VoiceVox - ตัวสังเคราะห์เสียงภาษาญี่ปุ่น

ถ้าคุณเคยเข้าไปในวงการ YouTube ญี่ปุ่น เกม doujin หรือไลฟ์ของ VTuber มาบ้าง เป็นไปได้สูงที่คุณจะเคยได้ยินเสียงจาก VoiceVox โดยที่ไม่รู้ตัวว่ากำลังฟังซอฟต์แวร์ตัวไหนอยู่ ตัวละครสังเคราะห์อย่าง ずんだもん (Zundamon) และ 四国めたん (Shikoku Metan) อ่านบท พากย์วิดีโอ และตอบคำถามด้วยน้ำเสียงที่ฟังดูเป็นธรรมชาติจนหลายคนแยกไม่ออก VoiceVox เป็นเครื่องยนต์แปลงข้อความเป็นเสียงแบบโอเพนซอร์สที่เน้นภาษาญี่ปุ่น ใช้งานฟรี ทำงานได้แบบออฟไลน์ทั้งหมด และอยู่เบื้องหลังด้วยชุมชนนักพัฒนา ภาพประกอบ และครีเอเตอร์ที่ขยันตัวเป็นเกลียว

สำหรับคนที่กำลังเรียนภาษาญี่ปุ่น VoiceVox ก็เป็นเครื่องมือที่ใช้ได้จริง คุณสามารถฟังว่าประโยคหนึ่งควรออกเสียงอย่างไร เทียบระดับเสียงและจังหวะระหว่างตัวละครหลายตัว และแปลงข้อความญี่ปุ่นยาว ๆ เป็นไฟล์เสียงไว้ฟังระหว่างเดินทางหรือทำงานบ้าน บทความนี้จะพาไปดูว่า VoiceVox คืออะไร มีที่มาอย่างไร เทคโนโลยีข้างในทำงานยังไง เสียงและใบอนุญาตที่มากับตัวซอฟต์แวร์เป็นแบบไหน และตัวโปรเจกต์นี้อยู่ตรงไหนของระบบนิเวศการสังเคราะห์เสียงด้วย AI ในญี่ปุ่น

VoiceVox คืออะไร

VoiceVox เป็นแอปพลิเคชันแปลงข้อความเป็นเสียง (Text-to-Speech หรือ TTS) แบบโอเพนซอร์สที่สร้างมาเพื่อภาษาญี่ปุ่นโดยเฉพาะ พัฒนาโดย Hiroshiba Kazuyuki (廣芝和之) ซอร์สโค้ดของเครื่องยนต์อยู่บน GitHub ในที่เก็บ VOICEVOX/voicevox ภายใต้สัญญาอนุญาต MIT หมายความว่าคุณสามารถดาวน์โหลด ใช้งาน ดัดแปลง และฝังเครื่องยนต์ตัวนี้ลงในโปรเจกต์อื่นได้โดยไม่ต้องจ่ายค่าลิขสิทธิ์

ถ้ามองให้ละเอียด VoiceVox แบ่งออกเป็นสองชิ้นหลัก เครื่องยนต์ TTS ที่แปลงข้อความญี่ปุ่นเป็นเสียง และส่วนติดต่อผู้ใช้แบบกราฟิก (GUI)ที่ห่อหุ้มเครื่องยนต์ไว้อีกที ตัว GUI เขียนด้วย Electron และ TypeScript เปิดให้ดาวน์โหลดเป็นตัวติดตั้งสำหรับ Windows macOS และ Linux ใช้งานได้โดยไม่ต้องเขียนโค้ด แค่พิมพ์ข้อความ เลือกตัวละคร กดแปลง แล้วได้ไฟล์เสียงออกมา

ตัวเครื่องยนต์เปิดเป็น HTTP API ที่พอร์ต 50021 โดยค่าเริ่มต้น นักพัฒนาสามารถส่งคำขอ POST เพื่อสังเคราะห์เสียงจากสคริปต์ แอป เกม หรือบอทแชตได้โดยตรง ไม่จำเป็นต้องผูกกับ GUI เลย สถาปัตยกรรมแบบแยกชิ้นนี้ทำให้เกิดระบบนิเวศของเครื่องมือเสริม เช่น ปลั๊กอินสำหรับ OBS บอท Discord และส่วนขยายสำหรับโปรแกรมตัดต่อวิดีโอ เติบโตออกไปรอบ ๆ ตัวซอฟต์แวร์หลัก

