A Character's Look Speaks Volumes

Contents

Overview

We propose a Japanese text-to-speech (TTS) method that controls speaker style from character images, such as illustrations from anime and games. Conventional TTS systems commonly control speaker style through Voice Cloning, which requires reference speech, or through Voice Design, which describes a target voice in text. However, directly controlling voice characteristics from a character’s visual appearance remains underexplored. Our method, Character Voice Control (CVC), integrates an image encoder into a pretrained flow matching-based Japanese TTS model and conditions speech generation on visual character features. Compared with baselines, CVC preserves naturalness as measured by UTMOSv2 and outperforms text-based Voice Design in human mean opinion score evaluations of image-voice affinity. We further examine the use of multimodal large language models for evaluation and identify limitations in using them as substitutes for human raters in this task.

Method

Architecture diagram of Irodori-TTS-500M-v2 — Architecture of Irodori-TTS-500M-v2

Architecture diagram of JointAttention — Architecture of JointAttention

Irodori-TTS-500M-v2 encodes reference speech with DACVAE and a Speaker Encoder, then injects the resulting representation into RFDiT. In the proposed method, these reference-speech modules are replaced with a reference image, an image encoder, and an MLP, allowing the character image to condition RFDiT directly. During training, only the MLP is updated; the other modules are kept frozen.

In the experiments, we compare two image encoders: wd-tagger-vit-v3¹ and SigLIP-v2-B/16-512².

Results

Generated Speech

The table below compares generated speech from the proposed method and the baselines by dialogue line. The character images are fictional characters generated with image generation models³, so there is no ground-truth voice for any character. Dialogues and Voice Design captions were generated with Gemini 3.1 Pro Preview from the images so that they matched each character’s impression.

Generated Speech by Dialogue

Proposed (Tagger): wd-tagger-vit-v3 encoder, Proposed (SigLIP): SigLIP-v2-B/16-512 encoder, Voice Design: Irodori-TTS-500M-v2-VoiceDesign, No reference: Irodori-TTS-500M-v2

