大学の廊下で無料の音声クローンを試したら、環境音までクローンされて大失敗した話
先週、工学部の実験棟でスマホを向けた瞬間のこと
うるさい場所で録音しても、無料の音声クローンならうまいこと処理してくれる——そんな甘い見通しでいた自分が悪い。先週、大学の工学部実験棟。廊下はエアコンの低音がずっと鳴り響いていて、行き交う学生の足音や談笑が絶えなかった。たまたま教授が口を開いた。「実験データ、確認しとけよ」。毎回このセリフを言うので、課題の締め切りリマインダーにでもしようと思って、スマホを構えた。本人には一応許可を取ったつもりだけど、あの時は勢いだった。
登録不要 音声合成なら、ブラウザを開いてすぐ録音・アップロードできる。面倒な会員登録も不要だし、無料 TTSでサクッと終わるはずだった。結果は……あの「鬼叫」のような音声を聴いて、固まった。教授の声は確かにそこにある。でも周りを包むように、エアコンの唸り、遠くの笑い声、そしてスマホの電流ノイズが乗っている。
無料の音声クローンは、環境音も一緒に覚え込んでしまう
生成されたファイルを聴き直して、原因が分かってきた。AIは与えられた音声から特徴を抽出するだけで、何が「主音」で何が「ノイズ」かなんて区別しない。ゴミを入れればゴミが出る。これは音声合成 無料のツールに限った話じゃなく、機械学習の根本的な話だ。無料 音声クローンだから性能が低いのかと一瞬疑ったけど、違う。汚れた入力は、そのまま出力に跳ね返る。
もう一つ気づいた点。スマホの録音アプリはデフォルトでノイズ抑制がオンになっていて、教授の子音が潰されていた。「確認」が「賢認」みたいに聞こえる。これ、クローンの問題じゃなくて、元データがすでに傷んでいたってこと。音声クローン オンラインのサービスは便利だけど、こちらが整えてあげるべき前提がある。あと、廊下の反響も問題だった。壁に反射した音まで拾っていたから、クローン結果はまるで体育館で喋っているような妙な残響が付いていた。AI 音声 無料のツールは、そういう「部屋の癖」まで学習してしまう。
図書館の隅で、イヤホンマイクを使って10秒だけ録り直した
翌日、場所を変えた。大学図書館の一番奥、人気のない角。イヤホンのマイクを口元に近づけて、スマホのスピーカーは切った。録ったのはたった10秒。「実験データ、確認しとけよ」。周りに音はほとんどない。あとはアップロードするだけ。
無料音声クローンにその音声を放り込むと、出てきた声は驚くほど自然だった。教授の間の取り方、語尾の伸ばし方、そこにいる。同じツール、同じ無料なのに、ここまで変わるのか。録音環境とマイクの距離が、音声合成 無料の成否を分ける。これを機に、登録不要 音声合成の強みと限界が腹に落ちた。面倒な手続きなしで試せる分、こちらが整えてあげるべき前提がある。
作った声を、課題リマインダーに仕込んだら案外使える
クローン成功後、その音声をスマホのアラームに設定した。締め切り前になると、教授の声で「実験データ、確認しとけよ」と鳴る。最初はギョッとしたけど、三日も経つと効率が良い。研究室の友人に笑われながらも、みんな借りに来る始末。
このとき、テキストを直接打ち込む場合はオンラインのテキスト読み上げを使った。ソフトのインストール不要で、ブラウザに張り付けて選択するだけ。テキスト読み上げ 無料で、しかも透かしもない。あとから気づいたけど、この流れは動画 ナレーション AIとしてもそのまま使える。YouTube用のナレーション、吹き替え AI 無料でちょっとした自主制作映画のアフレコ、オーディオブック 音声 作成——どれも同じ要領でできる。多言語 音声合成 無料に対応している点も見逃せない。英語や中国語の原稿を、同じ声で読み上げられるのは面白い。自分の声 クローンしてみたい人にとっても、ここが入り口になるだろう。
ノイズ除去アプリで「きれいに」したら、教授がロボットになった
