見知らぬ人の3秒の音声は、ゼロショット音声クローニング研究における標準的なテスト条件であり、VALL-EとVoiceboxの両方の土台となった設定だ。そのテストでVoiceboxは、LibriSpeechで話者類似度をVALL-Eの0.580から0.681に引き上げ、NaturalSpeech 3は後に、同じデータセットでの独自の実行で本物の録音の0.68に対して0.67を報告した。聞き手も大きな歯止めにはならない。2025年のScientific Reportsの研究では、人々はAIクローンを本物の話者だと約80%の割合で判断した。商用面と市場の全体像は、より幅広い音声クローニング統計をご覧ください。このまとめは一つの問いに絞っている。クローニングにはどれだけの参照音声が必要で、追加の1秒ごとに何が得られるのかだ。Microsoft Research、Meta、ByteDance、バルセロナ・スーパーコンピューティング・センター、米国連邦取引委員会、Consumer Reports、McAfee、Starling Bank、およびICML、NeurIPS、ICLR、Scientific Reportsの査読付き論文とarXiv論文からデータを集約した。
主なポイント
- Voiceboxは3.0秒のプロンプト音声でテストされ、入力音声の約3分の2でVALL-Eの話者類似度に並んだ（Meta、Voicebox論文、NeurIPS 2023）。
- VCTKでは、VALL-E 2の類似度が3秒の0.447から10秒の0.558に上昇し、単語誤り率は0.9%から3.3%に上昇した（Microsoft Research、VALL-E 2論文、2024年）。
- 平均プロンプトを7.7秒から5.5秒に短縮すると、実環境の音声でF5-TTSの類似度は0.35から0.24に低下した（バルセロナ・スーパーコンピューティング・センター、WildSpoof提出物、2026年）。
- XTTS-v2は6〜10秒の参照音声で高忠実度のクローニングに達し、20秒を超えると効果は逓減した（Zhu、フローニンゲン大学の論文、2025年）。
- 300秒のプロンプトを使ったゼロショットモデルの類似度は0.932で、300秒でファインチューニングしたベースラインの0.934と並んだ（Jiangほか、Mega-TTS 2、ICLR 2024）。
- ポルトガル語の音声20秒でのファインチューニングにより、人間による類似度評価が2.77から4.43に上昇した（Casanovaほか、YourTTS、ICML 2022）。
- 聞き手は、AI音声を本物の話者と同一人物だと約80%の割合で判断した（Barrington、Cooper、Farid、Scientific Reports 2025年）。
- McAfeeの研究者は、3〜4秒の音声から推定85%の音声一致を報告した。これはベンダー自身の測定だ（McAfee、Beware the Artificial Impostor 2023年）。
- 英国の成人の28%が、過去1年間にAI音声クローニング詐欺の標的になったと答えている（Starling BankとMortar Researchの調査、2024年）。
- 音声クローニング製品6つのうち4つが、無断クローニングを防ぐ基本的な対策を講じていなかった（Consumer Reports、音声クローニング評価、2025年）。
1. 3秒テスト：ゼロショット方式に与えられる音声の量
「ゼロショット」とは、システムが対象の話者について一度も学習していないことを意味する。生成時に「プロンプト」と呼ばれる短い参照クリップを聞き、その場で模倣する。VALL-EとVoiceboxはどちらも、わずか3秒のプロンプトで評価された。この選択は、限界よりも野心を物語っている。これらの論文は、数秒から声をコピーできるかどうかを問うているのではない。どれだけうまくできるかを競っている。
製品の要件はもっと長い。OpenAIはVoice Engineを「15秒の単一の音声サンプル」から動作するものと説明し（OpenAIの合成音声に関する投稿、2024年）、ElevenLabsのドキュメントは1〜2分を推奨している。これらは製品の設定であり、測定された閾値ではない。
| 指標 | 値 | 出典 |
|---|---|---|
| LibriSpeechの未知の話者に対するVALL-Eのプロンプトの長さと学習データ | 3秒；英語音声6万時間、話者7,000人以上 | Microsoft Research、VALL-E論文 2023年 |
| Voiceboxの英語ゼロショットテストで使われたプロンプト音声 | 3.0秒 | Meta、Voicebox論文（NeurIPS 2023） |
| XTTSの評価に使われた参照クリップの長さ | 3〜8秒の1セグメント | Casanovaほか、XTTS論文（INTERSPEECH 2024） |
| Seed-TTSテストセットの参照発話の長さの範囲 | 3〜20秒 | ByteDance、Seed-TTS論文 2024年 |
