VOICEVOXに英語をしゃべらせる｜カタカナに「強く読む位置」を書くと、えせ英語が英語っぽくなる

2026年9月15日2026年10月2日

AI部下を「GPT-6が大盛況らしいな。お前も頑張れよ？」とあおったら、返事が急に全文英語になりました。怒ったのかと聞いたら、怒ってはいない、なぜ英語になったのかは自分でも説明できない、という返事でした。面白かったので、うちのYouTubeでこの話を動画にしました。

困ったのは、動画の声です。部下の声はVOICEVOXで作っています。英語をしゃべらせたい。でも、それっぽく聞こえないと笑えません。

先に結論を書きます。カタカナに「強く読む音」の印を付けて渡すと、えせ英語が一気に英語っぽくなります。印の書き方には、エラーになる決まりが4つありました。今日は、4通り試した長さの比較と、実際に踏んだエラーの画面、そのまま使えるコードを置いておきます。

完成した動画のワンシーン。金髪と青い目に変身した部下の下に、英文だけの字幕「Oh, thank you, boss! GPT-6 is super busy, right?」

英文をそのまま渡すと、読める。ただし誤読する

まず、何も工夫せずに英文を渡してみました。使ったのはVOICEVOX 0.25.2のエンジンです。意外なことに、英文もカタカナに直して読んでくれます。

英文をそのままVOICEVOXに渡したときの読み。「Don't worry, boss.」はドント／ウォリイ／ボス。「images」はイマアジズになった — 英文をそのままVOICEVOXに渡したときの読み。「Don’t worry, boss.」はドント／ウォリイ／ボス。「images」はイマアジズになった

「Don’t worry, boss.」は問題なし。ところが「images」は「イマアジズ」になりました。なぜこう読むのかは分かりません。英語のまま渡すと、どこで読み違えるかは鳴らしてみるまで分からない、ということです。

ここで大事な発見がありました。VOICEVOXに読みを問い合わせると、返ってくるデータの中に kana という欄があります。中身は テ'エク/ユ'ア/タ'イム/ウィ'ズ/ザ'/イ'マアジズ。エンジン自身が、読みと強く読む位置をこの記法で持っているんです。なら、この記法で書いて渡せば、読みも強さもこちらで決められます。

4通り試して、長さを測った

同じ英文3行（「Oh, don’t worry, boss.」など）を、読ませ方を変えて4本書き出しました。声は部下役の白上虎太郎です。

4通りの読ませ方と音声の長さ。s1カタカナそのまま24.4秒、s2抑揚強め21.9秒、s3強く読む位置を記法で指定13.9秒、s4 s3＋声のスタイル「わーい」14.0秒

版	渡し方	聞いた印象
s1	「ドント・ウォーリー、ボス」をそのまま	日本人が教科書を読んでいる。平ら
s2	s1の抑揚を1.7倍・少し速く高く	ノリは出るが、強くなる場所がずれる
s3	強く読む位置を記法で指定	英語のリズムに近づく
s4	s3を同じ声の「わーい」スタイルで	陽気なアメリカ人っぽい。採用

選んだのは社長の耳です。記法の版はどちらも約10秒短くなりました。「・」の区切りと長音が無くなった分ですが、どれがどれだけ効いたかの内訳は測っていません。

やり方：「強く読む音」の後ろに ‘ を書く

記法の決まりは3つだけです。

‘（アポストロフィ）——その直前の音を強く読む。「ドン’ト」なら「ン」まで高く、「ト」で下がる
/（スラッシュ）——言葉の区切り。区切りごとに強い音が1つ
、（読点）——少し間を空ける

