先月、自分の書いた短編ミステリーをオーディオブックにして、stand.fm に上げてみたんです。リスナーから「声は安定してるけど、たまにロボットみたいに聞こえる」とコメントが来て。正直、ショックでした。でもこれ、実はよくある話で、無料の音声クローン ツールを使うとだいたいこんな感じなんです。高価な機材もいらないし、自分の声をクローンして一冊まるごと読み上げさせること、今のネット環境があれば午後一回でできてしまいます。

この無料サイト で見つけたところ、最初は半信半疑でした。登録不要 音声合成 を謳っているサイトもたくさんあるけれど、個人情報をクラウドに上げるのはやっぱり不安ですよね。でも使ってみると、意外とシンプルで、自分の声をクローンしてオーディオブック 音声 作成 ができるんだから驚きです。

クローン前にやるべき「声の原稿」作り

多くの人がやりがちなのが、いきなりマイクに向かって適当な文章を読み上げて、すぐクローンボタンを押すこと。出来上がった声がカラッカラに乾いていたり、どこか浮いていたりするんです。無料ツールは有料よりもアルゴリズムの補正力が弱いから、原稿の質がそのまま出ます。

だからまずは、絶対に静かな部屋を確保してください。うちはワンルームなので、お風呂場を使いました。タイルが反射音をちょっと和らげてくれるし、外の生活音も遮断されやすい。スマホのボイスメモアプリで、口から15〜20センチ離して、ニュース記事を原稿にして読みます。小説じゃなくてニュースがいい。理由は、句読点がはっきりしていて感情の起伏が少ないので、音色の特徴が抽出しやすいからです。

時間は10分以上。内容はYahoo!ニュースや朝日新聞デジタルのコラムなんかが適当です。読むときのコツは、文末を上げないこと。日本語のビジネスや丁寧語って、ついつい語尾が上がりがちじゃないですか。クローンモデルはその癖まで覚え込むので、小説を読ませた時に毎節が甘えたみたいな聞こえ方になります。録音が終わったら、スマホの編集アプリで前後の無音や息継ぎ音をカットし、WAV形式で書き出します。MP3は絶対にやめてください。圧縮で音色の細部が削ぎ落とされます。

ここ、個人情報の話にも触れておきます。日本の個人情報保護法（APPI）の観点から、自分の住所やマイナンバー、クレジット番号なんかが含まれる原稿は、音声合成 無料 のクラウドサイトにアップロードしないほうが無難です。サイト側が「保存しない」と書いてあっても、自分でガードするのが基本ですよね。

無料 音声クローン オンライン で初クローンを試す

準備ができたら、音声クローン ページ にアクセスします。サイトを開くと、トップに「音声クローン」の入口があります。無料アカウントを作って、先ほどのWAVファイルをアップロードするだけ。

ここで一つ、隠し技を。サンプルを3分〜4分の3本に切って、分けてアップロードしてください。一つの長いファイルを丸ごと上げると、無料枠のメモリ制限で自動的にサンプリングレートが下げられ、音がこもってしまいます。3本に分けて特徴を抽出させ、後で融合させる方が、仕上がりが立体的になります。

生成には5〜10分かかります。この間、お茶でも入れてページをリロードしないでください。できたらすぐ使わず、まず「試し読み」ボタンを押して、「こんにちは、私はテスト音声です」くらいを読ませてみてください。チェックポイントは2つ。一つ目は「こ」の音がはっきりしているか。鼻声にこもっていたら、サンプルに口内音が多すぎる証拠なので、録り直し。二つ目は文末に「ジー」という電流ノイズが乗っていないか。あれば、サンプル中の最も音量の小さい無音部分を数秒カットしてから、もう一度アップロードし直します。

テキスト読み上げ 無料 でオーディオブックを作る、一括貼り付けはNG

ここが最大の落とし穴です。小説の原稿を丸ごとTTS入力欄にコピペしても、まともなオーディオブックにはなりません。AIは段落の区別がつかず、ナレーションとセリフをごちゃ混ぜに読み上げてしまいます。

正解は、まず原稿を「ナレーション」と「セリフ」に分けること。ナレーションは普通の速度で、セリフは感情タグを手動で付けます。このサイト の入力欄は、角括弧で囲んだタグに対応している隠し機能があります。多くの解説記事では触れられていないんですが、これを使うと語速やピッチが自動で調整されます。タグがないと、どの文章も同じ抑揚になって、十分も持たずに飽きられます。

もう一つ実用的なのは、一度に入力する文字数を500文字以内に抑えること。無料 TTS は、長文になると中盤以降で注意力が散漫になり、どんどん早口になる癖があります。分けて生成した音声を、CapCutやAudacityで順番につなぎ、間に0.3秒の無音を挟みます。これだけで、まるで自然に息継ぎをしているように聞こえます。

完成したら、stand.fm や Voicy、Audible などのプラットフォームにアップできます。YouTube の 動画 ナレーション AI として使うのもアリですね。最近はTikTokやリール向けの短いナレーション需要もあるので、オーディオブック 音声 作成 のスキルは動画制作でもそのまま活かせます。AI 音声 無料 でここまでできるのは、本当にありがたいです。

「機械音」を消す人味修復、これで配信できる

クローン音声の最大の弱点は「間」です。人間はカンマで0.5秒、句点で1秒くらい止まりますが、AIは0.2秒程度で次に行ってしまいます。このわずかなズレ、耳の鋭いリスナーはすぐ気づきます。

対策として、章ごとに生成が終わったら、もう一度 サイト標準の音声ページ でサイト標準の「温かみのある男声」や「知的な女声」でテキスト読み上げをやり直します。ただし今度はクローン音色は使いません。できた二つの音声を重ねて、クローン側のボリュームを標準音声の70%、標準音声側を10%くらいに下げてミックスします。こうすると、標準音声側の微かな息継ぎや歯擦音がクローン音声のプラスチック感を「塗りつぶして」、まるで本物の人間が少しこもった声で録っているように聞こえます。

最後の仕上げにBGMを足します。YouTube の無料音源ライブラリとかで、「雨の日のカフェ」みたいなホワイトノイズを見つけて、音量を-30dBくらいに落として音源の下に敷き込みます。これで、2kHz〜4kHz帯に出やすいクローン特有の「安っぽい響き」がほぼ消えます。実際、プラットフォームの審査に通しやすくなるのも実感しています。AI音声の検出アルゴリズムは、無機質な乾いた音ほど敏感に反応するようです。

ちなみに、吹き替え AI 無料 でアニメや海外ドラマの字幕音声を作るのも面白いですけど、オーディオブック用途では、まずは自分の声を使うのが一番愛着が湧きます。

この流れで作ると、一時間で15分くらいの完成音声が作れます。ミステリーや歴史、サイエンス系なら、このクオリティで十分通用します。泣き声や冷笑のような複雑な感情は、残念ながら無料ツールではまだ再現できません。でもまずは「テキストから公開まで」の一連の流れを回すことが大事です。いくつかのエピソードを出して、数千回再生されるようになってから、有料のクローンにアップグレードしても遅くありません。多言語 音声合成 無料 の選択肢も増えているので、英語や中国語のナレーションに挑戦してみるのも、これからの楽しみですね。