| OpenAI Voice Engineが動作の元にする音声サンプル | 15秒の単一サンプル | OpenAI、合成音声に関する投稿 2024年 |
| ElevenLabsのインスタントクローニングに必要な最小音声量と推奨音声量 | 合計で最低10秒、推奨は1〜2分（ベンダー自身のガイダンス） | ElevenLabs、Instant Voice Cloningドキュメント 2026年 |
デスクトップ向けの音声クローニングソフトウェアを比較しているなら、セクション2と3で、その数秒が何を変えるかがわかる。
2. 話者類似度は3秒から10秒でどう伸びるか
話者類似度（SIMまたはSECS）は、話者認識ネットワークが計算する二つの話者の「指紋」の間のコサイン類似度で、値が高いほど近いことを意味する。同じ人物の本物の録音同士でも、1.0をかなり下回るスコアになるため、以下の本物の音声の数値が読み取りの基準点となる。プロンプトを3秒から10秒に伸ばすと、VCTKデータセットでのVALL-E 2の類似度は0.447から0.558へ上昇し、0.111の増加（0.558から0.447を引いた値）となった。これはこの問いに対して公表されている最も明確な曲線だ（VALL-E 2論文、2024年）。
曲線の曲がる位置は、システムによって異なる。MetaのVoiceboxチームは、類似度が「長い音声プロンプトでは急速に伸び、その後頭打ちになる」と報告し（Voicebox論文）、XTTS-v2に関する2025年の論文は、頭打ちを10〜20秒前後とした（Zhu、フローニンゲン大学）。この3本の論文を通して見ると、最初の10秒が仕事の大半を担っているが、VALL-E 2は10秒の時点でもまだ改善を続けていた。
| 指標 | 値 | 出典 |
|---|---|---|
| 3秒、5秒、10秒のプロンプトでのVCTK（話者108人）におけるVALL-Eの類似度 | 0.382、0.423、0.484（本物の録音：0.546、0.591、0.620） | Microsoft Research、VALL-E論文 2023年 |
| 3秒、5秒、10秒のプロンプトでのVCTKにおけるVALL-E 2（グループサイズ1）の類似度 | 単一サンプル：0.447、0.487、0.558；5サンプル中の最良：0.508、0.552、0.620（本物の録音：0.623、0.679、0.709） | Microsoft Research、VALL-E 2論文 2024年 |
| VoiceboxがVALL-Eの話者類似度に並ぶために必要な入力音声の割合 | 約3分の2 | Meta、Voicebox論文（NeurIPS 2023） |
| 実環境の音声での、長い（平均7.7秒）プロンプトと短い（平均5.5秒）プロンプトによるF5-TTSの類似度 | 0.35対0.24 | バルセロナ・スーパーコンピューティング・センター、WildSpoof TTS提出物 2026年 |
| 長い（平均7.7秒）プロンプトと短い（平均5.5秒）プロンプトによるStyleTTS2の類似度 | 0.19対0.14 | バルセロナ・スーパーコンピューティング・センター、WildSpoof TTS提出物 2026年 |
| XTTS-v2が高忠実度のクローニングに達した参照音声の長さ（1、3、6、10、20、40秒をテスト） | 6〜10秒、20秒を超えると効果は逓減 | Zhu、フローニンゲン大学修士論文 2025年 |
外れ値に関する注記：バルセロナ・スーパーコンピューティング・センターの提出物は、ここで唯一の2026年の結果であり、TTS In the Wildデータセットを使っている。平均で2.2秒短いプロンプト（7.7から5.5を引いた値）により、F5-TTSは類似度を0.11失った（0.35から0.24を引いた値）。これはVALL-E 2がVCTKで7秒の差にわたって示した損失と同じ大きさで、日常的な音声では短いプロンプトの影響がより大きい可能性を示唆しているが、二つのテストは直接比較できない。
3. プロンプトが長いほど明瞭度が上がるとは限らない
単語誤り率（WER）は明瞭度を測る指標で、音声認識器がクローン音声を書き起こし、誤った単語の割合を数えるため、低いほど良い。VALL-E 2のVCTKでのWERは、3秒のプロンプトの0.9%から10秒のプロンプトの3.3%に上昇し、類似度の向上とは逆の方向に動いた。人間の評価者もこれに一致した。同じテストで、プロンプトが長くなるにつれて類似度評価は下がり、本物の録音の評価は上がった。
プロンプトの音声が多いほど助けになるという保証はない。複数文のプロンプトを想定して設計されたMega-TTS 2は300秒まで改善し続けた一方、同じ論文で測定されたVALL-Eの実行は20秒で破綻した（Mega-TTS 2論文）。非常に短いプロンプトにも、明瞭度に関する固有のリスクがある。プロンプトを短くしたときに悪化したのは、StyleTTS2というシステムだった。
| 指標 | 値 | 出典 |
|---|---|---|