ประวัติความเป็นมาของตัวสังเคราะห์เสียงภาษาญี่ปุ่น

ก่อน VoiceVox จะปรากฏบน GitHub ตลาดซอฟต์แวร์สังเคราะห์เสียงภาษาญี่ปุ่นถูกครองโดยผลิตภัณฑ์เชิงพาณิชย์อย่าง VOICEROID ของ AH-Software ซึ่งเปิดตัวตั้งแต่ปี 2007 และกลายเป็นชื่อคุ้นหูของชุมชนคนทำคอนเทนต์ญี่ปุ่น VOICEROID ทำงานได้ดี แต่ผูกกับลิขสิทธิ์เสียงของนักพากย์อาชีพ ผู้ใช้ต้องจ่ายเงินซื้อเสียงแต่ละชุด และไม่สามารถนำเครื่องยนต์ไปดัดแปลงหรือฝังในงานของตัวเองได้อย่างอิสระ

ราวปี 2020 Hiroshiba Kazuyuki เริ่มพัฒนา VoiceVox ในเวลาว่าง โดยใช้โมเดล Deep Learning ที่เขาฝึกเองผ่าน PyTorch และแพลตฟอร์ม Hugging Face จุดต่างสำคัญคือเขาเลือกเปิดซอร์สโค้ดทั้งหมดบน GitHub ท่ามกลางกระแสโมเดล TTS โอเพนซอร์สอย่าง Style-Bert-VITS2 และ GPT-SoVITS ที่เริ่มมีให้ดาวน์โหลดในเวลาใกล้กัน เมื่อตัวโปรเจกต์เปิดตัวอย่างเป็นทางการในช่วงต้นปี 2021 มันถูกพูดถึงอย่างรวดเร็วใน Twitter ญี่ปุ่นและ Discord เพราะเสียงที่ออกมาฟังดูเป็นธรรมชาติ และตัวละครอย่าง Zundamon กับ Shikoku Metan กลายเป็นมีมในเวลาไม่กี่เดือน

ความสำเร็จของ VoiceVox ดึงดูดให้บริษัทแม่ของ VOICEROID อย่าง AH-Software เข้ามาร่วมทุนและผลิตเสียงใหม่ ๆ ให้กับโปรเจกต์ จนกลายเป็นการผสมผสานที่น่าสนใจระหว่างซอฟต์แวร์โอเพนซอร์สกับเสียงพากย์เชิงพาณิชย์ หลังจากนั้นทางบริษัทยังเปิดตัว A.I.VOICE ซึ่งเป็นผลิตภัณฑ์ TTS เชิงพาณิชย์ที่พัฒนาต่อยอดจากเทคโนโลยีเดียวกัน และเพิ่ม VOICEPEAK เข้ามาในไลน์ผลิตภัณฑ์ ช่วงหลัง ๆ ของปี 2022 เป็นต้นมา ทีมพัฒนาเริ่มทยอยปล่อยตัวละครใหม่ทุกไม่กี่เดือน ทั้งจากภายในทีมเองและจากผู้สร้างเสียงรายอื่น ๆ ที่เข้าร่วมโครงการ

เทคโนโลยีเบื้องหลัง VoiceVox

แม้ผู้ใช้ทั่วไปจะโต้ตอบกับ VoiceVox ผ่านหน้าต่าง GUI ที่ดูเรียบง่าย แต่ข้างใต้มีกระบวนการหลายชั้นที่ทำงานร่วมกัน

การวิเคราะห์และทำนายข้อความ

ขั้นแรก ซอฟต์แวร์จะรับข้อความญี่ปุ่นดิบแล้วผ่านตัววิเคราะห์ข้อความ (text front-end) ที่ทำหน้าที่แปลงตัวอักษรญี่ปุ่นผสมคานะจิและคันจิให้อยู่ในรูปแบบที่โมเดลเข้าใจได้ ระบบจะเติมวรรณยุกต์ ทำนายการออกเสียงของคันจิที่อ่านได้หลายแบบ และแบ่งข้อความออกเป็นหน่วยเสียง (mora) ขั้นตอนนี้สำคัญมากสำหรับภาษาญี่ปุ่น เพราะคันจิตัวเดียวกันอาจอ่านต่างกันไปตามบริบท

