5秒の音声で本当に作れる？無料クローンでIVR録音してみた

「5秒あれば声をコピーできる」って聞いて、正直半信半疑だった。だって、声って指紋みたいなもんでしょ？ 5秒でそんなもんが再現できるわけない。…と思いつつ、先週うちの小さな会社のIVR（電話の自動案内）を更新する必要が出てきて、外注すると8千円＋2週間待ちと言われた。

そこで、藁にもすがる思いで無料の声クローンを試してみた。結論から言うと、5秒でもそれなりに動く。でも、そのまま使うと痛い目を見る。今回はその顛末を、読み仮名の誤りや録音のコツを交えて書く。

最初の失敗：5秒サンプルは「短すぎ」だった

最初は、スマホのボイスメモで「こんにちは、こちらは◯◯株式会社です」って5秒だけ録ってアップロードした。サイトは https://ja.web666.cc/clone の声クローンページ。無料・オンライン・登録不要とあったから、まあ試しに、と。

そしたら、合成された声が…なんか鼻声？ いや、もっと変。特定の音、特に「ん」と「う」が変にこもる。しかも「楽しい」が「ガクしい」って読んでる。最初は「読み仮名の設定を間違えたか？」と思ったけど、実はサンプルの質が悪いのが原因だった。

録音のコツ：7回録って分かったこと

2回目、3回目と試すうちに、どうやら録音の仕方にコツがあるらしいと気づいた。以下、俺が7回録ってたどり着いたポイント。

  • 静かな場所で録る：エアコンの音すら拾う。防音室なんてなくてOK、布団をかぶって録ったらマシになった。
  • 息継ぎを入れない：一文を一息で読む。途切れると、そこが変な間になる。
  • 抑揚は控えめに：アナウンサーっぽく大げさに読むと、合成時に不自然なピッチ変動が出る。
  • 読み仮名を手動で直す：特に漢語。IVRの案内文は「営業時間」→「エイギョウジカン」とカタカナで指定したほうが確実。

で、4回目くらいからやっと「あ、これ使えるかも」と思える声が出てきた。

読み仮名の闇：日本語は特に難しい

日本語って、同音異義語が多すぎる。「橋」と「箸」とか、文脈で読むか、アクセントで変わる。無料の声クローンは、基本デフォルトの読み仮名エンジンが動くから、たまに変な読みをする。

うちのIVRで「おかけ間違いのないよう」って文があったんだけど、最初「おかけ間違い」が「おかけまちがい」じゃなく「おかけかんちがい」って読まれた。これは笑った。

対策としては、テキストに読み仮名を直接埋め込む。たとえば「おかけ[間違い]」みたいに。このサイトのクローン画面には「発音調整」っていう欄があって、そこに「まちがい」ってカタカナで入れたら直った。

数字とポーズ：IVRの肝はここだ

IVRって、電話の案内だから「1番、2番」とか「営業時間は午前9時から午後5時まで」みたいな数字が頻出する。ここがまた曲者。

最初、合成した音声で「9時」が「くじ」って読まれずに「きゅうじ」って読まれた。これ、人間なら絶対「くじ」って読むよね？ でも、TTSは基本数字を「きゅう」って読む。

さらに、ポーズ（間）の調整が大事。IVRって、選択肢を読み上げた後に「1を押してください」って言うけど、この間が短いと、聞き手が「え？ 今なんて？」ってなる。このサイトには「ポーズ」の設定があって、ミリ秒単位で調整できる。俺は「1を押してください」の前に300ms入れたら、かなり聞きやすくなった。

無料でここまでできる？ 正直な感想

結論、無料でここまでできるのは正直すごい。外注8千円＋2週間が、半日でほぼ無料（電気代だけ）で済んだ。ただし、完璧を求めるなら無理。特に感情が入ったナレーションとかは無理だ。

でも、IVRのような定型文なら、読み仮名とポーズを調整すれば、十分使えるレベルになる。むしろ、プロのナレーターより「安定してる」かもしれない。

ちなみに、このサイトのトップページは https://ja.web666.cc/ で、クローン機能は https://ja.web666.cc/clone 。他にも、動画の読み上げとか、朗読とか、いろいろ試せるみたいだ。

まとめ：5秒は「最低限」、30秒なら「安心」

最後に、これから試す人へのアドバイス。

5秒でも動くけど、できれば30秒くらい録るのがおすすめ。理由は、音素（あいうえお）がまんべんなく入るから。5秒だと「あ」が多かったり「ん」が少なかったりで、偏りが出る。

あと、録音は必ず「一発撮り」じゃなくて、何回か録って一番いいのを使うこと。俺は7回録って、3回目と6回目を合成して比較した。

読み仮名は、最初からカタカナで指定するクセをつけると、後で直す手間が省ける。

無料でここまでできる時代になったんだな、と実感した。みんなも、もしIVRや動画のナレーションで困ってたら、一度試してみて。俺みたいに「5秒でいいや」と思わずに、ちゃんと録音してからやれば、結構使えるよ。

それでは、良いクローンライフを。