スマホ4.9秒の録音でどこまで声が復元できる？無料音声クローンをガチ検証
スマホの録音ボタンを押して、4.9秒だけ「今日はいい天気だね」と呟いた夜、僕はある無料の音声クローンサイトにそのファイルを放り込んだ。窓の外を行く車の音、マイクはスマホ内蔵、防風スクリーンなんてない。そんな雑な素材で、果たして「自分の声 クローン」がどこまで通用するのか。
実験スタート：手元にあるのは5秒の録音だけ
正直、賭けだった。ネットで調べれば「最低でも数分のクリーンな音声が必要」と書かれているし、5秒なんて冗談だろと思いつつ、無料音声クローンのページを開く。永久無料、登録不要、プラグインいらず。怪しい文言のオンパレードだけど、お金はかからないし、失敗しても「聞き流し」で済む。
アップロード前にもう一度再生してみる。息遣いが荒く、低音のハムノイズ、語尾に唾音まで入っている。昔ならこんな素材、試す気にもならなかった。でも、無料でどこまで行けるか知りたくて、ポチッと送信。
アップロード後、待つこと数十秒
プログレスバーが走り出すと、僕はキッチンで水を汲みに行った。戻るともう完了。会員登録のポップアップも、課金誘導の広告も一切出ない。無料TTSのサイトでよくある「まずアンケート、次にLINE登録、最後に30秒CM」みたいな手順が一切ない。この「登録不要 音声合成」のスムーズさ、ちょっと感動した。
結果画面に試聴ボタンが現れる。イヤホンを装着し、深呼吸して再生。
クローンされた声、実際どう？
第一声：「あれ？」
第二声：「まあ、確かに僕だ」
5秒で作られたモデル、音色の再現度は六〜七割くらい。語尾の上げ調子、ちょっと早口な癖までそれっぽく出ている。でも、感情を乗せると途端に平坦になる。悲しいセリフを読ませたら、まるで「宿直のおばちゃんが巡回してる」みたいなトーンで、思わず吹き出した。自分のハンドルネームを読ませたら、一度も学習していないはずの発音が妙に自然で、そこだけは不気味なくらいハマった。
長文（約300字）を流し込むと、違和感が「使えるレベル」に変わる。動画のナレーション、スライドの音声付けなら十分。ただし、怒鳴り声や泣き声のような極端な感情表現は無理。あくまで「音色は合ってるけど、抑揚はフラット」な朗読マシンだ。
念のため、もう一回静かな部屋で5秒録り直してみた。背景ノイズゼロ、発音も丁寧に。すると明らかに安定し、普段「の」を軽く発音するクセまで再現されていた。結論：5秒でも「ちゃんとした5秒」なら実用圏内。
動画に貼り付けてみたら、違和感は消えた？
夜のキッチンでパスタを茹でながら、スマホで15秒のクッキング動画を撮った。ナレーションを自分の声で入れたくて、さっき作ったクローン音声を使ってみた。動画編集アプリを開き、クリップをタイムラインに並べる。生成したMP3を読み込ませて、茹で上がりのタイミングに合わせて配置。書き出しを待ってインスタに上げた。
見返してみると、元の自分の声とクローン声の差は「気づく人には気づく」程度。クローンは息継ぎがないので、ずっと喋り続けているように聞こえる。無料TTSのプリセットボイスよりは人間味があるが、プロのナレーションとは程遠い。一番の失敗は、音声の長さと動画のカット割りを合わせ忘れたこと。クローン声は抑揚がフラットなので、カットのタイミングとズレると「後から吹き替えられた安っぽい動画」に見える。短いクリップなら何とかなるが、長文ナレーションには向かない。
そのまま無料TTSも試してみた
クローンモデルができたついでに、トップページのオンライン文字読み上げも触ってみる。プリセットの女性ボイスがいくつかあって、アナウンサー調のやつは自分のクローンより「まとも」に聞こえるくらい。短い台詞なら、クローンしなくてもこの無料TTSだけで事足りる。
