for g in groups]
print(f"基準線（対象どうしのばらつき）: {avg(feats[0], feats[0]):.2f}")
for name, f in zip("ABCDEF", feats[1:]):
    print(f"候補{name}との距離: {avg(feats[0], f):.2f}")

手元で試す（Mac の say）

このコードの動作確認は、API の料金がかからない macOS の say で行いました。say は同じ条件なら同じ音を返すので、話す速さを変えて3本作ります。音声合成 API を使うときは、同じ文を3回合成します。

gen(){ i=0; for r in 165 180 195; do i=$((i+1)); say -v Kyoko -r $r -o "$1_$i.wav" --data-format=LEI16@22050 "$2"; done; }
gen target "一行"; gen a "いちぎょう"; gen b "いっこう"
python3 compare_reading.py target_*.wav -- a_*.wav -- b_*.wav

結果です。

書いた語	基準線	候補A	候補B
一行	1.16	いちぎょう 11.72	いっこう 0.77
三百円	1.13	さんびゃくえん 3.06	さんぜんえん 7.65

say でも「一行」は「いっこう」でした。実際、この3本は、かなで「いっこう」と書いて作った音声とファイルが完全に一致しました。

「三百円」は候補Aのほうが近いものの、基準線からは離れています。どの候補も基準線に届かないときは、正しい読みが候補に無いか、抑揚が違う可能性があります。その語は人が聴きます。

注意点

実際に喋らせる文の形で確かめる。 上の 3D のように、単語だけの結果は文の中の読みを保証しません
候補は人かAIが考えます。読みそのものを当てる仕組みではなく、候補の中から選ぶ仕組みです

おまけ：最後の章が消える

台本を章ごとにシェルで API に投げていたら、5章のうち1章が丸ごと消えました。while read は、改行で終わっていない最終行を読み飛ばします。

while IFS= read -r line || [ -n "$line" ]; do
  echo "$line"
done < chapters.txt

|| [ -n "$line" ] を付けると最終行も処理されます。

まとめ

音声合成の読み間違いは、複合語になると急に出る
候補の読みを合成して DTW 距離で比べれば、聴かずに絞り込める
基準線に届かない語だけ、人が聴く

解説動画を音声合成で作る流れをまとめたテンプレート（有料・980円）：https://note.com/kaito_cometa/n/n0e017d760a22

生成AI（Claude Code）に書かせて一人で会社を回している記録を note に書いています。
https://note.com/kaito_cometa