Acoustic Model และ Mel-spectrogram

เมื่อได้ลำดับเสียงแล้ว โมเดลเสียง (acoustic model) จะสร้าง mel-spectrogram ซึ่งเป็นภาพแทนความถี่เสียงตามแกนเวลา โมเดลนี้ฝึกจากตัวอย่างเสียงพูดจริงของนักพากย์ และเรียนรู้ความสัมพันธ์ระหว่างข้อความกับรูปแบบเสียง ผลลัพธ์ที่ได้คือแผนผังเสียงที่ยังฟังไม่ออกว่าเป็นเสียงจริง แต่บรรจุข้อมูลระดับเสียง จังหวะ และอารมณ์ของตัวละครนั้น ๆ เอาไว้

Vocoder และการแปลงเป็นรูปคลื่น

mel-spectrogram ต้องถูกแปลงเป็นรูปคลื่นเสียงดิจิทัล (waveform) ที่หูฟังได้ ในขั้นนี้ vocoder จะทำหน้าที่เป็นตัวแปลงผกผัน จากภาพความถี่กลับมาเป็นสัญญาณเสียงที่มนุษย์ได้ยิน VoiceVox ใช้ vocoder ที่ออกแบบมาให้ทำงานได้เร็วและเสถียรบนฮาร์ดแวร์ทั่วไป ผลลัพธ์สุดท้ายคือไฟล์ WAV คุณภาพสตูดิโอที่พร้อมนำไปใช้งานต่อ

การเร่งด้วย GPU และโหมด CPU

การสังเคราะห์เสียงแบบเรียลไทม์ต้องการพลังประมวลผลสูงพอสมควร VoiceVox รองรับการเร่งด้วย GPU ทั้ง NVIDIA CUDA บน Windows และ Linux และ Apple Metal บน macOS ทำให้ขั้นตอนสร้าง mel-spectrogram และ vocoder ทำงานเร็วขึ้นหลายเท่า ถ้าคุณไม่มีการ์ดจอแยก ตัวซอฟต์แวร์จะถอยไปใช้โหมด CPU โดยอัตโนมัติ ความเร็วจะลดลงตามสเปกเครื่อง แต่ยังใช้งานได้บนโน้ตบุ๊กรุ่นเก่าหรือเครื่องที่ไม่มี GPU เฉพาะ

HTTP API สำหรับนักพัฒนา

ตัวเครื่องยนต์เปิดเป็น HTTP API ที่ใช้งานง่าย คุณสามารถส่งคำขอ POST ไปยังเอนด์พอยต์ /audio_query เพื่อให้เครื่องยนต์วิเคราะห์ข้อความ แล้วส่งคำขอ /synthesis พร้อม speaker id เพื่อสังเคราะห์เสียงออกมาเป็นไฟล์ WAV นักพัฒนาใช้ API นี้สร้างทูลสายพันธุ์ต่าง ๆ ตั้งแต่ปลั๊กอิน OBS ไปจนถึงแอปมือถือ โดยไม่ต้องแตะซอร์สโค้ดของ VoiceVox เอง

การฝึกเสียงของคุณเอง

โปรเจกต์ไม่ได้จำกัดอยู่แค่เสียงที่มากับแพ็กเกจ ผู้ใช้ที่มีพื้นฐานด้าน Machine Learning สามารถฝึกโมเดลเสียงของตัวเอง โดยบันทึกเสียงพูดหลายร้อยประโยค แล้วป้อนเข้าสู่กระบวนการเทรนตามสถาปัตยกรรมที่โปรเจกต์รองรับ เมื่อเทรนเสร็จ โมเดลใหม่จะถูกโหลดเข้าสู่ GUI เหมือนตัวละครทั่วไป กระบวนการนี้ต้องใช้ทั้งเวลาและการ์ดจอ แต่เปิดทางให้ชุมชนสร้างเสียงใหม่ ๆ ที่ไม่ได้มาจากทีมพัฒนาหลัก

กรณีการใช้งานและโอกาสใช้

ข้อดีของ VoiceVox ที่ผู้ใช้หลายคนยอมรับตรงกันคือ มันเข้าถึงง่าย ฟรี และคุณภาพเสียงดีพอที่จะเอาไปใช้งานจริงได้หลายรูปแบบ

วิดีโอ YouTube และครีเอเตอร์

ช่อง YouTube ญี่ปุ่นหลายพันช่องใช้ VoiceVox เป็นเครื่องมือหลักในการทำวิดีโออธิบาย รีวิวอนิเมะ สรุปข่าว และคลิปความรู้แบบเล่นอัตโนมัติ การใช้ TTS ช่วยให้ครีเอเตอร์ผลิตคอนเทนต์ได้โดยไม่ต้องใช้ไมโครโฟน ไม่ต้องกังวลเรื่องเสียงรบกวนรอบข้าง และแก้ไขบทได้ง่ายกว่าการอัดเสียงใหม่ ในไทยเอง ครีเอเตอร์ที่ทำคอนเทนต์เกี่ยวกับญี่ปุ่นเริ่มหันมาใช้เครื่องมือแนวนี้ แม้จะต้องเรียนรู้การป้อนข้อความญี่ปุ่นเพิ่ม