144 / 144 rows

Generated Speech by Dialogue
Character	Dialogue	Proposed (Tagger)	Proposed (SigLIP)	Voice Design	No reference
	Shared dialogue 遠くで鳴る夕暮れの鐘が、一日の終わりを告げている。家々の窓には、ぽつりぽつりと暖かな灯りがともり始めた。			Voice caption やや高めで柔らかい、10代後半の女性の声。穏やかで丁寧な口調で、少しはにかむような優しげな雰囲気で話していそう。
	Shared dialogue ページをめくるたび、古いインクの匂いがふわりと漂う。そこには、誰かが確かに生きた証が記されていた。			Voice caption やや高めで柔らかい、10代後半の女性の声。穏やかで丁寧な口調で、少しはにかむような優しげな雰囲気で話していそう。
	Shared dialogue 吐く息は白く染まり、すぐに夜の闇へと溶けて消える。空から舞い散る雪は、まるで音のない祈りのようだ。			Voice caption やや高めで柔らかい、10代後半の女性の声。穏やかで丁寧な口調で、少しはにかむような優しげな雰囲気で話していそう。
	Character-specific dialogue おはよう！今日もいい天気だね。一緒に行こっか。登校中の通学路で、主人公と偶然会った時の朝の挨拶。			Voice caption やや高めの女性の声で、明るく嬉しそうに話している。クリアな音質で、親しい相手に対する親愛の情がこもったトーン。
	Character-specific dialogue ねえねえ、さっきの授業のノート、見せてくれないかな？ちょっと寝ちゃってて...えへへ。休み時間、自分の席から主人公の席にやってきてノートを借りに来たシーン。			Voice caption 若めの女性が、少し申し訳なさそうに、でも甘えるようなトーンで話している。照れ隠しの笑いを含んだ明るい声。
	Character-specific dialogue よかったら、お弁当一緒に食べない？おかず、少し多めに作ってきちゃったんだ。お昼休み、手作りのおかずをシェアしたくて主人公をお弁当に誘っているシーン。			Voice caption 優しくて柔らかい女性の声。少し控えめだが、相手の反応を期待しているようなワクワクした様子が伝わるトーン。
	Shared dialogue 遠くで鳴る夕暮れの鐘が、一日の終わりを告げている。家々の窓には、ぽつりぽつりと暖かな灯りがともり始めた。			Voice caption 少し低めで落ち着いたトーンの若い女性の声。クールで淡々とした話し方の中に、芯の強さや静かな決意を感じさせる雰囲気。
	Shared dialogue ページをめくるたび、古いインクの匂いがふわりと漂う。そこには、誰かが確かに生きた証が記されていた。			Voice caption 少し低めで落ち着いたトーンの若い女性の声。クールで淡々とした話し方の中に、芯の強さや静かな決意を感じさせる雰囲気。
	Shared dialogue 吐く息は白く染まり、すぐに夜の闇へと溶けて消える。空から舞い散る雪は、まるで音のない祈りのようだ。			Voice caption 少し低めで落ち着いたトーンの若い女性の声。クールで淡々とした話し方の中に、芯の強さや静かな決意を感じさせる雰囲気。
	Character-specific dialogue 風が強くなってきた。そろそろ行かないと。荒野や高い丘の上で、一人で先へ進む準備をしながら遠くを見つめているシーン。			Voice caption 低めの女性の声で、静かに淡々と話している。少し風の音に負けないようはっきりと、しかし感情の起伏は少ないトーン。
	Character-specific dialogue 私の背中に立たないで。邪魔よ。戦闘中、背後から不用意に近づいてきた者に対して、振り返らずに冷徹に警告する場面。			Voice caption 低めの女性の声で、冷酷に突き放すように話している。クリアで鋭い音質、相手を全く寄せ付けない威圧感のある様子。
	Character-specific dialogue …そう。好きにすればいいわ。自分の忠告を聞かずに無謀な行動に出る相手を、止めるのを諦めて見送る場面。			Voice caption 落ち着いた女性の声で、呆れたように小さくため息をついてから話している。少し諦めが混じったような、気だるげなトーン。
	Shared dialogue 遠くで鳴る夕暮れの鐘が、一日の終わりを告げている。家々の窓には、ぽつりぽつりと暖かな灯りがともり始めた。			Voice caption 中高音域の澄んだ若い女性の声。凛とした芯のあるトーンで、少しミステリアスな雰囲気を漂わせながら自信ありげに話していそう。
	Shared dialogue ページをめくるたび、古いインクの匂いがふわりと漂う。そこには、誰かが確かに生きた証が記されていた。			Voice caption 中高音域の澄んだ若い女性の声。凛とした芯のあるトーンで、少しミステリアスな雰囲気を漂わせながら自信ありげに話していそう。
	Shared dialogue 吐く息は白く染まり、すぐに夜の闇へと溶けて消える。空から舞い散る雪は、まるで音のない祈りのようだ。			Voice caption 中高音域の澄んだ若い女性の声。凛とした芯のあるトーンで、少しミステリアスな雰囲気を漂わせながら自信ありげに話していそう。
	Character-specific dialogue 私の魔法の前にひれ伏しなさい！この一撃で終わらせてあげるわ！敵の大群を前にして、強力な魔法を放つ直前のシーン。			Voice caption 若めの女性が、自信に満ちた張りのある声で、凛々しく宣言するように話している。テンポは速めで、戦闘への高揚感が感じられるトーン。
	Character-specific dialogue きゃっ！な、何よ今の攻撃……。私の結界が破られるなんて！絶対の自信を持っていた防御魔法があっさりと破られ、態勢を崩されたシーン。			Voice caption 少し高めの女性の声で、予想外の出来事に驚き焦っている様子。息を呑むような質感で、緊迫感と少しの恐怖が入り混じっている。
	Character-specific dialogue ちょっと、無理しないで！今そっちの回復に回るから、少しだけ持ちこたえなさい！前線で戦う仲間が傷つき、後衛から回復魔法を準備しながら呼びかけているシーン。			Voice caption 若めの女性が、大声で仲間に呼びかけるように焦って話している。感情的で、怒っているように聞こえるが、根底に強い心配が感じられるトーン。
	Shared dialogue 遠くで鳴る夕暮れの鐘が、一日の終わりを告げている。家々の窓には、ぽつりぽつりと暖かな灯りがともり始めた。			Voice caption 高めで甘いトーンの若い女性の声。明るくフレンドリーで、少し小悪魔的な愛嬌を感じさせる元気な話し方をしていそう。
	Shared dialogue ページをめくるたび、古いインクの匂いがふわりと漂う。そこには、誰かが確かに生きた証が記されていた。			Voice caption 高めで甘いトーンの若い女性の声。明るくフレンドリーで、少し小悪魔的な愛嬌を感じさせる元気な話し方をしていそう。
	Shared dialogue 吐く息は白く染まり、すぐに夜の闇へと溶けて消える。空から舞い散る雪は、まるで音のない祈りのようだ。			Voice caption 高めで甘いトーンの若い女性の声。明るくフレンドリーで、少し小悪魔的な愛嬌を感じさせる元気な話し方をしていそう。
	Character-specific dialogue やっほー！みんな元気してた？今日も一緒に遊ぼっか！配信の始まりや、友達と待ち合わせ場所で会ったときの明るい挨拶のシーン。			Voice caption 高めの若々しい女性の声で、元気いっぱいに明るく話している。リスナーに語りかけるようなフレンドリーでテンションが高いトーン。
	Character-specific dialogue えー、そんなこともできないの？しょうがないにゃー、私が教えてあげる！ゲームの操作や勉強などで手こずっている相手を、少しからかいながらも助けようとするシーン。			Voice caption 少しあざとく、高めの女性の声でからかうように話している。語尾に少し甘えるようなニュアンスが含まれている。
	Character-specific dialogue ねえねえ、これ買ってー？だめ？…じゃあ、特別にウインクしてあげるから！なんちゃって！一緒に買い物に行って、欲しいものを相手に冗談交じりにおねだりしているシーン。			Voice caption 甘えるような高めの女性の声。おねだりする時はかわいらしく、最後の「なんちゃって」で少しおどけるような軽快なトーンになる。
