無料の音声クローン、ショート動画ナレーションとポッドキャストのオープニングで全然違う話
先週、知り合いがやってるラーメン店の YouTube Shorts に 30 秒のナレーションを付けることになった。原稿は 100 文字ちょっと。なのに、出来上がりまで 1 時間以上かかった。翌日、自分のポッドキャストのオープニングを同じツールで録ったら、5 分で終わった。同じ「音声クローン」なのに、何がそんなに違うのか。これ、書き残しておかないと損だと思った。
きっかけは、無料 TTS やテキスト読み上げ 無料 のツールを探していたこと。音声合成 無料 のサービスは山ほどあるけど、自分の声 クローン を作れるものは限られている。音声クローン オンライン で登録不要 音声合成 が使える VoxClone にたどり着いた。
ネットで「音声クローン 使い方」を検索すると、ショート動画もポッドキャストも同じノリで説明されている。でも実際は別物だ。
ショート動画のナレーションで大事なのは「リズム」
ショート動画のナレーションに求められるのは、速さ、安定、推進力。30 秒の動画なら原稿は 80〜100 字。情報密度を保ちながらテンポよく読ませないと、画面が先に切り替わってしまう。
最初、原稿をそのまま放り込んで生成した。聞いてみると……平坦。下手ではない。でも、全部の文の間が同じ長さで、教科書を読むロボットみたいだった。そこで気づいた。句読点を変えるだけでリズムが変わる。長い文は短く切る。カンマを句点に変える。転換点の前にダッシュを入れると、間がぐっと伸びて、ちょうど画面が切り替わるタイミングにハマる。
もうひとつハマったのが数字と英語。「3分」と書いたら「さんぷん」と読むのか「スリー分」になるのか。試すしかない。今は全部ひらがなか漢字で書いて、読み方を固定している。
動画 ナレーション AI として使うなら、この用途はとにかくスピード勝負。この前は VoxClone の無料音声クローン が楽だった。登録不要の音声合成なので、急ぎの案件でもメール認証を待たなくていい。クライアントが待ってるのに、認証コード探してる場合じゃない。
ポッドキャストのオープニングで大事なのは「自分らしさ」
ポッドキャストはまるで別物。オープニングは 10〜20 秒。でも毎回同じことを言うから、リスナーは何度も聞く。ここで「本人っぽいか」が生死を分ける。
ショート動画は視聴者の目が映像に行く。声が 90% 似ていれば十分。ポッドキャストはイヤホンで耳元に届く。息遣い、語尾の癖、文末が少し下がる感じ。ちょっと違うだけでバレる。
だからサンプル録りは丁寧にやった。静かな部屋。スマホのボイスメモでいい。でも長さはしっかり。自然な速さで。アナウンサーっぽくならない。サンプルが堅いと、生成も堅くなる。
生成後、ポッドキャストのオープニングと自分の生録を並べて聞き比べた。違和感のある文だけ、句読点と言い回しを直す。パラメータをいじるより、原稿を直すほうが効く。これが一番の収穫だった。
ちなみに AI 音声 無料 でここまでできるなら、オーディオブック 音声 作成 にも使えるんじゃないかと思っている。多言語 音声合成 無料 で英語版も作れるかもしれない。吹き替え AI 無料 の代わりになるかは、まだ試していないけど。
ふたつの違いを表にすると
| | ショート動画ナレーション | ポッドキャストのオープニング | |---|---|---| | 長さ | 30 秒〜1 分 | 10〜20 秒 | | 優先事項 | リズム、情報密度 | 再現度、個人の識別性 | | サンプルへの要求 | 普通でOK | きれいなほどいい | | やり直しコスト | 低い、再生成が速い | 高い、直すたびに聞く |
要するに、ショート動画は「使えればOK」、ポッドキャストは「彫刻」。どっちを作るか先に決めると、時間が半分で済む。
よくある質問
自分の声をクローンするとき、サンプルはどう録ればいい？
静かな環境、自然な速さ、内容は適当でいいけど台本を読まない。長さは 1〜2 分以上。リバーブのある部屋は避ける。クローゼットの中で録るのは恥ずかしくない。むしろ良い結果が出る。
無料ツールで作った音声は商用利用できる？
自分の声なら基本的に問題ない。でも他人の声をクローンするなら必ず許可を取る。法律の問題であり、礼儀の問題でもある。VoxClone のようなオンラインのテキスト読み上げツールは無料で使えるけど、商用条件は使う前にサイトの説明を確認したほうがいい。
生成した音声にノイズが乗る、区切りが変なときは？
三つ試す。サンプルの質を確認する。原稿の句読点を組み替える。文の形を変える。多くの「AIっぽさ」は、原稿がそもそも人間の話し方になっていないだけ。自分で音読して引っかかる場所は、合成でも必ず引っかかる。
で、結局どう使うか
音声クローンは、ツールがスタート地点で、原稿とサンプルが上限を決める。最初から完璧を狙わない。まず 50 字くらいの短い原稿で試して、聞いてから方向を決める。
今日やるなら、VoxClone のトップページ を開いて自分の録音を一本アップするところから。クローンができたら、適当な文章を読ませてみる。10 分で終わる。一度聞けば、この技術が今どこまで来ているか分かるはず。もっと遊び方を知りたいなら、チュートリアルや最新情報 を覗いてみてほしい。