ไลฟ์และคอนเทนต์ VTuber

VTuber คือกลุ่มผู้ใช้หลักของ VoiceVox ตัวละครสังเคราะห์ใช้อ่านแชท ตอบคำถามผู้ชม และเล่าเรื่องระหว่างไลฟ์ ความสามารถในการควบคุมน้ำเสียงและจังหวะผ่าน API ทำให้ VTuber ปรับอารมณ์ของตัวละครได้แบบเรียลไทม์ โดยไม่ต้องพึ่งนักพากย์สด

เกม doujin และการพากย์เสียง

วงการเกม doujin ของญี่ปุ่นเป็นอีกกลุ่มที่ได้ประโยชน์โดยตรง ทีมพัฒนาขนาดเล็กที่ไม่มีงบจ้างนักพากย์อาชีพ สามารถใช้ VoiceVox ใส่เสียงตัวละครลงในเกม visual novel เกมผจญภัย หรืองานอิสระอื่น ๆ ได้ทันที ข้อควรระวังคือใบอนุญาตเสียงของแต่ละตัวละครอาจไม่อนุญาตให้ใช้เชิงพาณิชย์เสมอไป ต้องตรวจสอบเงื่อนไขก่อนนำไปขาย

แฟนอนิเมะและการพากย์เสียง

กลุ่มแฟนอนิเมะใช้ VoiceVox ทำคลิป MAD พากย์มีม และคลิปตลกสั้น ๆ บน Twitter หรือ Bilibili เสียงที่เป็นเอกลักษณ์ของ Zundamon และ Shikoku Metan กลายเป็นส่วนหนึ่งของภาษาอินเทอร์เน็ตญี่ปุ่นไปแล้ว

การศึกษาและการเรียนภาษา

ผู้เรียนภาษาญี่ปุ่นใช้ VoiceVox ฝึกฟังและเทียบการออกเสียง คุณสามารถพิมพ์ประโยคเดียวกันแล้วฟังจากหลายตัวละครเพื่อจับความแตกต่างของจังหวะ หรือสร้างไฟล์เสียงขนาดยาวจากบทความญี่ปุ่นเพื่อฝึกฟังแบบแอ็คทีฟ เมื่อเทียบกับการฟังพอดแคสต์หรือดูอนิเมะ การใช้ TTS ให้คุณควบคุมสิ่งที่ได้ยินได้ทั้งหมด

หนังสือเสียงและการเข้าถึง

เครื่องมือแปลงข้อความเป็นเสียงแบบโอเพนซอร์สช่วยลดต้นทุนการทำหนังสือเสียง และเปิดทางให้ผู้พิการทางสายตาเข้าถึงเนื้อหาภาษาญี่ปุ่นได้ง่ายขึ้น นักพัฒนายังสามารถฝังตัวเครื่องยนต์ลงในเว็บไซต์หรือแอปเพื่ออ่านบทความแทนผู้ใช้ได้โดยตรง

บอทแชตและ Discord

ชุมชน Discord ของ VoiceVox มีบอทแชตเสียงจำนวนมากที่ใช้เครื่องยนต์ตัวนี้เป็นแกนหลัก ผู้ใช้พิมพ์คำสั่งเสียง บอทอ่านข้อความ หรือแม้แต่สร้างมินิเกมเสียงในห้องแชท การมี API เปิดทำให้การทดลองทำได้รวดเร็ว และบอทหลายตัวก็เปิดซอร์สให้คนอื่นนำไปต่อยอด

เสียงที่มีและใบอนุญาต

รายชื่อตัวละครของ VoiceVox ขยายตัวอย่างต่อเนื่องตั้งแต่เปิดตัว แต่ละตัวมาพร้อมสไตล์เสียงหลายแบบ เช่น ปกติ กระซิบ ตื่นเต้น โกรธ เศร้า และเสียงเฉพาะทางอื่น ๆ ตัวละครที่ผู้ใช้ชาวญี่ปุ่นคุ้นเคยมากที่สุด ได้แก่