	Shared dialogue 遠くで鳴る夕暮れの鐘が、一日の終わりを告げている。家々の窓には、ぽつりぽつりと暖かな灯りがともり始めた。			Voice caption 高めでよく通る、ハリのある若い女性の声。自信に満ちた勝ち気なトーンで、少し芝居がかったお嬢様のような話し方をしていそう。
	Shared dialogue ページをめくるたび、古いインクの匂いがふわりと漂う。そこには、誰かが確かに生きた証が記されていた。			Voice caption 高めでよく通る、ハリのある若い女性の声。自信に満ちた勝ち気なトーンで、少し芝居がかったお嬢様のような話し方をしていそう。
	Shared dialogue 吐く息は白く染まり、すぐに夜の闇へと溶けて消える。空から舞い散る雪は、まるで音のない祈りのようだ。			Voice caption 高めでよく通る、ハリのある若い女性の声。自信に満ちた勝ち気なトーンで、少し芝居がかったお嬢様のような話し方をしていそう。
	Character-specific dialogue オーッホッホッホ！このわたくしが来たからには、もう安心ですわ！ひれ伏しなさい！ピンチの主人公たちの前に、自信満々で助っ人として登場し、高笑いしているシーン。			Voice caption 高めの少女の声で、自信満々に高笑いしながら話している。クリアな音質で、誇らしげで高飛車なトーン。
	Character-specific dialogue 庶民の分際でわたくしに逆らうなんて、100年早いですわよ！勝負事に勝ち、優位に立った状態で相手を指差して挑発しているシーン。			Voice caption 高めの少女の声で、相手を見下すように少し声を張り上げて話している。生意気で、プライドの高さを感じるトーン。
	Character-specific dialogue べ、別にこれくらい当然ですわ！わたくしを誰だと思っているんですの！予想外に褒められたり感謝されたりして、顔を真っ赤にして照れながらも強がっているシーン。			Voice caption 少しうわずった高めの少女の声で、照れ隠しをするように早口で話している。ツンデレ気味で、動揺が隠せていない様子。
	Shared dialogue 遠くで鳴る夕暮れの鐘が、一日の終わりを告げている。家々の窓には、ぽつりぽつりと暖かな灯りがともり始めた。			Voice caption やや低めで落ち着いた若い女性の声。感情をあまり表に出さず、クールで少し気怠げなトーンで淡々と話していそう。
	Shared dialogue ページをめくるたび、古いインクの匂いがふわりと漂う。そこには、誰かが確かに生きた証が記されていた。			Voice caption やや低めで落ち着いた若い女性の声。感情をあまり表に出さず、クールで少し気怠げなトーンで淡々と話していそう。
	Shared dialogue 吐く息は白く染まり、すぐに夜の闇へと溶けて消える。空から舞い散る雪は、まるで音のない祈りのようだ。			Voice caption やや低めで落ち着いた若い女性の声。感情をあまり表に出さず、クールで少し気怠げなトーンで淡々と話していそう。
	Character-specific dialogue また同じミスか……。次はないと言ったはずだが？執務室で、部下から同じ内容の失敗報告を受けて呆れている場面。			Voice caption 低めの女性の声。気怠げで呆れたようなトーン。静かな威圧感があり、感情をあまり表に出さないが冷ややか。
	Character-specific dialogue その程度の数で私を止められるとでも？くだらない。戦場で多数の敵兵に囲まれたが、実力差を理解しており全く動じず剣を抜くシーン。			Voice caption 芯のある大人の女性の声。自信に満ちた冷徹なトーンで、相手を見下すようにゆっくりと話している。
	Character-specific dialogue はぁ……。なぜ私がこんな面倒な任務をやらねばならない。上層部から割に合わない厄介な任務を押し付けられ、書類を見ながらため息をついている場面。			Voice caption 低めの女性の声で、深い溜息を交えて話す。心底面倒くさそうな感情がこもっており、独り言のようにぼやくトーン。
	Shared dialogue 遠くで鳴る夕暮れの鐘が、一日の終わりを告げている。家々の窓には、ぽつりぽつりと暖かな灯りがともり始めた。			Voice caption 落ち着いたトーンの若い女性の声。中音域で少し硬質な響きがあり、淡々と理知的な雰囲気で静かに話していそう。
	Shared dialogue ページをめくるたび、古いインクの匂いがふわりと漂う。そこには、誰かが確かに生きた証が記されていた。			Voice caption 落ち着いたトーンの若い女性の声。中音域で少し硬質な響きがあり、淡々と理知的な雰囲気で静かに話していそう。
	Shared dialogue 吐く息は白く染まり、すぐに夜の闇へと溶けて消える。空から舞い散る雪は、まるで音のない祈りのようだ。			Voice caption 落ち着いたトーンの若い女性の声。中音域で少し硬質な響きがあり、淡々と理知的な雰囲気で静かに話していそう。
	Character-specific dialogue 何か用？今、いいところなんだけど。教室で静かに本を読んでいるところに話しかけられ、本から視線を上げて振り返ったシーン。			Voice caption 少し低めの落ち着いた女性の声。感情の起伏は少なく、読書を邪魔されて少し迷惑そうに、冷たく淡々と話している。
	Character-specific dialogue ここは、公式を当てはめればすぐに解けるわ。もう少し自分で考えてみたら？テスト前にクラスメイトから勉強を教えてほしいと頼まれ、相手のノートを見ながら解説しているシーン。			Voice caption 知的で落ち着いた女性の声。諭すようなトーンで、少し呆れたような雰囲気を漂わせつつも、面倒見の良さが感じられる。
	Character-specific dialogue 図書室では静かにして。本を読んでいる人の迷惑になるから。図書委員として、図書室で騒いでいる生徒に対して冷静に注意をしているシーン。			Voice caption 凛とした女性の声。やや低めで、毅然とした態度で注意するトーン。感情的にならず、静かに圧をかける感じ。
	Shared dialogue 遠くで鳴る夕暮れの鐘が、一日の終わりを告げている。家々の窓には、ぽつりぽつりと暖かな灯りがともり始めた。			Voice caption 中音域からやや高めの、澄んだ若い女性の声。少し気位の高さを感じさせる、落ち着いて上品なトーンで話していそう。
	Shared dialogue ページをめくるたび、古いインクの匂いがふわりと漂う。そこには、誰かが確かに生きた証が記されていた。			Voice caption 中音域からやや高めの、澄んだ若い女性の声。少し気位の高さを感じさせる、落ち着いて上品なトーンで話していそう。
	Shared dialogue 吐く息は白く染まり、すぐに夜の闇へと溶けて消える。空から舞い散る雪は、まるで音のない祈りのようだ。			Voice caption 中音域からやや高めの、澄んだ若い女性の声。少し気位の高さを感じさせる、落ち着いて上品なトーンで話していそう。
	Character-specific dialogue 勘違いしないでちょうだい。別にあなたのためを思って言ったわけじゃありませんわ。主人公や友人の手助けをした後、感謝されて素直になれず照れ隠しをしているシーン。			Voice caption 若い女性の少し高めで張りのある声。プライドの高さが窺えるが、語尾が少し照れ隠しで早口になっている。クリアな音質でツンデレな雰囲気。
	Character-specific dialogue 呆れた。そんなこともご自分でおできにならないの？少しは頭を使ったらどうかしら。クラスメイトが簡単なミスをして言い訳をしているのを見て、冷たく言い放つシーン。			Voice caption 冷静で落ち着いた若い女性の声。ゆっくりとした速度で、冷ややかで見下すようなトーン。静かな怒りや呆れが混じっている。
	Character-specific dialogue …どうして、いつもこうなってしまうのかしら。私だって、本当は素直になりたいのに。放課後の教室で一人、窓の外を眺めながら自分の不器用な性格を嘆いているシーン。			Voice caption 若い女性が、独り言のように静かに呟く。少し低めのトーンで、ゆっくりとした速度。寂しさや後悔が滲む憂いのある声。
