無料音声合成で作った電話対応ボイスが「ゲームのNPC」に聞こえた話

先月、友人がやっている美容室の電話自動応答を作ることになった。

よくある質問を音声に録るだけ——そう思ってた。甘かった。

第一版を友人に聴かせたところ、彼は三秒間黙り込んだあと、こう言った。

「これ、どのゲームのNPC？」

正直、けっこうへこんだ。無料のAI音声ツールを使ったのに、なぜこんなにプラスチックっぽいのか。その後一週間以上試行錯誤して、ようやくわかった。不自然なのは音声じゃない。僕の使い方が全部間違っていたのだ。

罠一：テキストをそのまま貼り付けて、句読点がぐちゃぐちゃ

一番ありがちな失敗。電話応答の台本を書くと、つい長い一文になる。「お電話ありがとうございます当店の営業時間は午前十時から午後十時までご予約は……」人間なら読める。でも機械には無理だ。

機械には、こちらの脳内補完能力はない。句読点が、機械にとっての呼吸のリズムになる。句読点がなければ、最初から最後まで息継ぎなしで読み上げる。まるで早口言葉だ。台本を文ごとに区切り、間を置くべきところにきちんと句読点を打ったら、同じ音色なのに、まるで別人になった。

もう一つ細かい話。数字と単位だ。機械が「1000ml」を読むとき、「千ミリリットル」と読むか「イチゼロゼロゼロ・エムエル」と読むかは、書き方次第で変わる。手を抜かず、「1000ミリリットル」と書こう。

罠二：デフォルト設定のまま——聞けるけど、人間らしくない

多くの無料TTSツールは、デフォルトの話速もピッチも工場出荷状態だ。安定してるけど、機械的。本物のオペレーターは感情の起伏がある。歓迎の挨拶は少し明るく、エラー通知はゆっくりめに。

VoxClone で試したとき、同じ「お客様、ご予約を承りました」でも、話速を1.05に、ピッチをほんの少し上げるだけで、デフォルトとはまるで雰囲気が違った。パラメータは大きくいじらなくていい。ほんの少し変えるだけで、聴感が驚くほど変わる。具体的な設定のコツはこちらのチュートリアルにもまとまっているので、僕もかなり参考にした。

罠三：「アナウンサー声」を選ぶと、電話対応が崩壊する

これが一番見落とされがちなポイントかもしれない。多くの人（僕も最初はそうだった）が、声を選ぶときについニュースキャスターのようなハキハキした声を選ぶ。「プロっぽい」からだ。でも電話対応は会話であって、ニュース読みではない。アナウンサー声で「お電話ありがとうございます」と読まれると、どう聞いても詐欺電話の冒頭にしか聞こえない。

電話対応に必要なのは、自然で、穏やかで、ややゆっくりめの声。プラットフォームがカスタム音色に対応していれば、なおさら楽だ。VoxClone は無料音声クローンに対応していて、実際に働いているスタッフの声を少し録るだけで、クローン音声に「自社の従業員」感が備わる。登録不要音声合成ですぐ使えるから、メールアドレスを入力したり審査を待ったりする必要もない。とにかく早く仕組みを回したい小さなお店にはありがたい。

罠四：素材が短すぎて、クローン音声に「血が通わない」

AI音声クローンオンラインツールを使ったとしても、元の録音素材の質が悪ければ、すべてが水の泡だ。僕の第一版は、店内のざわめきが混ざった20秒の環境音だけ。クローンした声は、壁越しに話しているようだった。

二度目は学習した。ポイントはこれだ：

  • 静かな部屋でスマホを使い、1〜2分録音する。話速は自然に、お経みたいに読まない
  • 内容に「えっと」「あー」「はい」などのフィラーを多めに入れる
  • スマホから20センチくらいの距離を保つ。近づいたり離れたりしない

素材が良ければ、クローン音声の自然さは一段階跳ね上がる。

FAQ

音声クローンで電話対応ボットを作るのは合法？

自分の声、または相手の明確な同意を得た声をクローンするなら問題ない。他人の声を商用利用するのは絶対にダメ。この一線は越えてはいけない。

無料の音声クローンプラットフォームの品質で商用利用できる？

今はかなり使えるプラットフォームも多い。VoxClone のように永久無料の音声クローンに対応したツールなら、日常的な電話対応の短いフレーズなら十分実用レベル。まず小規模に試聴してから本番投入するのがおすすめだ。

同じセリフを違うトーンで言うには、毎回クローンし直す必要がある？

いらない。音色のクローンは一度で十分。トーンはテキストの句読点を変えたり、話速やピッチを調整すれば実現できる。本当に手間がかかるのは台本の作り込みであって、技術ではない。

最後に

結局のところ、合成音声が不自然かどうかは、七割が使い方、三割がツールだ。

今夜にでも試せる。静かな環境で自分の声を録って、VoxClone で一度クローンしてみる。そして実際の電話対応のセリフで話速を調整してみる。十分で、違いがわかるはずだ。

動画ナレーションをAIで作る場合も同じだし、オーディオブックの音声作成にも同じことが言える。動画の吹き替えをAIで無料でやりたい人も、多言語音声合成を無料で試したい人も、まずは「自分の耳で確かめる」ことから始めてほしい。

あ、バッチ生成が必要なら、無料音声合成APIも調べてみるといい。電話システムに組み込めば、一本ずつ手動で合成しなくて済む。