ある日、オープニングを無料AIに任せたら「銀行の自動音声」って言われた
去年の秋、初めてのポッドキャストを配信した夜のこと。オープニングのナレーションを自分で録るのが面倒で、ブラウザだけで完結する無料 音声クローンサービスにテキストを放り込んだ。生成された音声をそのままアップロードして公開したら、リスナーから「これ、銀行の自動音声じゃん」「声が平坦でスキップした」というコメントが届いた。その瞬間、無料TTSを「ただ文字を読ませるだけ」で済ませていた自分の甘さに気づいた。
合成音声が「嘘くさい」と感じられる本当の理由
多くの人は「もっと高性能なツールに変えれば解決する」と思う。でも、いくつかの有料サービスを試しても、根本的な違和感は消えなかった。原因は音質ではなくリズムだ。人間は息継ぎをし、ためらい、強弱をつける。一方、多くの合成エンジンは一息で均一な速度で読み上げる。ポッドキャストの冒頭でその「一本調子」が流れると、リスナーの脳は瞬時に「機械だ」と判断する。
ツール選びで僕が譲れない三つの条件
それからいくつかのプラットフォームを渡り歩き、今ではVoxClone一択になった。理由はシンプル。
- 登録不要 音声合成 で、ブラウザを開くだけで使える
- 永久無料 音声クローン と謳っていて、クレジットカードの入力も試用期限もない
- 無料 TTS としての生成速度が実用的で、日本語のイントネーションもそこそこ自然
実際に使うのは無料音声クローンのページ。自分の声を数秒アップロードするか、プリセットの音色を選ぶだけで、すぐにテキスト読み上げ 無料で音声が返ってくる。APIを自分で立てる手間も、月額課金の心配もない。個人のポッドキャスターにはこれ以上ない手軽さだ。
オープニング制作、僕の今の手順
- 自分の声 クローン を作るか、落ち着いた低めのプリセットを選ぶ
- 台本は「こんにちは、『夜の散歩道』へようこそ。今夜は――」のように短く、余白を持たせる
- 生成された音声をDAWに取り込み、BGMを少し大きめにミックス。機械的な質感を音楽で包み込む
- 最後はフェードアウトで本編へつなぐ
この流れで作ると、音声合成 無料でも「ちゃんとした番組の入り」に聞こえる。BGMのボリュームバランスだけで、合成特有の平坦さがかなり隠せるのだ。
トランジション（転換）は「声」より「間」で勝負
セグメント間の「次は〇〇について」というナレーションを入れると、途端にラジオ体操のアナウンスみたいになりがち。僕はあえて声なしの効果音や、BGMのクロスフェードだけで繋ぐことが多い。どうしても言葉が必要なときは、無料 TTSで極短文を生成し、話速を落として「間」を作る。オンライン文字読み上げなら、数秒で何パターンも試せるから、聞き比べて一番「自然な溜め」を選ぶだけ。
句読点と改行が「役者の呼吸」になる
ある夜、台本に「今夜は不安を語らず、ただ静かに過ごそう」と書いて生成したら、「不安を語らずただ静かに過ごそう」と一気に読まれて、全然優しくない。合成エンジンは意味を理解せず、記号だけを見ている。そこで僕は長文を必ず短文に分け、敢えて「…」や「。」を多用するようにした。
例：「今夜は、不安を語らず……ただ、静かに過ごそう。」
これだけで、合成声が一瞬「息を吸う」ような間を取ってくれる。五百字を一塊で流し込んで「機械っぽい」と嘆く前に、自分で「演技指示」を書き込む感覚だ。
音色は「一番リアル」ではなく「番組に合う」を選ぶ
最初は「極めて自然」「人間と見分けがつかない」と謳われる音色を選んでいた。でも深夜の雑談回で使うと、ニュースキャスターのようなクリアな声が浮いてしまい、「距離感がある」と言われた。そこで、少し遅めで、わずかにハスキーなプリセットに変えた途端、同じ台本なのに「親しみやすい」と評価が変わった。
- 情報系：明瞭で早めの声
- 物語・エッセイ：低め・遅め・少し息混じり
- 子供向け：やや不器用な高めの声
番組の「相棒」を選ぶ感覚で、音色をキャスティングするのが正解だ。
自分で聞いて満足しても、第三者の耳を借りる
自分の耳だけで判断すると、慣れで「まあいいか」となりがち。僕は毎回、同じ台本で三パターン（標準速、遅め＋多めの「…」 、低めの音色）を生成し、日曜の夜に友人二人にブラインドテストしてもらう。「どれが一番人間っぽい？」とだけ聞く。不思議と、二番目の「少し躊躇うバージョン」が選ばれることが多い。完璧すぎる流暢さより、微かな不完全さの方が人間らしく響くのだ。
ツールは無料 音声クローンで何度でも試せるから、遠慮せず量産して外部の耳で選ぶ。これが一番の近道。
今週末、君がすぐできること
来週月曜にエピソードを出すのに、自分の声が決まらない──そんな夜でも大丈夫。ブラウザを開いて無料音声クローンでオープニングとトランジションだけ先に作っておく。本編の録音は後でゆっくりやればいい。
「条件が完璧になるのを待つより、まず形にする」。道具はあくまで補助、中身が命。他のクリエイターがどう使っているか気になったら、もっとチュートリアルを覗いてみて。今夜、まず一行テキストを入力して再生ボタンを押すところから始めてみてほしい。