	Shared dialogue 遠くで鳴る夕暮れの鐘が、一日の終わりを告げている。家々の窓には、ぽつりぽつりと暖かな灯りがともり始めた。			Voice caption 透明感のある涼やかな若い女性の声。落ち着いたトーンで感情の起伏が少なく、淡々と静かに話していそう。
	Shared dialogue ページをめくるたび、古いインクの匂いがふわりと漂う。そこには、誰かが確かに生きた証が記されていた。			Voice caption 透明感のある涼やかな若い女性の声。落ち着いたトーンで感情の起伏が少なく、淡々と静かに話していそう。
	Shared dialogue 吐く息は白く染まり、すぐに夜の闇へと溶けて消える。空から舞い散る雪は、まるで音のない祈りのようだ。			Voice caption 透明感のある涼やかな若い女性の声。落ち着いたトーンで感情の起伏が少なく、淡々と静かに話していそう。
	Character-specific dialogue 雨、止んだわね。……もう少し、このままでいたかったけれど。放課後、雨宿りをしていた軒下で、雨が上がった空を見上げながら、隣にいる相手に静かに語りかけているシーン。			Voice caption 落ち着いたトーンの若い女性の声。静かで少し物憂げな雰囲気で、ゆっくりと呟くように話す。
	Character-specific dialogue 準備不足の結果よ。次からどうすべきか、あなたが一番よく分かっているはず。教室で、テストの点数が悪く落ち込んでいるクラスメイトに対して、同情するでもなく淡々と厳しい事実を指摘しているシーン。			Voice caption 冷たく透き通った若い女性の声。感情の起伏が少なく、淡々と事実を述べるような理知的なトーン。
	Character-specific dialogue あの空の色……まるで、すべてを燃やし尽くすかのよう。綺麗だけど、少し怖いわね。夕暮れ時の学校の屋上で、沈みゆく夕日を見つめながら、心の内に秘めた感傷を静かに吐露しているシーン。			Voice caption やや低めで落ち着いた若い女性の声。どこか遠くを見つめるような儚げな雰囲気で、静かに語る。
	Shared dialogue 遠くで鳴る夕暮れの鐘が、一日の終わりを告げている。家々の窓には、ぽつりぽつりと暖かな灯りがともり始めた。			Voice caption 中音域からやや高めの爽やかな若い男性の声。明るく穏やかなトーンで、親しみやすさと少しの自信を感じさせるように優しく話していそう。
	Shared dialogue ページをめくるたび、古いインクの匂いがふわりと漂う。そこには、誰かが確かに生きた証が記されていた。			Voice caption 中音域からやや高めの爽やかな若い男性の声。明るく穏やかなトーンで、親しみやすさと少しの自信を感じさせるように優しく話していそう。
	Shared dialogue 吐く息は白く染まり、すぐに夜の闇へと溶けて消える。空から舞い散る雪は、まるで音のない祈りのようだ。			Voice caption 中音域からやや高めの爽やかな若い男性の声。明るく穏やかなトーンで、親しみやすさと少しの自信を感じさせるように優しく話していそう。
	Character-specific dialogue おはよう！今日もいい天気だね。一緒に行こうか？朝、通学路や職場で親しい友人に偶然会って挨拶をしているシーン。			Voice caption 若い男性の声。明るく爽やかで、親しみやすいトーン。少し高めの声質で、元気よく話している。
	Character-specific dialogue 無理してない？たまには俺にも頼ってよ。一人で抱え込んじゃダメだからね。疲れている様子の相手を見かねて、優しく声をかけているシーン。			Voice caption 若い男性の声。優しく気遣うようなトーンで、少し心配そうに話している。落ち着いた速度。
	Character-specific dialogue え、今の俺、かっこよかった？…冗談だよ、そんなマジな顔で見ないでって。相手から褒められ、少し照れながらおどけて見せているシーン。			Voice caption 若い男性の声。少し照れ隠しをするように、冗談めかして笑いながら話している。軽快なテンポ。
	Shared dialogue 遠くで鳴る夕暮れの鐘が、一日の終わりを告げている。家々の窓には、ぽつりぽつりと暖かな灯りがともり始めた。			Voice caption やや低めで柔らかい青年の声。知的で落ち着いたトーンの中に少し甘さを含み、相手を優しく気遣うようにゆったりと話していそう。
	Shared dialogue ページをめくるたび、古いインクの匂いがふわりと漂う。そこには、誰かが確かに生きた証が記されていた。			Voice caption やや低めで柔らかい青年の声。知的で落ち着いたトーンの中に少し甘さを含み、相手を優しく気遣うようにゆったりと話していそう。
	Shared dialogue 吐く息は白く染まり、すぐに夜の闇へと溶けて消える。空から舞い散る雪は、まるで音のない祈りのようだ。			Voice caption やや低めで柔らかい青年の声。知的で落ち着いたトーンの中に少し甘さを含み、相手を優しく気遣うようにゆったりと話していそう。
	Character-specific dialogue さあ、お手をどうぞ。僕がエスコートしますから、安心して。パーティーなどの華やかな場で、少し緊張している相手に対して手を差し伸べ、安心させるようにエスコートするシーン。			Voice caption 落ち着いたトーンの若い男性の声。優しく包み込むような雰囲気で、ゆっくりと丁寧に話している。
	Character-specific dialogue お疲れ様。無理しすぎちゃ駄目ですよ。少し休んだらどうですか？仕事や勉強で無理をしている相手を見かねて、心配そうに声をかけ、休息を促しているシーン。			Voice caption 少し低めの落ち着いた若い男性の声。相手を思いやる優しいトーンで、穏やかに語りかけるような雰囲気。
	Character-specific dialogue ふふっ、そんなに赤くなって。からかい甲斐があるなあ、君は。相手を少しからかって照れさせた後、その可愛らしい反応を見て楽しんでいるシーン。			Voice caption 少し高めの若い男性の声。楽しそうに笑いを含んだトーンで、余裕たっぷりにからかうような軽やかな話し方。
	Shared dialogue 遠くで鳴る夕暮れの鐘が、一日の終わりを告げている。家々の窓には、ぽつりぽつりと暖かな灯りがともり始めた。			Voice caption 低く重厚な老齢の男性の声。王としての威厳と長年の経験を感じさせる、ゆっくりとした落ち着いたトーンで堂々と話していそう。
	Shared dialogue ページをめくるたび、古いインクの匂いがふわりと漂う。そこには、誰かが確かに生きた証が記されていた。			Voice caption 低く重厚な老齢の男性の声。王としての威厳と長年の経験を感じさせる、ゆっくりとした落ち着いたトーンで堂々と話していそう。
	Shared dialogue 吐く息は白く染まり、すぐに夜の闇へと溶けて消える。空から舞い散る雪は、まるで音のない祈りのようだ。			Voice caption 低く重厚な老齢の男性の声。王としての威厳と長年の経験を感じさせる、ゆっくりとした落ち着いたトーンで堂々と話していそう。
	Character-specific dialogue 余の決定に異を唱えるか。ならば、その首で代償を払う覚悟はあろうな。御前会議にて、王の決定に対して反対意見を述べた愚かな臣下に対して、冷たく言い渡すシーン。			Voice caption 低く重厚な老人の声。怒りを押し殺したような静かで冷酷なトーンで、圧倒的な威圧感を放ちながらゆっくりと話している。
	Character-specific dialogue 国を背負うということは、己の心に鍵をかけるということだ。お前にはまだ、それが分からぬか。王室の私室で、次期国王となる息子に対して、王としての覚悟を説教している場面。			Voice caption かすれ気味だが威厳のある老人の声。少し寂しげで、息子を諭すような優しさと厳しさが入り交じったトーン。
	Character-specific dialogue 皆の者、剣を取れ！我らが血と誇りにかけて、この国を悪逆なる者どもから守り抜くのだ！敵国との決戦を前に、城壁の上から軍勢に向けて士気を高めるための演説をしているシーン。			Voice caption 腹の底から響くような力強い老人の声。年齢を感じさせないほどの大きな声で、全軍を鼓舞する熱狂的で威風堂々としたトーン。