廊下録音をなんとか復活させたくて、寝戻ってから無料のノイズ除去アプリに頼った。ACの低音さえ消えれば、クローンも綺麗になるだろうという甘い算段だ。アプリにファイルを放り込み、ノイズ抑制のスライダーを最大まで上げて書き出し。出来上がった音声をイヤホンで聴いて、絶望した。
教授の声が金属音のようになっていた。「確認しとけよ」の「ク」と「ク」が潰れて、まるで安いボコーダーか、壊れた留守番電話みたい。ノイズ除去は「エアコンの唸り」と「教授の子音」の区別なんてつかず、大事な部分まで一緒に削っていた。無料 音声クローンのせいじゃなくて、入力データを自分で傷つけた結果だ。
ここで分かったのは、後処理でどうにかなる領域とそうでない領域の境界だ。環境音が乗ったままの音声をクローンに使うなら、せめて録り直すか、マイクを口に近づけるしかない。アプリで「きれいに」しようとして、かえって原稿を聞き取れなくする——これ、やりがちな失敗なので気をつけてほしい。
友達の声を「ちょっとだけ」クローンしたら、関係が気まずくなった
研究室の友人、田中（仮）が面白い言い方で「それな」と言ったのを、つい録音してしまった。無料 音声クローンならすぐできるし、冗談で使おうと思っただけだ。ブラウザにアップロードして、生成ボタンを押す。出てきた声は、確かに田中だった。
食堂でスマホからその音声を鳴らしたら、田中の顔が強張った。「なんで俺の声がスマホから出てるんだよ」。笑い事では済まされなかった。声をクローンする行為は、相手の許可なくやるとプライバシーを侵害する。声は顔や指紋と同じくらい個人的な情報だと、この時初めて実感した。
すぐファイルを削除して謝ったけど、気まずさはしばらく残った。登録不要 音声合成は手軽だからこそ、「この声、使っていいか」を自分で確認する責任が伴う。他人の声をクローンするなら、必ず本人に聞く。これだけは絶対に守ってほしいルールだ。
10秒と1分、サンプル長さでクローンの質はどう変わるか
「もっと長いサンプルを与えたら、より自然な声になるんじゃないか」と考え、図書館で同じ文章を10秒版と1分版で録り比べてみた。10秒版は「実験データ、確認しとけよ」だけ。1分版は同じ文を繰り返して、間にため息や咳払いまで入ってしまった。
クローン結果を比較すると、10秒版は短いフレーズなら驚くほど自然だった。語尾のイントネーションも再現できている。対して1分版は、全体の流れは滑らかだったけれど、途中で録音レベルが少し変わったり、ページをめくる音が混じったりして、それがクローンにそのまま反映されていた。長ければいいわけじゃない。
短くてもクリーンな10秒の方が、長くて雑な1分より実用的だった。AI 音声 無料のツールは、与えられた音声を素直に覚える。だから「長さ」より「清潔さ」が重要だ。
後から試す人への、至ってまっとうなアドバイス
廊下、食堂、教室の前——そういう「生活音がある場所」で録音しない。エアコンの低音は特にタチが悪い。静かな部屋を選ぶ。窓を閉めて、エアコンも切る。カーテンを引けばなお良い。マイクは口元から10センチくらい。スマホを机に置くと机の振動が乗るから、手で持つかスタンドを使う。とりあえず10秒録って、イヤホンで試聴する。電流音や反響が聞こえたら、場所を変える。他人の声をクローンするなら、必ず本人の許可を得る。声も個人情報だと思った方がいい。
もっと詳しい失敗例や設定のコツは、こちらのチュートリアル・更新履歴にまとめてある。読んでみてほしい。
あと、API連携を想定している人はがっかりするかもしれないけど、現状このサービスはWeb上で完結するもので、APIの提供はない。ブラウザでポチポチやる分には最高なんだけど。
手始めに、スマホのボイスメモを開いて、静かな部屋で10秒、自分の声を録ってみること。完璧を待たなくていい。最初の一回がヘタでも、二回目がある。それだけの話だ。