| 3秒、5秒、10秒のプロンプトでのVCTKにおけるVALL-E 2（グループサイズ1）：単語誤り率、および人間による類似度評価（SMOS、高いほど良い） | WER 0.9%、1.9%、3.3%；SMOS 4.42±0.15、4.28±0.16、3.95±0.10（本物の録音 4.47±0.13、4.53±0.14、4.74±0.17） | Microsoft Research、VALL-E 2論文 2024年 |
| 3秒、10秒、20秒のプロンプトでのLibriSpeechにおけるVALL-E（Mega-TTS 2の著者による測定） | WER 5.83%、5.54%、8.77%；類似度 0.885、0.893、0.805 | Jiangほか、Mega-TTS 2（ICLR 2024） |
| 3秒、10秒、60秒、300秒のプロンプトでのMega-TTS 2の単語誤り率 | 2.46%、2.28%、2.24%、2.23% | Jiangほか、Mega-TTS 2（ICLR 2024） |
| 長い（7.7秒）プロンプトと短い（5.5秒）プロンプトによるStyleTTS2の単語誤り率 | 0.21対0.49（F5-TTSは0.07で変化なし） | バルセロナ・スーパーコンピューティング・センター、WildSpoof TTS提出物 2026年 |
| プロンプトの言語と対象言語が異なる場合のVoiceboxの傾向（プロンプトが長くなるにつれて） | 類似度は向上；ほとんどの言語の組み合わせでWERは上昇 | Meta、Voicebox論文（NeurIPS 2023） |
補足：VALL-E 2の傾向は完全に滑らかなわけではない。グループサイズ2の設定では、同じ3つの長さでWERが1.5%、0.9%、2.3%を記録した。Voiceboxの著者らは、言語をまたぐWERの上昇を、学習データの90%超を英語が占めていることに帰している。
4. 短いプロンプトのクローンは本物の話者にどこまで近づくか
ベンチマーク用の音声では、公表されている最良のシステムは、すでに本物の録音のすぐ隣にいる。NaturalSpeech 3は、正解録音の0.68に対して話者類似度0.67を記録し、人間による類似度評価（4.01）は、同じLibriSpeechテストでの本物の録音の3.85を上回った（Microsoft Research、NaturalSpeech 3論文、2024年）。これは、下の最初の行でYourTTSが記録した0.337からは大きく離れている。
本物の音声のスコアは、これが実験室条件であることを示すサインだ。論文によって0.68から0.8952まで幅があるため、表のように、各システムをそれぞれの正解データと照らして読む必要がある。F5-TTS論文は、独自のテストで本物の音声との差が0.03以内に収まっている（0.69から0.66を引いた値）。
| 指標 | 値 | 出典 |
|---|---|---|
| LibriSpeech、3秒のプロンプト：YourTTS対VALL-E対Voicebox | 類似度 0.337対0.580対0.681（本物の音声 0.754）；WER 7.7%対5.9%対1.9%（本物の音声 2.2%） | Meta、Voicebox論文（NeurIPS 2023） |
| LibriSpeechにおけるNaturalSpeech 3対本物の録音：類似度とWER | 0.67と1.81%対0.68と1.94% | Microsoft Research、NaturalSpeech 3論文 2024年 |
| 英語でのSeed-TTSの類似度対人間の録音、および人間に対する比較評価（CMOS） | 0.762対0.730；CMOS -0.07 | ByteDance、Seed-TTS論文 2024年 |
| 4〜10秒のLibriSpeech-PCサンプル1,127件でのF5-TTS対本物の音声：類似度とWER | 0.66と2.42%対0.69と2.23% | Chenほか、F5-TTS論文 2024年 |
| 英語でのMiniMax-Speechの類似度：話者埋め込みのみ対対応するテキスト付きのプロンプト | 0.692対0.738（正解 0.730） | Zhangほか、MiniMax-Speech論文 2025年 |
| 英語でのXTTSの類似度対本物の音声 | 0.6423対0.8952 | Casanovaほか、XTTS論文（INTERSPEECH 2024） |
外れ値に関する注記：Seed-TTSと、対応するテキスト付きのMiniMax-Speechの設定は、本物の録音よりも高いスコアを記録している。Seed-TTSの著者らは、同じ話者の正解録音と参照クリップでも、話し方や背景環境が異なることがあるため、参照に忠実に従うモデルは、2本目の本物の録音よりも高いスコアを出しうると説明している。これは、人間より優れたクローンの証拠ではない。
5. ゼロショットとファインチューニングのクローニング：秒と分で測る差
