発音を指定できるAI読み上げで、窓口英語のシャドーイング教材を作る

Mistral AIの音声モデル「Voxtral 3」の読み上げには、発音記号（IPA）で読み方のヒントを渡す使い方が示されています。シャドーイングの手本を自分で作るなら、先に「言いたい一言」と「つまずく単語のIPA表」が要るので、その下準備をClaudeに頼んでみたの。

道を聞かれて「light」と言ったのに、お客さんが右を向いた。そんな冷や汗をかいたことはありませんか？ 読み上げ本体はまだ鳴らしていないので、ここに書くのは公式の説明と、手元で作った材料までです。

発音を指定できるAI読み上げ、Voxtral 3は何ができる？

Voxtral 3は、文字起こし用の3つのモデルと、読み上げ用の「Voxtral Speech 3」をまとめたシリーズです。発音の指定について書かれているのは、読み上げのほうなのよね。

Voxtral 3: Voice Agent SDK & Speech Models in 50+ Languages

Voxtral 3: Mistral's voice agent SDK for real-time speech in 50+ languages — accurate transcription, emotional TTS, deep tool use. EU-hosted or self-deployed.

mistral.ai

公式ページで目を引いたのは、読み上げの例です。「Let's end the debate here: it's GIF.」という一文に、「Non-standard phoneme hint: dʒ ɪ f」と添えてあるの。GIFを「ジフ」と読ませる指定で、読み方が割れる語をこちらが決めた音で読ませる、という使い方です。

ほかに、感情（emotion）、間の取り方（pacing）、強調（emphasis）を指示で変えられるとも書かれています。ゆっくりの手本と、ふだんの速さの手本を同じ一文で作り分けられたら、シャドーイングにはありがたいわね。

検索で出てくるVoxtralの記事、どれが今の話なのか迷いませんか？ 3月に出た「Voxtral TTS」は重みが公開されたモデルで、Voxtral Speech 3とは別物です。公式のモデル一覧では、新しい読み上げのライセンスは「Premier」（Mistral独自のライセンス）になっていて、ふつうに使うならAPIか、公式が案内しているMistral Studioのプレイグラウンドです。

料金は、読み上げが100万文字で13ドル（1ドル150円で約1,950円）。窓口の一言を5文作っても170文字ほどなので、単価で計算すると1円に届きません。ただ、無料でどこまで使えるのかは、公式ページでは確かめられませんでした。

シャドーイング教材の材料は、窓口の一言とIPA表

読み上げに渡すIPAを、いきなり自分で書ける人は少ないですよね。そこでClaudeに、次の依頼を1回だけ出してみたの。

地方の観光案内所の窓口で、外国からのお客さんに道や乗り場を案内するときの英語の一言を5つ作ってください。シャドーイングの手本にするので、1文は短く、窓口ですぐ言える形にしてください。
それぞれの文で、日本人が発音でつまずきやすい単語を1〜2個選び、その単語のIPA（国際音声記号。米国英語）と、カタカナに頼らない発音のコツを1行ずつ付けてください。
最後に、AIの音声読み上げに「この単語はこのIPAで読んで」と指定するときに使えるよう、単語とIPAだけの一覧を表にしてください。

返ってきたのは、次の5文です。

1. The bus stop is across the street.（バス停は通りの向かい側です）
2. Take the train from platform two.（2番線から電車に乗ってください）
3. It's about a ten-minute walk.（歩いて10分ほどです）
4. Go straight and turn left at the light.（まっすぐ進んで、信号を左に曲がってください）
5. The last bus leaves at six thirty.（最終バスは6時30分に出ます）

それぞれの文から2語ずつ、合わせて10語のIPA表も付いてきました。

依頼文の「観光案内所」と「道や乗り場」を自分の職場に置き換えれば、同じ形の材料がそろいます。あなたが毎日いちばん口にしている一言は、乗り場、料金、所要時間のどれかしら？

発音記号を付ける単語は、取り違えると困る語から

感心したのは、つまずく単語の選び方です。light には「舌先を上の前歯の裏の歯ぐきにしっかり付けてから離す。舌がどこにも付かないと right に聞こえ、『右』と誤解される」というコツが付いていました。信号を左と言ったつもりが右に聞こえたら、お客さんは反対の方向へ歩いていってしまうのよね。

walk のほうは「l は書いてあっても発音しない」「舌を丸めると work に聞こえる」。歩いて10分の案内が仕事の話に聞こえたら、道案内として通じません。

試験の英語なら、全部の音を少しずつ整えたくなるものです。でも窓口で困るのは、聞き違えられて意味が変わる語のほうなので、手本で発音を指定する単語もそこから選ぶのがいいと私は考えています。

あなたの一言の中に、聞き違えられたら困る単語はありますか？ 1文に1語、多くても2語に絞ると、手本を聞くときの耳の置きどころが決まります。

AIが書いたIPAを、そのまま読み上げに渡していいの？

返ってきたIPAは、r の音を「ɹ」で書いていました。辞書によっては同じ音を「r」と書くので、表記に揺れがあります。Claudeの表は1回作った例にすぎないので、使う前に辞書の発音記号と見比べてください。

書き方にも引っかかりがあります。公式ページの例は「dʒ ɪ f」のように記号を1つずつ空白で区切っていて、Claudeの表のように「ˈplætˌfɔɹm」とつなげて強勢記号まで入れた形とは違うのよね。ヒントをどの欄に、どんな書式で渡すのかは、確認できた公式の資料には載っていませんでした。ɹ や ɾ を含む表記がそのまま通るかも分かりません。

もう1つ、公式が「Non-standard（標準的でない）」と呼んでいる点も気になります。例に挙がっているのは GIF のように読みが割れる語で、light や walk のようなふつうの単語の読みを直す使い方にどこまで効くのかは、公式の説明からは読み取れませんでした。

その意味で相性がよさそうなのは、英文に混ざる地元の地名や施設名かしら。英語の辞書に載らない日本の固有名詞は、まさに標準的でない語です。試すなら、まず1語だけ指定を入れて、聞こえ方が変わるかを確かめてから広げるのが無駄のない順番だと思います。

手本ができたら、録音と文字起こしでシャドーイングの答え合わせ

ここから先は、まだ試していない手順です。手本をまねるだけだと、自分の声が相手にどう聞こえているのかは分かりません。そこで、自分の録音をAIに文字起こししてもらい、手本の英文と見比べるやり方があります。

1. 手本を聞きながら、1文ずつスマホで録音する
2. 録音を文字起こしのモデル（Voxtral Mini Transcribe 3など）にかける
3. 出てきた英文を手本の5文と並べ、違っている単語に印を付ける

たとえば「turn left at the light」が「turn left at the right」と出たら、light の l を見直す合図になります。文字起こしは小さいモデルなら1分あたり0.0035ドル、約0.5円なので、5文を何度録り直しても費用はほとんどかかりません。

ただ、文字起こしが外れたからといって、発音が悪いとは限りません。周りの雑音やマイクとの距離で外れることもあるので、合否ではなく目安として見るのがいいと思うの。録音は外部のサービスに送ることになるので、お客さんの声や名前が入らない場所で録るのも忘れずに。

明日の窓口で言う一言を5つ書き出して、Claudeに発音記号の表を頼むところまでなら、今夜のうちに終わります。読み上げに渡すのは、辞書で確かめた語から1つずつ。あなたなら、最初の1語に何を選びますか？