音声クローニングの技術的リスクとセキュリティ対策
- •ダニエル・ヌワネリ(Daniel Nwaneri)は、アリババのオープンソースモデルQwen3-TTSを使用し、50MBの音声クローンを作成した。
- •モデルのコード内に存在したバグが原因の途切れを、ヌワネリは独自のパッチを適用して修正し、ナイジェリア訛りのクローンを実現した。
- •作成者は、生体情報としてのリスクが永続的であることを理由に、モデルのウェイトを一般公開しない選択をした。
ソフトウェア開発者のダニエル・ヌワネリは、2026年1月に公開されたアリババのオープンソースモデルQwen3-TTSを用い、容易に音声クローニングが可能であることを実証した。17億個のパラメータを持つこのモデルは、わずか60秒の参照音声で高精度のクローンを作成できる。ヌワネリは、既存のElevenLabs、XTTS、F5-TTSといったサービスが自身のナイジェリア訛りを再現できず、一般的な西洋英語の出力に固定されてしまう問題を解決するため、このパイプラインを構築した。プロジェクトはKaggleの無料GPUリソース上で実行されている。
開発中、ヌワネリはmodeling_qwen3_tts.pyの2046行目に重大なバグを発見した。ハードコードされた'min_new_tokens=2'というパラメータが原因で、頻繁に文中で音声が途切れる不具合が発生していた。この問題は1月からリポジトリで放置されていたが、ヌワネリがプルリクエストを提出したことで修正された。
作成された音声ウェイトは50MBのファイルに収められ、アクセントや母音の圧縮といった独特の生体的特徴を保持している。音声クローンが永続的な生体識別子として機能することを考慮し、ヌワネリは自身のGitHubリポジトリでモデルのウェイトを公開しない判断を下した。パスワードと異なり、一度漏洩した個人の声は変更が不可能であり、生涯を通じて悪用されるリスクがあるためだ。現在の音声クローニングツールは1分の音声から高精度なレプリカを作成できるため、ポッドキャストやSNS上の公開音源さえあれば、悪意ある者が個人情報の盗難やソーシャルエンジニアリングに悪用できてしまう。
ヌワネリは、書面による明示的な同意がない限り特定の声のウェイトを公開すべきではなく、モデルはセキュアなローカル環境で管理すべきだと勧告している。また、音声クローニング技術は個人の開発者が容易に利用できるようになった一方で、真贋を検証したり悪用を防いだりする技術が追いついていない現状を指摘した。彼は、同意なき音声複製が常態化することを防ぐため、特に公人の声を含むクローニング成果物の配布には慎重であるべきだと強調している。