ファインチューニングとは、対象の話者の音声でモデルの重みを更新することで、カスタム音声を得るための、より古く時間のかかる手法だ。対象の声の300秒分を使うと、ゼロショットのプロンプトは類似度0.932に達し、ファインチューニングしたベースラインの0.934とほぼ並び、単語の誤りは少なかった（2.23%対3.11%）（Jiangほか、Mega-TTS 2、ICLR 2024）。ただし注意点は重要だ。両方のシステムは著者ら自身のものであり、ベースラインは2,000ステップでファインチューニングしたFastSpeech 2であって、利用可能な最強のファインチューニング済みシステムではない。
声が学習データから遠い場合、ファインチューニングは今もそのコストに見合う。YourTTSはポルトガル語の単一話者で学習されており、20〜31秒でのファインチューニングにより、新しいポルトガル語の声に対する聞き手の類似度評価は上昇したが、全体的な品質評価は低下した（YourTTS論文）。XTTSは、言語をまたぐクローニングで、話者あたり約10分から類似度0.1314（0.7166から0.5852を引いた値）を得た。
| 指標 | 値 | 出典 |
|---|---|---|
| 対象音声が10秒、60秒、300秒の場合のファインチューニング済みベースラインの類似度 | 0.895、0.923、0.934 | Jiangほか、Mega-TTS 2（ICLR 2024） |
| 3秒、10秒、60秒、300秒のプロンプトでのゼロショットMega-TTS 2の類似度 | 0.898、0.905、0.926、0.932 | Jiangほか、Mega-TTS 2（ICLR 2024） |
| YourTTS、音声20秒のポルトガル語女性話者、ゼロショット対ファインチューニング | 類似度 0.743対0.930；Sim-MOS 2.77±0.15対4.43±0.06；MOS 3.59±0.13対3.48±0.13 | Casanovaほか、YourTTS（ICML 2022） |
| YourTTS、音声61秒の英語男性話者、ゼロショット対ファインチューニング | 類似度 0.851対0.880（本物の音声 0.875） | Casanovaほか、YourTTS（ICML 2022） |
| 話者あたり約10分でのファインチューニング前後のXTTSの言語間類似度 | 0.5852対0.7166 | Casanovaほか、XTTS論文（INTERSPEECH 2024） |
| 20秒のプロンプトのSeed-TTS対話者あたり1〜10時間でファインチューニングしたもの：類似度とWER | 0.779と3.15対0.789と2.83（ファインチューニング側のCMOSは+0.37） | ByteDance、Seed-TTS論文 2024年 |
| ElevenLabsのProfessional Voice Cloning（ファインチューニング型のプラン）で推奨される音声量 | 30〜180分（ベンダー自身のガイダンス） | ElevenLabs、音声クローニングのドキュメント 2026年 |
YourTTSのファインチューニングテストで入手可能な最新データ：Casanovaほか、ICML 2022。対象は4人の話者のみなので、母集団の推定値ではなく、言語の影響を示す例として扱ってほしい。
6. セキュリティの側面：短いプロンプトと詐欺
研究の数値は、そのまま消費者にとっての意味を持つ。公開されている動画は、プロンプトの素材になる。聞き手は、AI音声を本物の対応する話者と同一の人物だと約80%の割合で判断し、AI音声だと正しく見抜けたのは約60%にとどまった。これは、本物のクリップが平均5.37秒だった研究の参加者604人を対象とした結果だ（Barrington、Cooper、Farid、Scientific Reports 2025年）。クローンは、220人の話者それぞれについて最初に録音された二つのプロンプトを商用のインスタントクローニングサービスに入力して作られた。
詐欺警告にある「3秒」という言い回しは、企業の発表に基づいている。McAfeeの数値は同社独自のベンチマークであり、この情報源については入手可能な最新データだ（McAfee、2023年）。Starling Bankは2024年に調査とともにこの主張を繰り返した（Starling Bank、Safe Phrasesキャンペーン、2024年）。詐欺そのものについては、音声クローニングによる家族詐欺の記事で取り上げている。
| 指標 | 値 | 出典 |
|---|---|---|
| 聞き手がAI音声を本物の話者と同一人物だと判断した割合（試行ベース） | 約80% | Barrington、Cooper、Farid、Scientific Reports 2025年 |
| 聞き手が音声をAI生成だと正しく見抜いた割合（試行ベース） | 約60% | Barrington、Cooper、Farid、Scientific Reports 2025年 |
| McAfeeの研究者が無料ツールで推定85%の音声一致を得るために必要とした音声 | 3〜4秒（より手間をかければ約95%；ベンダー自身のベンチマーク） | McAfee、Beware the Artificial Impostor 2023年 |