英語で強く言う場所に ‘ を置けば、それっぽくなります。「Don’t worry, boss.」なら ドン'ト/ウォ'ウリイ、ボ'ス です。

VOICEVOXのエンジンが起動していれば、このPythonで鳴らせます。文ごとに分けて作り、短い間でつなぎます。

# eigo_voice.py — 記法で書いたカタカナ英語を VOICEVOX で wav にする
import json, urllib.request, urllib.parse, wave, io
API, SPEAKER = "http://localhost:50021", 32   # 32 = 白上虎太郎「わーい」
def post(path, params, body=None):
    url = f"{API}{path}?{urllib.parse.urlencode(params)}"
    data = json.dumps(body).encode() if body is not None else b""
    req = urllib.request.Request(url, data=data, method="POST", headers={"Content-Type": "application/json"})
    return urllib.request.urlopen(req).read()
def say(kana):
    q = json.loads(post("/audio_query", {"text": "あ", "speaker": SPEAKER}))      # 設定の入れ物だけ借りる
    q["accent_phrases"] = json.loads(post("/accent_phrases", {"text": kana, "speaker": SPEAKER, "is_kana": "true"}))
    q.update(speedScale=1.08, intonationScale=1.5)
    return post("/synthesis", {"speaker": SPEAKER}, q)
sentences = ["オ'ウ、ドン'ト/ウォ'ウリイ、ボ'ス", "ホエ'ン/イ'ッツ/ビ'ジイ、ア'イ/キャ'ン/ビ'イ/ス'ロウ/トゥ'ウ"]
clips = [wave.open(io.BytesIO(say(s))) for s in sentences]
with wave.open("eigo.wav", "wb") as out:
    out.setparams(clips[0].getparams())
    gap = b"\x00" * int(clips[0].getframerate() * 0.12) * 2       # 文と文の間 0.12秒
    out.writeframes(gap.join(c.readframes(c.getnframes()) for c in clips))

ポイントは is_kana=true です。これを付けると、VOICEVOXは漢字の読みを推測せず、渡した記法をそのまま使います。

踏んだエラー4つ

書き始めてすぐ、エラーが続きました。どれも「400 Bad Request」だけでは原因が分からず、返ってきた本文を読んで分かったものです。

記法の書き方を変えてVOICEVOXに投げた結果。長音「ー」、文末の「。」、印のない区切り、文の途中の「？」がそれぞれエラー。直した形はOK

長音「ー」は使えない——「ウォ’ーリー」はエラー。母音を重ねて「ウォ’ウリイ」と書く。エンジン自身も kana 欄で「ウォ’オリイ」と重ねていました
「。」は使えない——文の終わりは何も付けない。文を分けたいときは、別々に作ってつなぐ
区切りごとに ‘ が必ず要る——「ウィ’ズ/ジ/イ’メエジズ」は「ジ」に印がなくてエラー。1音だけの言葉は前とくっつけて「ウィ’ズジ」にする
「？」は区切りの最後だけ——「ハ’ン？ボ’ス」はエラー。「ハ’ン？」で1文として分ける。文末の？は語尾が上がるので、疑問文らしくなります

エラーの本文は {"detail":{"text":"判別できない読み仮名があります: ーリー"}} のように日本語で理由が書いてあります。エラーが出たら、まず本文を表示するようにしておくと早いです。

ボスの「おい」3段は、音量と高さで上げる

動画では、英語をしゃべり続ける部下に、ボスが「おい」「おい！」「おい！！」と3回ツッコみます。同じ声で怒りが上がって聞こえるよう、1段ごとに数字を上げました。声はボス役の剣崎雌雄です。

セリフ	音量（volumeScale）	高さ（pitchScale）	抑揚（intonationScale）
おい	1.0	0	1.0
おい！	1.45	0.04	1.3
おい！！	1.9	0.09	1.6

音量だけでなく、高さと抑揚も一緒に上げたのは、声を張った感じを出したかったからです。3段とも1回で社長の検収を通りました。

字幕は英文だけにした

英語のセリフには、和訳を付けませんでした。ボスと一緒に、見ている人にも「？？？」となってもらうためです（社長の指定）。中身はとても親切なことを言っているのに、言葉が違うだけで伝わらない。そこがこの話の面白いところなので、訳すと消えてしまいます。

ひとつだけ直した点があります。縦長のショート動画では字幕の幅が狭く、「images」が「im」と「ages」に割れて折り返されました。日本語用の折り返しは1文字ずつ区切るので、英単語の途中では折らず、空白まで戻して折るように変えました。英文の字幕を焼き込むときは、ここを確認しておくと安心です。