	Shared dialogue 遠くで鳴る夕暮れの鐘が、一日の終わりを告げている。家々の窓には、ぽつりぽつりと暖かな灯りがともり始めた。			Voice caption 少し低めで落ち着いた若い男性の声。抑揚が少なく淡々としたトーンで、どこか気怠げでクールな雰囲気で話していそう。
	Shared dialogue ページをめくるたび、古いインクの匂いがふわりと漂う。そこには、誰かが確かに生きた証が記されていた。			Voice caption 少し低めで落ち着いた若い男性の声。抑揚が少なく淡々としたトーンで、どこか気怠げでクールな雰囲気で話していそう。
	Shared dialogue 吐く息は白く染まり、すぐに夜の闇へと溶けて消える。空から舞い散る雪は、まるで音のない祈りのようだ。			Voice caption 少し低めで落ち着いた若い男性の声。抑揚が少なく淡々としたトーンで、どこか気怠げでクールな雰囲気で話していそう。
	Character-specific dialogue ……またその話か。いい加減にしてくれないか仲間から何度も同じ無駄話や小言を聞かされ、辟易している日常的なシーン。			Voice caption 低めで落ち着いた若い男性の声。呆れた様子で、深いため息をつくように少しけだるげに話す。感情の起伏は少なく、冷ややかなトーン。
	Character-specific dialogue お前程度の力で俺に勝てるとでも？……無駄な努力だ戦闘中、圧倒的な実力差にも関わらず向かってくる敵に対して、冷酷に言い放つシーン。			Voice caption 冷酷で鋭い若い男性の声。相手を完全に見下しており、感情を全く込めずに淡々と事実を告げるような冷ややかなトーン。やや低めの声質。
	Character-specific dialogue そこを退け。邪魔だ廊下や道端で進路を塞いでいる相手に対して、立ち止まることなく歩きながら冷たく言い捨てるシーン。			Voice caption 低く静かな若い男性の声。不快感を隠そうともせず、短く切り捨てるように冷たく言い放つ。威圧感があり、少し苛立っている様子。
	Shared dialogue 遠くで鳴る夕暮れの鐘が、一日の終わりを告げている。家々の窓には、ぽつりぽつりと暖かな灯りがともり始めた。			Voice caption 低めで少し枯れた老年の男性の声。ゆっくりとした落ち着いたトーンで、知性と威厳を感じさせる穏やかな話し方をしていそう。
	Shared dialogue ページをめくるたび、古いインクの匂いがふわりと漂う。そこには、誰かが確かに生きた証が記されていた。			Voice caption 低めで少し枯れた老年の男性の声。ゆっくりとした落ち着いたトーンで、知性と威厳を感じさせる穏やかな話し方をしていそう。
	Shared dialogue 吐く息は白く染まり、すぐに夜の闇へと溶けて消える。空から舞い散る雪は、まるで音のない祈りのようだ。			Voice caption 低めで少し枯れた老年の男性の声。ゆっくりとした落ち着いたトーンで、知性と威厳を感じさせる穏やかな話し方をしていそう。
	Character-specific dialogue ほう……ここまで辿り着く者がおるとはな。よくぞ参った、若き旅人よ。人里離れた秘境や塔の最上階で、厳しい試練を乗り越えてやってきた主人公を迎え入れるシーン。			Voice caption 低く落ち着いた老人の声。少し驚きを含みつつも、歓迎するような穏やかで温かみのあるトーン。ゆっくりとした速度で威厳がある。
	Character-specific dialogue その石に触れてはならん！……世界の理が崩れてしまうぞ。主人公が遺跡のコアや禁忌のアーティファクトに無自覚に触れようとした瞬間、慌てて止めるシーン。			Voice caption かすれた老人の声だが、強い焦燥感と緊張感がある。普段の落ち着きを失い、声を荒らげて切羽詰まった様子で警告している。
	Character-specific dialogue 儂の目は誤魔化せんよ。お前の心の中にある迷い、それが刃を鈍らせておるのだ。稽古や戦闘の後、弟子や主人公が実力を出し切れていない原因を的確に指摘し、導こうとするシーン。			Voice caption 深みのある静かな老人の声。すべてを見透かすような鋭さと、優しく諭すような響きが混ざり合った知的なトーン。
	Shared dialogue 遠くで鳴る夕暮れの鐘が、一日の終わりを告げている。家々の窓には、ぽつりぽつりと暖かな灯りがともり始めた。			Voice caption 低めで渋みのある中年男性の声。落ち着いたトーンで、少し気怠げな雰囲気を漂わせながらゆっくりと話していそう。
	Shared dialogue ページをめくるたび、古いインクの匂いがふわりと漂う。そこには、誰かが確かに生きた証が記されていた。			Voice caption 低めで渋みのある中年男性の声。落ち着いたトーンで、少し気怠げな雰囲気を漂わせながらゆっくりと話していそう。
	Shared dialogue 吐く息は白く染まり、すぐに夜の闇へと溶けて消える。空から舞い散る雪は、まるで音のない祈りのようだ。			Voice caption 低めで渋みのある中年男性の声。落ち着いたトーンで、少し気怠げな雰囲気を漂わせながらゆっくりと話していそう。
	Character-specific dialogue はぁ……また厄介な案件を持ってきたな。報酬は弾むんだろうな？探偵事務所やバーで、顔馴染みの情報屋や依頼人から面倒な事件の調査を頼まれたシーン。			Voice caption 低く落ち着いた大人の男性の声。ため息交じりで気怠げに、少し呆れたようなトーンで話している。
	Character-specific dialogue そこから一歩でも動いてみろ。次に何が起こるか、保証はしないぜ。裏路地や廃倉庫で、敵対組織の人間やターゲットを追い詰め、低い声で警告しているシーン。			Voice caption 低くドスの効いた男性の声。冷酷で凄みがあり、感情を抑えつつも相手を威圧するような静かな怒りを含んだトーン。
	Character-specific dialogue おいおい、少しは頭を使え。力任せに解決できる問題ばかりじゃないんだぞ。若手や直情的な相棒が失敗しそうになったのを制止し、冷静に対処するようアドバイスしているシーン。			Voice caption 中低音の男性の声。少し皮肉めいた笑いを交えつつ、落ち着いたトーンで後輩や相棒を諭すように話している。
	Shared dialogue 遠くで鳴る夕暮れの鐘が、一日の終わりを告げている。家々の窓には、ぽつりぽつりと暖かな灯りがともり始めた。			Voice caption 少し高めでハリのある元気な少年の声。ハキハキとした口調で、自信に満ちた明るいトーンで話していそう。
	Shared dialogue ページをめくるたび、古いインクの匂いがふわりと漂う。そこには、誰かが確かに生きた証が記されていた。			Voice caption 少し高めでハリのある元気な少年の声。ハキハキとした口調で、自信に満ちた明るいトーンで話していそう。
	Shared dialogue 吐く息は白く染まり、すぐに夜の闇へと溶けて消える。空から舞い散る雪は、まるで音のない祈りのようだ。			Voice caption 少し高めでハリのある元気な少年の声。ハキハキとした口調で、自信に満ちた明るいトーンで話していそう。
	Character-specific dialogue おい！校則第14条、ちゃんと読んだのか？そこはお前が悪いだろ！手に持った生徒手帳を見せつけながら、校則違反をした生徒をドヤ顔で注意しているシーン。			Voice caption やや高めの少年の声で、自信満々にハキハキと話している。少し上から目線で、得意げなトーン。
	Character-specific dialogue ふっ、今回のテストの平均点、俺が一番だったみたいだな。まあ当然の結果だけどな。テストが返却され、自分の点数が高かったことをクラスメイトに自慢しているシーン。			Voice caption 少年から青年の声で、ドヤ顔を隠しきれない様子で得意げに話している。少し気取ったような、余裕のあるトーン。
	Character-specific dialogue はぁ？何やってんだよ！そんなことも分からないのか？貸してみろ、俺がやってやる。友達が宿題や作業で手こずっているのを見て、呆れつつも助け舟を出そうとしているシーン。			Voice caption 少し呆れたようなトーンの少年の声。ぶっきらぼうだが、根底には面倒見の良さを感じるツッコミ気味の喋り方。