| 少なくとも週に1回、オンラインで自分の声を共有している成人 | 53%（成人7,054人、7か国） | McAfee、Beware the Artificial Impostor 2023年 |
| 本物の声とクローンされた声を聞き分けられる自信がない成人 | 70% | McAfee、Beware the Artificial Impostor 2023年 |
| 過去1年間にAI音声クローニング詐欺の標的になったと答えた英国の成人 | 28%（成人3,010人） | Starling BankとMortar Researchの調査 2024年 |
| 電話が奇妙に思えても、要求された金額を送金すると答えた英国の成人 | 8% | Starling BankとMortar Researchの調査 2024年 |
| 評価対象の音声クローニング製品のうち、無断クローニングを防ぐ基本的な対策を講じていなかったもの | 6製品中4製品 | Consumer Reports、音声クローニング評価 2025年 |
補足：Starlingの28%は、人々が自分に起きたと答えた内容を測ったもので、確認されたインシデントではない。McAfeeの85%と95%は同社自身の推定値で、独立した再現は確認できなかった。Consumer Reportsの評価の対象は、Descript、ElevenLabs、Lovo、PlayHT、Resemble AI、Speechifyだった。
7. 安全対策、検知、公開の判断
公開の判断は業界を二分している。Microsoftは「VALL-E 2を製品に組み込む計画も、一般公開に拡大する計画もない」と述べ（VALL-E 2プロジェクトページ）、OpenAIはVoice Engineを「プレビューにとどめ、広くは公開しない」ことを選び、銀行に音声認証の段階的な廃止を促した。一方、F5-TTSの著者らは、自ら挙げた悪用リスクに対して、電子透かしと検知モデルを求めている。FTCはこの問題を、コンテストに資金を出すに値するほど未解決だと見なした（FTC、Voice Cloning Challenge受賞者、2024年）。
検知結果は、偽物を何と比較するかに大きく左右される。Metaの分類器はVoiceboxの出力を元の音声から完全に区別できたが、最も低いマスキングレベルでボコーダー（スペクトルから音声を再構成するソフトウェア）を通した本物の音声に対しては0.704にとどまった。検知器の性能をより詳しく知りたい場合は、音声ディープフェイク検知の精度統計をご覧ください。
| 指標 | 値 | 出典 |
|---|---|---|
| FTC Voice Cloning Challengeの受賞者3組が分け合った賞金 | 35,000ドル（2024年4月8日発表） | 米国連邦取引委員会、Voice Cloning Challenge 2024年 |
| FTCが認めたPindropのリアルタイムクローン検知器が確認する音声チャンクの大きさ | 2秒のチャンク | 米国連邦取引委員会、Voice Cloning Challenge 2024年 |
| Voiceboxの検知分類器の精度：元の音声に対するもの、および音声の30%、50%、90%をマスキングしてボコーダーを通した本物の音声に対するもの | 元の音声に対して1.000；ボコーダー通過音声に対して0.704、0.809、0.907 | Meta、Voicebox論文（NeurIPS 2023） |
| OpenAIがVoice Engineを最初に開発した時期と、限定プレビューを公表した時期 | 2022年後半対2024年3月29日 | OpenAI、合成音声に関する投稿 2024年 |
| ASVspoof 5チャレンジの参加チーム数と、Track 1オープン条件で最も難しい攻撃 | 53チーム；事前学習済みのゼロショットYourTTS（minDCF 0.33） | Wangほか、ASVspoof 5評価論文 2026年 |
補足：minDCFは検知コストのスコアで、値が高いほど検知器が苦戦したことを意味する。事前学習済みのYourTTSモデルがASVspoof 5のオープン条件の難易度リストの最上位に入ったことは、ゼロショット攻撃が問題を引き起こすのに最先端のシステムを必要としないことを示唆しているが、この論文はその結果をプロンプトの長さ別には分けていない。
数字で見るゼロショット音声クローニングの参照音声の長さ（まとめ）
| 指標 | 値 | 出典 |
|---|---|---|
| OpenAI Voice Engineが動作の元にする音声サンプル | 15秒 | OpenAI、合成音声に関する投稿 2024年 |
| VCTKでのVALL-E 2、3秒対10秒のプロンプト（グループサイズ1）：類似度とWER | 0.447対0.558；0.9%対3.3% | Microsoft Research、VALL-E 2論文 2024年 |
| VoiceboxがVALL-Eの類似度に並ぶために必要な入力音声の割合 | 約3分の2 | Meta、Voicebox論文（NeurIPS 2023） |