長文（800字ほど）を一発合成しても、区切りが変になることはなかった。「2024年Q3、ROIが15%向上」みたいな英数字混在文も、イントネーション込みで正しく読み上げてくれた。有料エンジンのような微細な韻律調整は期待できないが、TikTokやReels、YouTube Shortsの「動画 ナレーション AI」としては無限に使える。
30秒録音と5秒録音、どこまで差が出る？
「5秒じゃ短すぎるんじゃないか」と思い立ち、同じ台詞を5秒版と30秒版で録り比べることにした。部屋の電気を消し、窓を閉めて、スマホを口元から15センチほどに固定。まずは「こんにちは、私は佐藤です。今日はよろしくお願いします」を5秒でサクッと録音。次に同じ内容を、ゆっくりと、感情を込めて30秒かけて読み上げた。両方を無料音声クローンにアップロードし、生成されたサンプルをイヤホンで聴き比べた。
結果は明確だった。5秒版は短文なら「まあまあ自分」だが、300字を超える長文を読ませると途中で声質が揺らぎ始める。対して30秒版は、語尾の落ち方や助詞の抑揚まで安定していて、長文ナレーションでも違和感が少ない。でも、長ければいいわけじゃない。30秒版の方は、録音途中にエアコンの切り替わる音が入ってしまい、生成された音声に微かな「ブーン」というハムノイズが混じった。5秒のクリーン録音の方が、結局は聞き心地が良かった。録音時間より「ノイズの少なさ」が優先される。
ブラウザだけで完結するからこその「保存」ルール
生成した音声を聴いて「これだ！」と思い、編集作業に取りかかった。でもタブを閉じてから再びサイトを開くと、さっきの音声ファイルが消えていた。登録不要だからこそ、サーバーに履歴が残らないのだ。対策は単純。音声が生成されたらすぐにダウンロードボタンを押し、MP3ファイルを自分のスマホやPCに保存する。併せて、入力したテキストもメモ帳にコピーしておく。ファイル名には日付と用途を入れておくと、後で探すのが楽だ。
「あとでまとめてダウンロードすればいい」と思っていると、ブラウザのキャッシュがクリアされた瞬間にすべて水の泡。僕はこれで一度、30分かけて作ったクローンモデルを失った。ダウンロードしたファイルは、無料TTSで生成したプリセット音声と同じ扱いで、自分の管理下に置くのが鉄則だ。注意点として、ダウンロードボタンが見つからないケースもある。スマホのブラウザによっては「音声ファイルを開く」だけで保存されないことがあるので、長押しして「ダウンロード」を選ぶか、PCで処理する方が確実だ。
よくある疑問
5秒音声で本当に大丈夫？
無理なケースもある。犬の鳴き声、電流ノイズ、呂律が回ってない発音だと、機械的なアーティファクトが目立つ。5秒はあくまで下限。静かな環境で、はっきり発音すれば精度はグッと上がる。僕の初回録音（車の音入り）は若干ロボットっぽくなったが、二回目のクリーン録音で劇的に改善した。
登録は必要？
一切不要。音声アップロードから試聴・ダウンロードまで、メアドも電話番号も聞かれない。ブラウザキャッシュが飛ぶリスクだけあるので、生成された音声とテキストは自分で保存しておくのが無難。個人情報保護法（APPI）的にも、データをサーバに残さない仕様なら安心材料になる。
最後にひとこと
一連の試行を終えて、「永久無料 音声クローン」という言葉への印象が変わった。以前は「無料＝おもちゃ」と思っていたが、今は「試着室」に近い。お金を払う前に、AIが自分の声をどこまで真似できるか、無料で確認できる。小さなツール開発で「無料 言語合成 API」を叩きたいときも、ここならハードルが低い。
ハリウッド級のリアルさを謳わない分、期待値と現実のギャップが少ない。まずはもっと詳しいチュートリアルで細かい設定を確認してみてほしい。
僕の4.9秒の録音、今もイヤホンから流れている。おかしくもあり、ちょっと怖くもある。