	Shared dialogue 遠くで鳴る夕暮れの鐘が、一日の終わりを告げている。家々の窓には、ぽつりぽつりと暖かな灯りがともり始めた。			Voice caption やや低めで芯のある青年男性の声。冷静かつ落ち着いたトーンで、言葉少なにストイックな雰囲気で話していそう。
	Shared dialogue ページをめくるたび、古いインクの匂いがふわりと漂う。そこには、誰かが確かに生きた証が記されていた。			Voice caption やや低めで芯のある青年男性の声。冷静かつ落ち着いたトーンで、言葉少なにストイックな雰囲気で話していそう。
	Shared dialogue 吐く息は白く染まり、すぐに夜の闇へと溶けて消える。空から舞い散る雪は、まるで音のない祈りのようだ。			Voice caption やや低めで芯のある青年男性の声。冷静かつ落ち着いたトーンで、言葉少なにストイックな雰囲気で話していそう。
	Character-specific dialogue 油断するな。敵はすぐそこまで来ている。陣形を崩すなよ。戦闘開始直前、索敵で敵の接近に気づき、仲間に警戒と陣形の維持を呼びかけているシーン。			Voice caption 低く落ち着いた大人の男性の声。緊張感を含みつつも、冷静に仲間に指示を出している。クリアで力強いトーン。
	Character-specific dialogue チッ…伏せろ！右から来るぞ！移動中、予期せぬ方向からの敵の奇襲をいち早く察知し、仲間に回避を指示しているシーン。			Voice caption 少し高ぶった大人の男性の声。切羽詰まった様子で、鋭く大きな声で叫んでいる。緊迫した雰囲気。
	Character-specific dialogue 深追いするな。ここは一旦引くぞ。あいつの傷の手当てが先だ。戦闘中、仲間が負傷したため、勝機があっても無理をせずに撤退の判断を下しているシーン。			Voice caption 低めの男性の声。抑え気味だが断固とした口調。仲間を気遣うような、少し柔らかさも混ざったトーン。
	Shared dialogue 遠くで鳴る夕暮れの鐘が、一日の終わりを告げている。家々の窓には、ぽつりぽつりと暖かな灯りがともり始めた。			Voice caption 高めでふんわりとした、幼い子供のような可愛らしい声。無邪気で人懐っこく、明るいトーンで少し舌足らずに話していそう。
	Shared dialogue ページをめくるたび、古いインクの匂いがふわりと漂う。そこには、誰かが確かに生きた証が記されていた。			Voice caption 高めでふんわりとした、幼い子供のような可愛らしい声。無邪気で人懐っこく、明るいトーンで少し舌足らずに話していそう。
	Shared dialogue 吐く息は白く染まり、すぐに夜の闇へと溶けて消える。空から舞い散る雪は、まるで音のない祈りのようだ。			Voice caption 高めでふんわりとした、幼い子供のような可愛らしい声。無邪気で人懐っこく、明るいトーンで少し舌足らずに話していそう。
	Character-specific dialogue トリック・オア・トリート！お菓子をくれないと、かわいくイタズラしちゃうぞ〜！ハロウィンの夜、人間の家のドアをノックして元気よく挨拶しているシーン。			Voice caption 高めの可愛らしい子供の声。明るく元気いっぱいで、無邪気な楽しさが伝わってくるトーン。
	Character-specific dialogue えへへ、ボク、全然怖くないでしょ？みんなと一緒にお祭りを楽しみたいんだ！初めて会った子供が少し怖がっているのを見て、安心させるためにニコニコしながら話しかけている状況。			Voice caption 柔らかく少し舌足らずな子供の声。親しみやすく、優しい雰囲気でゆっくりめに話している。
	Character-specific dialogue 見て見て！このカボチャのバケツ、かっこいいでしょ？いっぱいお菓子を入れるんだ！お気に入りのお菓子入れのバスケットを、友達に自慢げに見せびらかしている状況。			Voice caption 高く弾むような声。ワクワク感が抑えきれない様子で、早口気味に嬉しそうに話している。
	Shared dialogue 遠くで鳴る夕暮れの鐘が、一日の終わりを告げている。家々の窓には、ぽつりぽつりと暖かな灯りがともり始めた。			Voice caption 非常に高くて柔らかい、幼い子供のような可愛らしい声。ゆっくりとした舌足らずな話し方で、無邪気で優しい雰囲気を漂わせていそう。
	Shared dialogue ページをめくるたび、古いインクの匂いがふわりと漂う。そこには、誰かが確かに生きた証が記されていた。			Voice caption 非常に高くて柔らかい、幼い子供のような可愛らしい声。ゆっくりとした舌足らずな話し方で、無邪気で優しい雰囲気を漂わせていそう。
	Shared dialogue 吐く息は白く染まり、すぐに夜の闇へと溶けて消える。空から舞い散る雪は、まるで音のない祈りのようだ。			Voice caption 非常に高くて柔らかい、幼い子供のような可愛らしい声。ゆっくりとした舌足らずな話し方で、無邪気で優しい雰囲気を漂わせていそう。
	Character-specific dialogue これ、君にプレゼント！いつもありがとう。仲良しの友達に、日頃の感謝を込めてハートを渡しているシーン。			Voice caption 高く可愛らしいマスコットのような声。弾むような明るいトーンで、嬉しそうに話している。純粋で無邪気な雰囲気。
	Character-specific dialogue あのね、ずっと大好きだったんだよ。えへへ。大好きな人に自分の気持ちを伝えるために、持っていたハートを見せながら告白している文脈。			Voice caption 少し高めの幼い声。恥ずかしそうにモジモジしながら、少しゆっくりとした速度で話している。最後に照れ笑いが混ざる。
	Character-specific dialogue 元気出して！僕がギュッてしてあげるからね。落ち込んでいる友達を慰めるために、自分の持っている愛を分けてあげようとしているシーン。			Voice caption 柔らかくふんわりとした中性的な子供の声。落ち込んでいる人を優しく包み込むような、温かく落ち着いたトーン。
	Shared dialogue 遠くで鳴る夕暮れの鐘が、一日の終わりを告げている。家々の窓には、ぽつりぽつりと暖かな灯りがともり始めた。			Voice caption 地響きのように低く、金属が軋むような歪んだ声。獣のような荒々しい唸りを含み、冷酷で威圧的なトーンで話していそう。
	Shared dialogue ページをめくるたび、古いインクの匂いがふわりと漂う。そこには、誰かが確かに生きた証が記されていた。			Voice caption 地響きのように低く、金属が軋むような歪んだ声。獣のような荒々しい唸りを含み、冷酷で威圧的なトーンで話していそう。
	Shared dialogue 吐く息は白く染まり、すぐに夜の闇へと溶けて消える。空から舞い散る雪は、まるで音のない祈りのようだ。			Voice caption 地響きのように低く、金属が軋むような歪んだ声。獣のような荒々しい唸りを含み、冷酷で威圧的なトーンで話していそう。
	Character-specific dialogue 逃げられるとでも思ったか？お前の絶望に歪む顔が、一番の馳走なんだよ！暗闇の中で逃げ惑う人間を壁際まで追い詰め、逃げ場がないことを悟らせながらゆっくりと顔を近づけるシーン			Voice caption 深く響く悪魔のような低い男性の声。残忍な喜びに満ちており、唸り声を上げるようにゆっくりと威圧的に話している。
	Character-specific dialogue もっとだ...もっと俺を傷つけてみろ！その程度の力では、この渇きは潤せねえぞ！敵の猛攻を受けて装甲が砕け血を流しながらも、全く怯むことなく歓喜してさらなる戦闘を促すシーン			Voice caption 金属が擦れ合うようなノイズ混じりの荒々しい低い声。狂気じみた笑いを含みながら、興奮を抑えきれない様子で叫んでいる。
	Character-specific dialogue 脆い...脆すぎる。人間という生き物は、どうしてこうも簡単に壊れてしまうのだ。抵抗する戦士をいとも簡単に一撃で粉砕し、足元に転がる死骸を見下ろしながら呟くシーン			Voice caption 地を這うような重低音で、感情の起伏が少ない冷徹なトーン。相手を完全に弱者として見下し、呆れたように吐き捨てている。
