AI読み上げが「棒読み」になる理由、三週間かけて自分で直した話
ある日、友人のポッドキャストを聞いて「これ、俺の声じゃね？」
深夜、イヤホンで再生された自分の声が、まるで別人のように平坦に流れてきた。同じ原稿を無料 音声クローンで生成したはずなのに、なぜか「棒読み」のまま。モデルを変えても、課金プランにしても、聞こえるのは同じ単調なリズムだけ。
そこで気づいた。音色じゃない。「区切り」「アクセント」「速度」の三つが揃って初めて、人の声っぽくなるんだ。
区切り：AIは句読点を信じすぎる
日本語のAIは「、」で半拍、「。」で一拍、と決め打ちする。でも人間は「意味のまとまり（意群）」で息を吸う。四十字の長文でも、中間に二つの意群があればそこで一度止まる。機械は句読点しか見ないから、変なところで息継ぎして「なんか変」ってなる。
私の対処は三ステップ。
- 原稿を声に出して読み、25字以上でカンマがない文を強制的に二〜三文に分割。
- 並列語句の間に「、」を入れず、一気に読ませたい箇所は「・」やスペースでつなぐ。
- 「の」「が」「に」など意味を持たない助詞を可能な限り削る。これだけで「息継ぎの位置」が人間っぽくなり、全体のテンポがグッと締まる。
実際、商品紹介の台本で試したところ、元の89秒が74秒に短縮。情報密度は上がったのに、視聴完了率が約20%アップした。視聴者は「どこが変わったか」言語化できないけど、体は正直に反応する。
アクセント：一文に「主役」は一つだけ
人間は一文の中で「ここだけ強く」と決めた語だけを持ち上げ、他は全部リラックスさせる。AIは名詞・動詞・形容詞を平等に強調しがちで、結果「全部強い＝何も強くない」になる。
私の原始的だが効く手法は、
- 各文で「一番伝えたい語」を一つだけ決める。
- その語の直前にゼロ幅スペース（U+200B）を忍ばせる。多くのモデルがこれを微弱なポーズとみなし、自然にアクセントが浮く。
- どうしても無理なら、その文だけ別生成して後で波形差し替え。
「三倍高い」「二倍速い」「しかし」「本当は」といった数字・対比・結論語をアンカーにすると、聞き手の意思決定ポイントがしっかり刺さる。同じ商品説明でも、後で「三つのポイント覚えてた」と言われるようになった。
速度：一定速こそ眠りの元凶
スライダーを右に振って「速く」するのは初心者の常套手段。でも一定の早口は一定の遅口と同じく催眠効果しかない。人間の話し方は波打つ：重要語で減速、つなぎで加速、BGMが盛り上がる場面では連射。
今の私の定石フロー。
- 基準260字/分で全文生成（日本語口述の安全圏）。
- 核心メリット・転換・CTAの3〜5箇所をマーク。
- そこだけ基準の80%（≈210字/分）で再生成し、編集ソフトで50msクロスフェードで繋ぐ。
冒頭3秒だけ敢えて基準より遅め（≈200字/分）にすると、ショート動画の離脱率が劇的に下がる。情報量を少し削ってでも「最初の一言をきれいに着地させる」方が、後の視聴者母数を守れる。
「感情」：AIに「感情」を注入しようとしてやらかした失敗
新商品の発表動画を作ったときのことだ。「ワクワク感」を出したくて、読み上げ設定をハイテンションに寄せてみて、文末に感嘆符を山盛りにした。出来上がった音声を聞いてゾッとした。まるで遊園地の案内係がパニックを起こしているかのような、甲高くて落ち着きのない読み上げ。友人に聞かせたら「これ、ホラーゲームの狂ったアナウンスじゃない？」と言われた。
そこで気づいた。AIに「感情」を丸投げすると、かえって不気味になる。人間の感情は、ピッチの微妙な揺れと、語尾の伸び、そして「間」で表現されるものだ。