四国めたん (Shikoku Metan) ตัวเอกสาววัยรุ่นจากเกาะชิโกกุ เสียงชัดถ้อยชัดคำ นิยมใช้อ่านข่าวและบทวิดีโอ ずんだもん (Zundamon) มาสคอตขนมถั่วแระซุนดะ เสียงสดใส พูดเร็ว เป็นที่รู้จักมากที่สุดในชุมชนอินเทอร์เน็ตญี่ปุ่น 春日部つむぎ (Kasukabe Tsumugi) สาววัยรุ่นจากคาสึคาเบะ เสียงอบอุ่น เหมาะกับการเล่าเรื่องยาว ๆ 雨晴はう (Amehare Hau) เสียงนุ่มนวล ใช้บ่อยในงานแนวพักผ่อนหรือ ASMR 波音リツ (Namine Ritsu) เสียงกลาง ๆ เน้นเสียงสงบและเป็นกลาง 玄野武宏 (Kurono Takehiro) เสียงผู้ชายวัยกลางคน เหมาะกับการเล่าเรื่องที่ต้องการน้ำเสียงจริงจัง 白上虎太郎 (Shirakami Kotarou) และ 青山龍星 (Aoyama Ryusei) เป็นตัวละครเพิ่มเติมที่ทยอยเข้ามาในภายหลัง

นอกจากเสียงญี่ปุ่นแล้ว VoiceVox ยังมี Lucy ซึ่งเป็นตัวละครที่รองรับภาษาอังกฤษในระดับจำกัด การออกเสียงภาษาอื่นนอกจากญี่ปุ่นยังไม่สมบูรณ์เท่ากับภาษาหลักของโปรเจกต์ ถ้าคุณต้องการเสียงหลายภาษา อาจต้องพิจารณาเครื่องยนต์อื่นควบคู่ไปด้วย

ใบอนุญาตของเครื่องยนต์

VoiceVox Engine เปิดให้ใช้ภายใต้สัญญาอนุญาต MIT คุณสามารถนำไปฝังในแอป เกม หรือบริการเชิงพาณิชย์ได้โดยไม่ต้องจ่ายค่าตอบแทน แค่เก็บข้อความลิขสิทธิ์เดิมไว้ในซอฟต์แวร์ของคุณ

ใบอนุญาตของโมเดลเสียง

โมเดลเสียงของแต่ละตัวละครมีใบอนุญาตแยกต่างหาก โดยทั่วไปอนุญาตให้ใช้งานส่วนบุคคลและเชิงพาณิชย์ได้ แต่มีข้อจำกัดบางประการ เช่น ห้ามใช้เสียงในทางที่ผิดกฎหมาย ห้ามสร้างเสียงที่เข้าข่ายหมิ่นประมาม หรือห้ามนำไปฝึกโมเดล AI ใหม่โดยไม่ได้รับอนุญาต ก่อนใช้งานเชิงพาณิชย์ คุณควรเข้าไปอ่านเงื่อนไขล่าสุดบนเว็บไซต์ทางการของ VOICEVOX สำหรับตัวละครที่คุณเลือก เพราะข้อกำหนดมีการปรับเปลี่ยนเป็นระยะ

AudioMerge สำหรับใช้งานเชิงพาณิชย์

ถ้าคุณต้องการใช้เสียงจากหลายตัวละครในงานเดียวกัน ตัวเลือกหนึ่งที่โปรเจกต์แนะนำคือใช้บริการ AudioMerge ซึ่งช่วยรวมไฟล์เสียงจากหลาย speaker id เข้าด้วยกัน ทำให้การผลิตคอนเทนต์ที่มีเสียงหลายตัวละครพร้อมกันทำได้สะดวกขึ้น

VoiceVox และอนาคตของ TTS ญี่ปุ่น

ถ้าเทียบกับซอฟต์แวร์เชิงพาณิชย์อย่าง VOICEROID A.I.VOICE และ VOICEPEAK VoiceVox มีจุดแข็งที่ต่างออกไปชัดเจน มันฟรี ปรับแต่งได้ และโปร่งใสเพราะเป็นโอเพนซอร์ส คุณเห็นทุกบรรทัดของซอร์สโค้ด เห็นบั๊กที่ถูกรายงาน เห็นฟีเจอร์ที่กำลังจะมา และสามารถดึงโค้ดไป fork สร้างเวอร์ชันของตัวเองได้ ข้อจำกัดที่ชัดเจนที่สุดคือ VoiceVox ยังเน้นภาษาญี่ปุ่นเป็นหลัก ภาษาอื่น ๆ รวมถึงภาษาไทย ยังไม่มีโมเดลเสียงที่ผ่านการฝึกมาอย่างสมบูรณ์