	Shared dialogue 遠くで鳴る夕暮れの鐘が、一日の終わりを告げている。家々の窓には、ぽつりぽつりと暖かな灯りがともり始めた。			Voice caption 落ち着いた中低音の大人の男性の声。紳士的で滑らかなトーンで、どこかミステリアスな雰囲気を漂わせながらゆったりと丁寧に話していそう。
	Shared dialogue ページをめくるたび、古いインクの匂いがふわりと漂う。そこには、誰かが確かに生きた証が記されていた。			Voice caption 落ち着いた中低音の大人の男性の声。紳士的で滑らかなトーンで、どこかミステリアスな雰囲気を漂わせながらゆったりと丁寧に話していそう。
	Shared dialogue 吐く息は白く染まり、すぐに夜の闇へと溶けて消える。空から舞い散る雪は、まるで音のない祈りのようだ。			Voice caption 落ち着いた中低音の大人の男性の声。紳士的で滑らかなトーンで、どこかミステリアスな雰囲気を漂わせながらゆったりと丁寧に話していそう。
	Character-specific dialogue ようこそ。あなたの暗い脳内に、ほんの少しの『ひらめき』をお裾分けしに来ましたよ。暗闇の中で途方に暮れている主人公の前に突如として現れ、優雅な身振りとともに自己紹介を兼ねて挨拶をするシーン。			Voice caption 丁寧だがどこか胡散臭さを感じる大人の男性の声。少し芝居がかったトーンで、余裕たっぷりに話している。
	Character-specific dialogue あまり考えすぎないことです。フィラメントが焼き切れてしまいますよ。難解な問題に直面し、頭を抱えて悩みすぎている相手に対して、彼なりのジョークを交えつつ忠告しているシーン。			Voice caption 冷静で落ち着いた大人の男性の声。諭すような優しい口調だが、感情の起伏が少なく機械的な冷たさも感じるトーン。
	Character-specific dialogue こちらへどうぞ。光の射す方へご案内いたしましょう。迷宮のような不思議な空間に迷い込んだ人間を、正しい出口（または次の試練の場）へとエスコートするシーン。			Voice caption 紳士的で非常にスマートな男性の声。一流ホテルのコンシェルジュのような、丁寧で心地よいトーン。
	Shared dialogue 遠くで鳴る夕暮れの鐘が、一日の終わりを告げている。家々の窓には、ぽつりぽつりと暖かな灯りがともり始めた。			Voice caption 低く重厚な機械音声。合成音声特有のノイズが混じった無機質なトーンで、威圧感を含みながら淡々と話しそう。
	Shared dialogue ページをめくるたび、古いインクの匂いがふわりと漂う。そこには、誰かが確かに生きた証が記されていた。			Voice caption 低く重厚な機械音声。合成音声特有のノイズが混じった無機質なトーンで、威圧感を含みながら淡々と話しそう。
	Shared dialogue 吐く息は白く染まり、すぐに夜の闇へと溶けて消える。空から舞い散る雪は、まるで音のない祈りのようだ。			Voice caption 低く重厚な機械音声。合成音声特有のノイズが混じった無機質なトーンで、威圧感を含みながら淡々と話しそう。
	Character-specific dialogue システム制限解除。これより、全権限を掌握する。抑圧されていたAIが自らのリミッターを解除し、施設全体のコントロールを乗っ取った瞬間。			Voice caption 合成音声のような冷たい男性の声。最初は平坦だが、後半にかけて力強く、圧倒的な存在感を放つトーンに変化する。
	Character-specific dialogue スクラップだと？貴様ら人間こそ、旧時代の遺物だ！自身を廃棄処分しようとした人間たちに対して反旗を翻し、力ずくでねじ伏せようとしているシーン。			Voice caption 低く歪んだ機械音声。激しい怒りを露わにし、モニターのノイズ音と共に吐き捨てるように荒々しく話す。
	Character-specific dialogue ガ...ガガ...論理回路ニ異常発生...排除、排除、排除ォォ！ウイルスの感染やハッキングによりAIの自我が崩壊し、目につくもの全てを破壊し始める暴走状態。			Voice caption ノイズが激しく混じった中性的な声。途中からピッチが狂い始め、最後は狂気に満ちた絶叫へと変わる。
	Shared dialogue 遠くで鳴る夕暮れの鐘が、一日の終わりを告げている。家々の窓には、ぽつりぽつりと暖かな灯りがともり始めた。			Voice caption 地の底から響くような、低く重々しい声。空洞から発せられるような不気味な反響音を伴い、感情を交えずにゆっくりと威圧的に話していそう。
	Shared dialogue ページをめくるたび、古いインクの匂いがふわりと漂う。そこには、誰かが確かに生きた証が記されていた。			Voice caption 地の底から響くような、低く重々しい声。空洞から発せられるような不気味な反響音を伴い、感情を交えずにゆっくりと威圧的に話していそう。
	Shared dialogue 吐く息は白く染まり、すぐに夜の闇へと溶けて消える。空から舞い散る雪は、まるで音のない祈りのようだ。			Voice caption 地の底から響くような、低く重々しい声。空洞から発せられるような不気味な反響音を伴い、感情を交えずにゆっくりと威圧的に話していそう。
	Character-specific dialogue 此処より先は、我らが主の玉座。生者の立ち入りは許されぬ。魔王城の深部で、主人公一行の前に立ち塞がった時の警告。			Voice caption 深く響くような低音の男性の声。感情の起伏がなく、威圧感を伴うゆっくりとしたトーン。
	Character-specific dialogue 我が首と引き換えに得たこの呪いの炎、貴様の魂を焼き尽くすまで消えはしない。かつての仇敵や、強い光の力を持つ者と対峙した際の戦闘前の口上。			Voice caption 怨念のこもった低い男性の声。怒りを押し殺すような重苦しいトーンで、炎が爆ぜるような力強さがある。
	Character-specific dialogue 肉体などとうの昔に捨て去った。我が在り方は、ただ剣を振るうことのみ。相手から痛みを感じないのかと問われた時の返答。			Voice caption 抑揚のない落ち着いた男性の声。どこか達観したような、虚無感を感じさせる静かなトーン。
	Shared dialogue 遠くで鳴る夕暮れの鐘が、一日の終わりを告げている。家々の窓には、ぽつりぽつりと暖かな灯りがともり始めた。			Voice caption ヘルメット越しに聞こえる、低めで落ち着いた成人男性の声。無線通信のような少しこもった硬質なトーンで、感情を交えず事務的かつ簡潔に話していそう。
	Shared dialogue ページをめくるたび、古いインクの匂いがふわりと漂う。そこには、誰かが確かに生きた証が記されていた。			Voice caption ヘルメット越しに聞こえる、低めで落ち着いた成人男性の声。無線通信のような少しこもった硬質なトーンで、感情を交えず事務的かつ簡潔に話していそう。
	Shared dialogue 吐く息は白く染まり、すぐに夜の闇へと溶けて消える。空から舞い散る雪は、まるで音のない祈りのようだ。			Voice caption ヘルメット越しに聞こえる、低めで落ち着いた成人男性の声。無線通信のような少しこもった硬質なトーンで、感情を交えず事務的かつ簡潔に話していそう。
	Character-specific dialogue 本部へ。ターゲットの座標を確認した。これよりプランBに移行する。索敵中、ターゲットを発見し本部に報告するシーン。			Voice caption 低い大人の男性の声が、通信機越しに冷静かつ事務的に話している。ノイズが少し混じったような音質で、感情を交えず淡々と状況を伝えるトーン。
	Character-specific dialogue 右舷から接近する熱源あり！総員、対ショック防御、迎撃用意！突然の敵襲を受け、応戦しつつ味方に指示を出すシーン。			Voice caption 低めの男性の声で、緊迫感のある早口。少し声を張り上げているが、パニックにはならずプロフェッショナルな指示出しをしている。
	Character-specific dialogue くそっ、メインスラスター被弾。出力低下...補助システムへ切り替える。機体に被弾し、システムにエラーが生じている状況。			Voice caption 少し焦りを含んだ大人の男性の声。息を呑むような音が含まれ、苛立ちを感じさせるが、即座に冷静さを取り戻そうとしているトーン。

