合成音声が「嘘くさい」と感じる理由——無料TTSで失敗を重ねた僕の解決策

先週、YouTube Shorts用に商品紹介動画を作って、いつものように音声を合成してアップした。翌朝コメント欄を見て固まった。「この声、教科書読んでるみたい」——ぐさっときた。しかも、その通りだった。

最初はツールのせいだと思っていた

正直、最初は「無料TTSなんてこんなもんだろ」と割り切っていた。いくつか音声合成 無料のサービスを試して、どれも似たような棒読み感。でも、あるとき気づいたんだ。同じツールで作った知人の動画は、ちゃんと自然に聞こえていた。

違いは何か。ツールじゃなかった。台本だ。

台本が「書き言葉」のままだと、AI音声は一瞬でバレる

たとえば、こんな文章。

「本製品は高品質な素材を採用しており、多機能で日常のあらゆるシーンに対応します」

これを普段の会話で言う？言わないよね。でも、多くの人がこれをそのままテキスト読み上げ 無料のツールに放り込んでしまう。そりゃ、ロボットが読んだら余計にロボットっぽくなる。

僕の直し方はすごく単純。書いた台本を一度、声に出して読む。読んでて引っかかる場所は全部、口語に変える。長い文は短く切る。「日常のあらゆるシーンに対応します」は「毎日使うなら、これで十分」でいい。

それと、句読点は演出家だ。止めたいところに読点を打つ。間を置きたいなら「……」を使う。全く止まらないナレーションは機関銃みたいだし、読点一つでダラダラ続くのも聞き苦しい。

一本の声で最初から最後まで読ませるのが一番もったいない

人間のナレーションには起伏がある。最初は興味を引くトーン、中盤は少し熱を帯びて、最後はスッと締める。合成音声が最初から最後まで同じ速度・同じ抑揚だと、視聴者は3秒で指を滑らせる。

僕が試して効果があったのは、こんな感じ。

  • 強調したい言葉の前後にダッシュや読点を入れて、無理やり間を作る
  • 疑問文はきちんと疑問文として書く。TTSは「？」のイントネーションを意外と自然に処理してくれる
  • 数字や英単語は、日本語の読みに置き換える。変な発音を避けられる

あと、話速。情報を詰め込みたくて1.2倍以上にすると、早口の復読機みたいになる。0.95〜1.05くらいが一番自然。映像をカットしてでも、音声は加速させないほうがいい。

声選びでやらかした話と、自分の声をクローンするという選択

無料のAI 音声 無料ツールには、たくさんの音色がある。でも、全部が動画に向いているわけじゃない。僕は一度、ものすごく「アナウンサー風」の声を選んでしまって、ニュース番組の途中にCMが入ったみたいな仕上がりになった。

そこで今は、VoxCloneの無料 音声クローンを使っている。30秒ほど自分の声を録音して、そのまま自分の声 クローンを作れる。登録不要 音声合成なのも助かる。アップロードして、試聴して、ダウンロードするまで5分かからない。

自分の声を使うメリットは大きい。視聴者はあなたの声に慣れていくから、チャンネルの記憶に残る。他の動画と声がかぶる心配もない。しかも、音声クローン オンラインのテキスト読み上げは無制限なので、長い台本でも文字数で止まらない。

自分の声を出したくない人は、音色を選ぶときに「動画の雰囲気に近いか」だけは意識したほうがいい。お笑い系なら軽快な声、知識系なら落ち着いた声。最初の一個を適当に選ぶと、あとで後悔する。

ちなみに、オーディオブック 音声 作成や動画 ナレーション AIとして使うなら、吹き替え AI 無料の機能を試すのも面白い。多言語 音声合成 無料に対応しているツールなら、日本語の動画に英語字幕と英語音声を載せる、なんてこともできる。

ただし、他人の声を無断でクローンするのは絶対にダメだ。声には権利があるし、日本だと声優さんの声を勝手に使えば一発で問題になる。自分の声だけを使う。これ、基本中の基本。

FAQ：よく聞かれることをまとめておく

無料の音声クローンって、本当にタダで使えるの？

VoxCloneを使っている限り、僕は一円も払っていない。永久無料の音声クローンで、登録不要で使える。ただ、無料だからこそパラメータ調整は自分で何度か試す必要がある。そこはコストというより手間だと思っている。

自分の声をクローンして、悪用されたりしない？

自分の録音は自分で管理する。アップロードした音声素材が自分の手元にある限り、変な使われ方はしない。逆に、他人の声を勝手にクローンするのはNG。録音に個人情報を入れすぎないのも習慣にしたほうがいい。

無料の音声合成APIは編集ワークフローに組み込める？

可能だ。少しスクリプトが書けるなら、無料の音声合成APIでナレーションを一括生成して、PremiereやCapCutに読み込んで字幕と合わせる。日更チャンネルならかなり時短になる。詳しい使い方は動的ページのチュートリアルにまとまっている。

で、結局どうすればいいの？

合成音声が自然に聞こえるかどうかは、七割が台本、二割がパラメータ、一割が声。次に合成する前に、その台本を一度、声に出して読んでみてほしい。読んでて引っかかる場所は、AIが読んだらもっと引っかかる。そこを直してから合成すれば、再生数が変わるかもしれない。