無料の音声クローンで会社のIVRを作ったら、2回失敗してやっとマシになった話
先週、上司から「会社の問い合わせ電話のあの無機質な自動音声、なんとかしてくれ。もっと人間らしく、できれば優しい感じに」って言われたんですよ。
「はいはい、ネットで無料 音声クローン 見つけて、自分の声を録音してAIに学習させればいいんでしょ」って軽く考えてたんです。
ところが、初日から盛大にコケました。
1回目：AIが魔法を使えると思ったら、ホラー映画のナレーションが流れてきた
無料 音声クローン オンライン のサイトを開くと、登録不要ですぐ使える。
私は普段お客さんと話している録音を20秒ほど選んでアップロードしました。ちょっと訛りがあって、「えーっと」「あのー」って間も入ってる。リアルでいいでしょ、って思ったんです。
クローンが完了して、IVRの最初の文言を入力。
「お電話ありがとうございます。株式会社◯◯でございます。ご用件は1番、お問い合わせは2番、…」
再生してみたら……。
これ、私が風邪ひいて3日間薬飲まずに、首を絞められながら読んでるみたいな声。全単語がやけに伸びて、しかもオートチューンがかかったような電子音。すぐに消しました。
あとで分かったんですけど、あの20秒の録音には、周囲の騒音や無言の間、息遣いまで全部入ってた。AIは「私の声」と「ノイズ」を区別できないから、全部を素材として学習しちゃったんですね。そりゃあ、あんな呪いの声になるわ。
2回目：学習したけど、「永久無料」の罠に引っかかりかけた
2回目は、静かな部屋でスマホで録音。5秒だけ。「お電話ありがとうございます」って一言だけ。
今度はクリアな声になりました。
でも、次は無料 TTS で合成した音声が、私の声と微妙に違う。特に語尾のニュアンスが平坦で、まるでNHKのニュース読み上げみたい。
「無料 音声合成 ってこんなもんなのか？」って疑い始めたけど、まあ永久無料だし、何度も試せるし。
録音のコツ：長さじゃない、クリーンさだ
何度か試して分かったのは、クローン用の素材は5〜10秒で十分ってこと。大事なのは、とにかくクリアなこと。
・静かな部屋 ・反響なし ・BGMなし ・他の人の声が入らない
2回目の失敗は、スマホを机に置いて、口から50cmも離れてたから。キーボードのカタカタ音が入ってたんです。
3回目は、スマホをスタンドに立てて、口から10cmの距離で、ボイスメモで録音。だいぶ良くなりました。
テキストは短く区切れ。長文はAIが迷子になる
IVRの案内って、ユーザーが一回で理解できる必要があるじゃないですか。
「ご用件は1番、お問い合わせは2番、営業時間のご案内は3番、その他の場合はオペレーターにおつなぎします」
みたいな長文をそのまま入れると、AIがどこで区切ればいいか分からなくなって、変な間が入る。
「ご用件は1番。お問い合わせは2番。営業時間のご案内は3番。その他はオペレーターにおつなぎします」
って、短い文に分けたほうが、自然なポーズで読んでくれます。
見落としがちな「速度」と「ピッチ」のスライダー
テキスト読み上げ 無料 の画面に、「速度」と「ピッチ」のスライダーがあるの、気づいてました？
私は最初、デフォルトのままで合成したら、まるで早口のラジオDJみたいに。単語と単語の間がゼロ。
速度を「-2」に下げて、ピッチも少し下げると、普段の会話のテンポに近くなりました。
あと、優しい印象にしたいなら、AIが勝手に感情を込めてくれるわけじゃない。テキストに「はい」「そうですね」みたいなフィラーを入れるか、読点で間を作る。
「お電話ありがとうございます。」
って、読点を入れるだけで、ほんの少し「息継ぎ」が入って、柔らかく聞こえます。
面倒でも、一文ずつ合成して繋げるのが一番マシ
最終的に私がやった方法は、ちょっと泥臭いです。
IVRのスクリプトを7〜8個の短文に分割して、それぞれを音声クローン オンライン で合成。出力したファイルを動画編集ソフトで繋ぎました。
なぜかというと、長文を一気に合成すると、文と文の間で変な引き伸ばしが起きたり、特定の単語のアクセントが変になったりするから。
分けて合成すれば、各文が独立してるから、間や抑揚を自分でコントロールできる。
繋ぐときは、各文の間に0.3秒の無音を入れる。これが「人間の息継ぎ」みたいに聞こえるんです。
無料 音声クローン で全文を一気に読み上げる機能も試したけど、やっぱり分割合成の方が自然。
最終的にどうなった？
3回目は、8秒の録音を撮り直して、「お電話ありがとうございます」だけ。
それでクローンを作って、IVRのスクリプトを全部短文に分解して、無料 TTS で合成、編集ソフトで繋ぎました。
結果は……、まだ少し電子音は残ってるけど、人間っぽくなりました。同僚に聞かせたら、「なんか声がうちのいとこに似てる」って言われて、ちょっと嬉しかった。
「無料」の落とし穴について正直に話すと
無料 音声合成 のツールはたくさんあるけど、回数制限があったり、ウォーターマークが入ったりするものが多い。
今回使ったVoxCloneっていう永久無料の音声クローン は、登録不要で使えるけど、生成に時間がかかる。2分くらい待ったかな。
でも、年に一回IVRを作るくらいの小規模な会社なら、これで十分。何千円も払ってナレーターに頼む必要もないし、複雑なDAWソフトを覚える必要もない。
この声で歌は歌える？
試しに無料 音声クローン で歌わせてみました。
結果は……、まるで風呂場で歌う音痴のルームメイト。
カスタマーサポートの音声には使えるけど、歌ってみた動画はやめといたほうが無難。
裏技：まず「素の音声」を作ってからクローンする
もし録音がどうしても汚くなる場合、こんな方法もあります。
- 無料 TTS で、システムの標準音声で読み上げさせる
- そのクリーンな音声を素材にして、自分の声をクローンする
ちょっと回りくどいけど、私が試したところ、スマホで直接録音するより良かった。
システム音声には環境ノイズがないから、AIがあなたの声の特徴を学習しやすいんです。ただし、元の音声に電子音が含まれてるから、それが残る可能性はあります。でも、キーボード音が入るよりはマシでしょ？
よくある質問
Q: クローンした声にノイズが混ざるのはなぜ？
素材が汚れてる可能性が高いです。録音環境を確認してください。エアコンを消す、PCのファンをマイクに向けない、スマホならイヤホンマイクを使う。それでもダメなら、無料 音声クローン で標準音声を生成して、それを素材にしてみてください。
Q: 登録は必要？
いいえ。無料 音声クローン は登録不要で使えます。ただ、複数の音声モデルを保存したいなら、登録しておくと次回すぐ使えるので便利です。
最後に、あなたに質問
上司が新しいIVR音声を聞いたときの第一声、なんだと思います？
「……この声、昔の彼女に似てるな」
ですよ。
さて、あなたはこの無料音声クローンで、一体何を作りますか？