ในระดับอุตสาหกรรม AI การสังเคราะห์เสียงกำลังก้าวไปข้างหน้าอย่างรวดเร็ว โมเดลภาษาขนาดใหญ่ (LLM) เข้ามาเป็นส่วนหนึ่งของ TTS ทำให้การทำนายการออกเสียงและอารมณ์แม่นยำขึ้น โคเดกประสาท (neural codec) อย่าง SoundStorm และ VALL-E ของ Meta เปิดทางให้การโคลนเสียงจากตัวอย่างสั้น ๆ เพียงไม่กี่วินาที ทำได้ใกล้เคียงเสียงจริงมากขึ้นเรื่อย ๆ ในฝั่งญี่ปุ่น ทีมวิจัยจากสถาบันต่าง ๆ ก็เปิดตัวโมเดลที่รองรับหลายภาษาและหลายสำเนียง ทำให้เส้นแบ่งระหว่างภาษาญี่ปุ่นกับภาษาอื่น ๆ ค่อย ๆ เลือนลง

อีกเรื่องที่ต้องพูดถึงคือการสังเคราะห์เสียงแบบเรียลไทม์ การสตรีมเสียงสดหรือโต้ตอบกับผู้ชมแบบเรียลไทม์ต้องการเวลาแฝง (latency) ต่ำมาก ปัจจุบัน VoiceVox ยังมีดีเลย์เล็กน้อยเมื่อใช้ผ่าน GUI แต่นักพัฒนาสามารถใช้ API คู่กับเทคนิค streaming เพื่อลดเวลาแฝงลงได้อีก ถ้าคุณกำลังจะเอาไปใช้ใน VTuber ไลฟ์หรือบอทโต้ตอบ ควรทดสอบบนฮาร์ดแวร์จริงก่อนตัดสินใจ

จริยธรรมและการใช้งานอย่างรับผิดชอบ

เทคโนโลยี TTS ที่ทรงพลังขึ้นเรื่อย ๆ มาพร้อมคำถามด้านจริยธรรมที่หลีกเลี่ยงไม่ได้ การโคลนเสียงด้วย AI เปิดโอกาสให้สร้างเสียงปลอมของบุคคลจริงได้โดยไม่ต้องขออนุญาต ซึ่งนำไปสู่ปัญหา deepfake การหลอกลวง และการละเมิดสิทธิ์เสียง VoiceVox เองมีมาตรการป้องกันบางส่วน เช่น ไม่อนุญาตให้นำโมเดลเสียงไปฝึก AI ใหม่โดยไม่ได้รับอนุญาต แต่ผู้ใช้ก็ควรตระหนักว่า เมื่อนำเสียงที่สังเคราะห์ได้ไปเผยแพร่ ควรแจ้งให้ผู้ฟังทราบอย่างชัดเจนว่าเป็นเสียงสังเคราะห์ ไม่ใช่เสียงของบุคคลจริง

ในแง่ชุมชน VoiceVox เติบโตขึ้นจากความร่วมมือของนักพัฒนาที่ส่ง pull request ศิลปินที่วาดตัวละครเพิ่ม และผู้ใช้ที่รายงานบั๊กผ่าน GitHub Discord และ Twitter การมีส่วนร่วมแบบนี้ทำให้โปรเจกต์พัฒนาเร็วกว่าทีมเล็ก ๆ ทีมเดียวจะทำได้ และเป็นเหตุผลสำคัญที่ทำให้ VoiceVox ยังคงเป็นเครื่องยนต์ TTS ภาษาญี่ปุ่นที่ทั้งฟรีและทันสมัยที่สุดตัวหนึ่งในปัจจุบัน

ถ้าคุณสนใจทดลองใช้ เริ่มจากเว็บไซต์ทางการของโปรเจกต์ เลือกตัวละครที่ถูกใจ พิมพ์ข้อความญี่ปุ่นสั้น ๆ แล้วฟังเสียงที่ออกมา จากตรงนั้นคุณจะเห็นภาพว่าเครื่องมือตัวนี้ตอบโจทย์การใช้งานของคุณหรือไม่ และอยากพาตัวเองไปทางไหนต่อ ระหว่างทางเดิน ระหว่างฟังอนิเมะ หรือระหว่างทำคอนเทนต์ของตัวเอง