私の修正法は地味だ。
- 感情タグは使わない。代わりに、伝えたい語の直前だけピッチを少し上げ、語尾を0.2秒ほど伸ばす。
- 「本当に」「実は」「ただし」といった接続語の前に、200〜300msの無音を挟む。それだけで「ここから大事な話だよ」というニュアンスが出る。
- 感嘆符は一文に一つまで。複数並べるとAIが慌てて読み上げ、かえって棒読みに近い印象を与える。
同じ台本で比較してみた。感情設定「興奮」版は視聴完了率が40%台に落ちたのに、手動でピッチと語尾を調整した版は65%まで回復した。感情は「設定」ではなく「演出」で乗せるものだと、痛い目を見て学んだ。
「無音」：0.3秒の沈黙が「棒読み」を治す
オーディオブックのサンプルを作ったとき、なぜか「機械っぽさ」が拭えなかった。原稿も区切りもアクセントも整えたはずなのに。波形をじっくり見たら、段落の切り替わりにまったく隙間がなかった。AIは句読点の後すぐに次の文を読み始める。人間ならそこで息を継ぐのに。
そこで試したのが、意図的な「無音の挿入」だ。
- 段落の切り替わりに300〜500msの無音を入れる。
- 数字や固有名詞の前後に、200ms程度の短い沈黙を置く。聞き手に「ここを覚えて」と思わせる効果がある。
- 疑問文の文末に、400msほどの間をあけてから次の文へ。これだけで「相手に問いかけている」感覚が出る。
注意点もある。無音を入れすぎると、今度は「間延びした棒読み」になる。私の失敗談では、1秒以上の沈黙を段落ごとに入れたら、リスナーから「音声が途切れてる？」とクレームが来た。0.3秒から始めて、聴きながら0.1秒ずつ調整するのがコツだ。
実際、商品説明動画にこの「無音」を加えたところ、コメント欄で「話し方が落ち着いている」と言われるようになった。何も喋っていない時間が、かえって声に人間味を与える。逆説的だけど、これが現場の実感だ。
クライアントに三回戻されて、二つの「見える化」を導入
「なんか違う」と言われても、どこが悪いか言語化できないのが一番辛い。そこで工程に二つのアウトプットを強制追加。
- リズム台本：長文分割位置・アクセント語・減速区間を色分けしたテキストを音声とセットで納品。修正指示はこの台本に書き込んでもらう。
- 二段階試聴：ヘッドホンでノイズ・アーティファクトをチェック → スマホスピーカーで全体の「聴き心地」を確認。ヘッドホンでは気づかない「不自然な間」がスピーカーだと露骨に出る。
この二手間で再修正率が50%→9%に激減。自分の制作でも同じルールを徹底したら、迷いが消えた。
三週間で残った「自分のルール」
- 原稿段階で声に出す ― 詰まる箇所は即座に短文化。後工程で直そうとしても遅い。
- 25字超えは無条件で分割 ― 例外なし。これが最低ライン。
- アクセントは一文一語 ― 我慢が美徳。強調しすぎはノイズ。
- 減速は「本当に伝えたい場所」だけ ― どこでも「しっとり」は逆効果。
これらはモデルを変えず、課金せず、講座を買わずにできる。「道具の上限＝原稿の下限」だと痛感した三週間。リズムこそが原稿の骨格だ。
もし今、無料 TTSで生成した音声が「なんか棒読み」だと感じたら、まず原稿を見直してみて。区切り・アクセント・速度の三点を手で整えるだけで、同じエンジンでも「誰かが隣で話してる」感覚に一気に近づく。
試しに登録不要 音声合成で短い台本を読み込み、上記の手順を適用してみてほしい。驚くほど「人間味」が出るはずだ。
次回は、多言語対応の多言語 音声合成 無料を使った吹き替え・オーディオブック制作のコツを書く予定。お楽しみに。