無料音声クローンで「自分の声」がロボットに？設定で劇的に変わった話
先週の夜、ふと思い立って自分の声をクローンしてみたんです。理由は単純、YouTubeの動画で「声をコピーして朗読させる」ってやつを見て、面白そうだなって。で、無料の音声クローンを検索して、登録不要のオンラインサービスを見つけた。最初は「まあ無料だし、しょせんこんなもんか」って思う覚悟だったんですよ。
ところが、実際に生成された音声を聞いた瞬間、思わず笑っちゃいました。だって、それがもう完全にロボットなんですよ。抑揚ゼロ、機械的な発音、ところどころ変なアクセント。まるで昭和のアニメに出てくるコンピューター音声みたい。自分の声なのに、全然自分じゃない。ガッカリしましたよ、正直。
でもね、そのあと設定画面をあれこれいじってみたら、これが驚くほど自然になるんです。今日はその顛末を、同じように「無料 音声クローン」でロボット声に悩む人に向けて、具体的な設定値と一緒にシェアします。
最初にやったこと：録音環境が最悪だった
まず、私の最初の失敗は録音でした。スマホの内蔵マイクで、リビングで録ったんですよ。後ろでエアコンが回ってて、遠くで犬の鳴き声もする。で、その音声をそのままアップロードしてクローン生成したら、まあ当然ロボットですわ。
後で気づいたんですけど、音声クローンの精度って、入力する声のクオリティにめちゃくちゃ左右されるんです。特に無料のオンラインサービスだと、その辺のノイズ処理が甘いから、雑音がそのまま学習されちゃう。
そこで、私はクローゼットの中に入って、毛布を頭からかぶって録り直しました。変な人ですけど、これが結構効果的。無音に近い状態で、しかもマイクから10センチくらいの距離で、ゆっくりと話す。これだけで、生成される声のロボット感がかなり減りました。
設定パラメータがすべてだった
次に気づいたのが、パラメータ設定の存在です。最初はデフォルトのまま生成してたんですけど、それだと「安定性」が高すぎるんですね。このサイト（https://ja.web666.cc/clone ）の設定画面には、たしか「声の安定性」と「類似度」と「感情表現」みたいなスライダーがあって、それぞれ0から100まで動かせる。
最初は安定性100、類似度70、感情表現30でやってました。そしたら、もう安定しすぎて、どの文も同じトーン、同じテンポ、まるで自動音声案内。これじゃダメだと思って、逆に安定性を50まで下げてみたんです。すると、声が少し震えたり、語尾が伸びたりして、人間らしい揺らぎが出てきました。
さらに、感情表現を70に上げたら、驚くほど自然に。特に感嘆符の多い文章だと、ちゃんと驚いたような口調になる。これは「無料 TTS」のイメージを覆す体験でしたね。
日本語特有の読み間違いとの格闘
ここで大きな壁が。日本語のテキスト読み上げって、漢字の読み間違いが致命的なんですよ。たとえば「楽しい」が「ガクしい」って読まれたり、「明日」が「あした」じゃなく「みょうにち」って読まれたり。最初は「なんでやねん」ってツッコミ入れたくなるレベル。
でも、このサービスには発音調整機能があって、単語ごとに読み仮名を指定できるんです。私は「楽しい」を「たのしい」とカタカナで入力し直して、さらにアクセントの位置も調整しました。日本語のアクセントって、関東と関西で違いますからね。私は関西人なんで、標準語に合わせるのがまた一苦労。
この調整をやったら、もう全然違う。ロボット声が、少し訛りのあるアナウンサーみたいな声に変わりました。もちろん完璧ではないけど、十分使えるレベル。
オーディオブック作成に挑戦してみた
せっかく自分の声をクローンできたんで、今度はオーディオブック作成に挑戦してみました。青空文庫の「吾輩は猫である」を冒頭だけ、このクローン声で読み上げてみたんです。
最初は「吾輩は猫である。名前はまだ無い。」って部分、まあ普通に読めるんですけど、そのあとの長い文章になると、またロボットっぽさが顔を出す。特に読点（、）のところで変に間が空いたり、句点（。）で急に終わったり。
で、また設定をいじりました。今度は「間の調整」って項目があって、読点の後のポーズを短く、句点の後のポーズを長く設定。さらに、文の長さによってピッチを少し変えるようにしたら、なんとなく自然な抑揚がついてきました。これは吹き替え AI 無料のサイトでも、同じような調整ができるのかもしれません。
無料と有料の差は、ここにあった
正直に言うと、有料の音声合成サービスと比べると、やっぱり無料の無料 音声クローンは限界があります。特に感情のこもった長文になると、まだ機械的な部分が残ります。でも、短い文章、たとえばブログのイントロや、YouTubeのショート動画のナレーションなら、全然使えるレベル。
それに、このサイトは永久無料で、しかも登録不要。つまり、アカウントもメールアドレスも不要で、ブラウザを開いてすぐに使える。これはデジタル音声を作りたいけど、お金をかけたくない人にはありがたい。
私は今、毎週のポッドキャストの冒頭ジングルを、このクローン声で作ってます。毎回「これはAI音声です」って言う必要があるから、その部分だけは自分の生声で録ってますけどね。
まとめ：ロボット声を卒業するためのチェックリスト
最後に、私が試行錯誤で見つけた、ロボット声を卒業するためのポイントをまとめます。
- 録音環境を整える：無音の部屋で、マイクから10センチ以内。クローゼットや布団の中が意外と良い。
- 安定性を下げる：最初は50〜60くらいから始めて、ロボット感が残るならさらに下げる。
- 類似度を上げる：自分の声に近づけたいなら、類似度を80以上に。ただし、上げすぎるとノイズも増える。
- 感情表現を上げる：特に朗読やナレーションなら、感情表現を60以上にすると、抑揚が出やすい。
- 日本語の読み仮名を必ず確認：漢字の読み間違いは、発音調整機能で必ず修正する。
これで、私のクローン声は「ロボット」から「ちょっと機械っぽい人間」に進化しました。完璧とは言えないけど、無料でここまでできるなら、十分すぎるでしょ。
もしあなたも無料 音声クローンでロボット声に悩んでいたら、一度設定をいじってみてください。きっと、私みたいに「おっ、これ使えるじゃん」って思えるはずです。
そして、もっと極めたいなら、このサイトのダイナミックページ（https://ja.web666.cc/dynamic ）に、他のユーザーの設定例やコツが載ってるかもしれないから、チェックしてみるといいですよ。
さて、私はこれから、自分のクローン声で「走れメロス」の朗読動画を作ってみます。また何か発見があったら、ここで報告しますね。それでは。