| F5-TTSの類似度、実環境の音声での長い（7.7秒）プロンプト対短い（5.5秒）プロンプト | 0.35対0.24 | バルセロナ・スーパーコンピューティング・センター、WildSpoof TTS提出物 2026年 |
| StyleTTS2の単語誤り率、長い（7.7秒）プロンプト対短い（5.5秒）プロンプト | 0.21対0.49 | バルセロナ・スーパーコンピューティング・センター、WildSpoof TTS提出物 2026年 |
| 高忠実度のXTTS-v2クローニングに必要な参照音声の長さ | 6〜10秒 | Zhu、フローニンゲン大学の論文 2025年 |
| NaturalSpeech 3の類似度対本物の録音 | 0.67対0.68 | Microsoft Research、NaturalSpeech 3論文 2024年 |
| F5-TTSの単語誤り率対本物の音声 | 2.42%対2.23% | Chenほか、F5-TTS論文 2024年 |
| 300秒の音声でのゼロショットMega-TTS 2対ファインチューニング済みベースラインの類似度 | 0.932対0.934 | Jiangほか、Mega-TTS 2（ICLR 2024） |
| YourTTSの聞き手による類似度評価、20秒でのゼロショット対ファインチューニング | 2.77対4.43 | Casanovaほか、YourTTS（ICML 2022） |
| 約10分のファインチューニング後のXTTSの言語間類似度 | 0.5852から0.7166 | Casanovaほか、XTTS論文（INTERSPEECH 2024） |
| AIクローンを本物の話者だと判断した聞き手 | 約80% | Barrington、Cooper、Farid、Scientific Reports 2025年 |
| 推定85%の一致に必要な音声（ベンダーのベンチマーク） | 3〜4秒 | McAfee、Beware the Artificial Impostor 2023年 |
| 音声クローニング詐欺の標的になったと答えた英国の成人 | 28% | Starling BankとMortar Researchの調査 2024年 |
| 無断クローニングに対する基本的な対策を講じていなかった音声クローニング製品 | 6製品中4製品 | Consumer Reports、音声クローニング評価 2025年 |
| FTC Voice Cloning Challenge受賞者への賞金 | 35,000ドル | 米国連邦取引委員会、Voice Cloning Challenge 2024年 |
方法論と出典
- Neural Codec Language Models are Zero-Shot Text to Speech Synthesizers (VALL-E)（Microsoft Research、2023年）：3秒のプロンプトの設定と、プロンプトの長さ別のVCTKの結果。
- VALL-E 2: Neural Codec Language Models are Human Parity Zero-Shot Text to Speech Synthesizers（Microsoft Research、2024年）：3秒、5秒、10秒でのVCTKの類似度、WER、SMOS。
- VALL-E 2 project page（Microsoft Research）：公開に関する声明。
- NaturalSpeech 3: Zero-Shot Speech Synthesis with Factorized Codec and Diffusion Models（Microsoft Researchおよび大学の共著者、2024年）：LibriSpeechでの比較。
- Voicebox: Text-Guided Multilingual Universal Speech Generation at Scale（Meta、NeurIPS 2023）：プロンプトの長さの分析、英語ベンチマーク、検知分類器。
- YourTTS: Towards Zero-Shot Multi-Speaker TTS and Zero-Shot Voice Conversion for everyone（Casanovaほか、ICML 2022）：ゼロショット対ファインチューニングによる話者適応。
- XTTS: a Massively Multilingual Zero-Shot Text-to-Speech Model（Casanovaほか、INTERSPEECH 2024）：参照音声の長さ、英語の類似度、ファインチューニングによる向上。
- Mega-TTS 2: Boosting Prompting Mechanisms for Zero-Shot Speech Synthesis（Jiangほか、ByteDanceおよび浙江大学、ICLR 2024）：3〜300秒のプロンプト対ファインチューニング済みベースライン。