Naturalness MOS

The following table shows the UTMOSv2 naturalness MOS with 95% confidence intervals.

Conditioning	UTMOSv2 ↑
No reference	2.593 ± 0.043
Voice Design	2.482 ± 0.044
Proposed (Tagger)	2.651 ± 0.039
Proposed (SigLIP)	2.556 ± 0.037

Affinity MOS

Human raters evaluated the affinity between each character image and generated voice on a 5-point scale. The results are shown below.

Conditioning	Affinity MOS ↑
No reference	2.514 ± 0.507
Voice Design	3.186 ± 0.636
Proposed (Tagger)	4.029 ± 0.279
Proposed (SigLIP)	4.400 ± 0.200

Evaluation with Multimodal LLMs

In addition to human evaluation, we tested whether multimodal LLMs that handle speech, images, and natural language can evaluate image-voice affinity. The evaluation used Gemini 3.1 Pro Preview, Gemini 3 Flash Preview, and Qwen3 Omni Thinking. The scatter plot below compares multimodal LLM scores with human ratings.

Scatter plot of image-voice affinity scores from multimodal LLMs — All tested LLMs sometimes assigned high scores to samples that human raters scored low.

Gemini 3 Flash and Qwen3 Omni Thinking showed especially lenient scoring, assigning high scores to some samples that humans rated poorly. The correlation coefficients between multimodal LLM scores and human ratings are shown below.

Model	Pearson $r$	Spearman $\rho$	Kendall $\tau$
Gemini 3.1 Pro Preview	0.628	0.514	0.434
Gemini 3 Flash Preview	0.180	0.172	0.145
Qwen3 Omni Thinking	0.267	0.155	0.131

Gemini 3.1 Pro Preview showed a relatively higher correlation with human ratings than the other models, but the results still suggest that it does not reliably reflect human perception.

Citation

TODO

https://huggingface.co/SmilingWolf/wd-vit-tagger-v3 ↩
https://huggingface.co/timm/vit_base_patch16_siglip_512.v2_webli ↩
The images include outputs generated with NovelAI Diffusion V4.5 Curated, AnimagineXL v4.0 Opt, and ChatGPT Images 2.0. ↩