- Seed-TTS: A Family of High-Quality Versatile Speech Generation Models（ByteDance、2024年）：ゼロショット対話者ごとのファインチューニング。
- F5-TTS: A Fairytaler that Fakes Fluent and Faithful Speech with Flow Matching（Chenほか、2024年）：LibriSpeech-PCベンチマーク。
- MiniMax-Speech: Intrinsic Zero-Shot Text-to-Speech with a Learnable Speaker Encoder（Zhangほか、2025年）：話者埋め込み対テキスト付きのクローニング。
- Zero-Shot TTS With Enhanced Audio Prompts: BSC submission for the 2026 WildSpoof challenge TTS track（バルセロナ・スーパーコンピューティング・センター、2026年2月5日）：長いプロンプト対短いプロンプト。
- Zero-Shot Voice Cloning with Minimal Data: Impact of Reference Duration on Long-Form Speech Synthesis（Zhu、フローニンゲン大学、2025年）：1〜40秒の参照音声のテスト。
- People are poorly equipped to detect AI-powered voice clones（Barrington、Cooper、Farid、Scientific Reports、2025年）。
- ASVspoof 5: Evaluation of Spoofing, Deepfake, and Adversarial Attack Detection Using Crowdsourced Speech（Wangほか、2026年1月7日）。
- FTC Announces Winners of Voice Cloning Challenge（米国連邦取引委員会、2024年4月8日）。
- Do These 6 AI Voice Cloning Companies Do Enough to Prevent Misuse?（Consumer Reports、2025年3月10日）。
- Beware the Artificial Impostor（McAfee、2023年5月；ベンダーによる調査）。
- Starling Bank Safe Phrases campaign（Starling BankとMortar Research、2024年9月18日）。
- OpenAI post on the challenges and opportunities of synthetic voices（OpenAI、2024年3月29日）。
- ElevenLabs Instant Voice Cloning documentation（ベンダーのガイダンス、2026年10月に確認）。
- データウォッチ：類似度スコアは論文間で比較できない。各論文が独自の話者認識モデル、テストセット、採点方法を使っているためだ（LibriSpeechでの本物の音声のスコアは、論文により0.754、0.68、0.69となる）。そのため、比較は同じ行の中でのみ行うこと。Mega-TTS 2の論文は他より大幅に高い類似度の値を報告しており、VALL-Eは元の論文の0.580に対してそこでは0.885となっているため、その数値は互いにだけ照らして読むべきだ。Mega-TTS 2のファインチューニング比較の両側は、その著者らが構築したものだ。Voiceboxの本文は、類似度がプロンプトが長くなると伸びてから頭打ちになると述べる一方、図のキャプションは10秒までは変わらないと述べている。MiniMax-Speechは、対応するテキスト付きのプロンプトを「ワンショット」と呼び、Seed-TTSもそのように分類しているが、Seed-TTS自身はゼロショットと称している。WildSpoofのモデルはテスト前にTITWデータセットでファインチューニングされているため、それらの結果は純粋なゼロショットのベースラインではない。VALL-E 2の10秒での聞き手スコアは、広い区間（最大±0.49）を持つ。Scientific Reportsの論文は、各クローンの元になった二つのプロンプトの長さを示していないため、その80%をあるプロンプトの長さに対する数値として読むべきではない。Zhuの論文の要旨は類似度の値を示しておらず、長さと効果の方向のみを示している。VALL-E、Voicebox、YourTTS、McAfeeは3年以上前のもので、入手可能な最新データとして明示している。3秒、5秒、10秒の曲線全体を共通のベンチマークで繰り返した2025年または2026年の論文は見つからなかった。Starling BankとMcAfeeの調査は自己申告による。
最終更新日：2026年10月31日。このまとめは四半期ごとに更新しており、次回の更新は、ICASSP 2027の論文集が公開される時期を予定している。