講義ナレーションをAIで作ったら、友人に「これ、生声でしょ？」って言われた話
先月、研修教材のナレーションを全部作り直す案件が入って、納期が正直キツかった。時間がないので、オンラインのテキスト読み上げツールで全部音声合成してしまったんです。納品した翌日、クライアントの知人からこんなメッセージが届きました。「あの講師の方、声すごく優しいですね。1コマ分録音して、喉壊しませんでした？」
……2秒くらい固まりました。どうやら、スタジオに人を呼んで録ったと思われている。
正直、ちょっと得意になったのと同時に、後ろめたさもあって、結局白状しました。AIの音声合成です、無料で、作業時間1時間もかかってないです、って。
講義・教材ナレーションは、なぜTTSと相性がいいのか
教材のナレーションには特徴があります。量が多い。修正が頻繁。「演技」は求められない。
考えてみてください。40分の講義を生声で録ろうとすると、外注すれば数万円は軽く飛ぶし、テキストを1段落直すたびにスケジュールを組み直して再録音。この往復だけで心が折れます。
一方で教材ナレーションに必要なのは、クリアな発音、安定したトーン、適度な話速。ここ、TTSが一番得意な領域なんですよね。感情を爆発させるCMナレーションはまだAIには荷が重いけど、「それでは第3章を見ていきましょう」レベルの内容なら、機械のほうが急いで録った人間より落ち着いて聞こえることすらあります。
私の今の流れはシンプルです。原稿を書く→段落ごとに貼り付け→音声を選ぶ→試聴して句読点で間を調整→書き出し。1分の音声が1〜2分で完成します。
使っているツール：VoxClone。「登録不要」がでかい
使っているのはVoxClone。おすすめする理由は主に3つ。
ひとつ目は、登録不要の音声合成であること。ページを開いたらすぐ使える。電話番号もメールも不要。締め切り直前に修正が入る現場だと、これが本当に助かる——アカウント作成画面で手が止まるのは御免ですよね。
ふたつ目は、無料TTSに回数制限がないこと。無料2000文字まで、みたいなツールも多いけど、教材制作だと一学期で足りなくなる。VoxCloneはずっと無料で、長文原稿もそのまま放り込めます。文字数を数えながら作業するストレスから解放されるのは思った以上に大きい。
みっつ目は、自分の声をクローンできること。自分の声を少し録ってアップロードすれば、その声質で合成できるようになる。オンライン講座をやってる友人はこれを使っていて、コースの音声は全部「本人の声」だけど、実際には1本も録っていないそうです。喉をやられた週でも更新が止まらなかったと。
実際に踏んだ落とし穴。同じ轍は踏まないで
句読点が演出家です。 読点は短い間、句点は長い間。三点リーダーは余韻のある区切りになる。強調したい単語の前で一度止めたいなら、読点を1個足す。パラメータをいじるより効きます。
読み方が変になる語は書き換える。 同じ表記で読みが揺れる語は、たまに想定外の読み方をします。粘って調整するより、言い換えるのが早い。「処理」が怪しければ「しょり」とふりがな的な工夫をするか、別の語に置き換える。潔くいきましょう。
長文を一気に合成しない。 段落ごとに分けて作る。どの部分がダメか特定しやすいし、後で映像とタイムラインを合わせるときも楽です。
数字と単位はちゃんと書く。 「3kg」より「3キログラム」。「2024年」が変に読まれたら「にせんにじゅうよねん」と書き下す。地味だけど、仕上がりが全然違います。
よくある質問
合成音声って、機械っぽさが目立ちませんか？
数年前のものとは別次元です。音声の選択と句読点の調整をちゃんとやれば、日常的な教材ナレーションならまずバレません。もっと自然さを求めるなら、実在の人間の声をクローンするのが一番効きます。
無料枠はどのくらい？文字数制限は？
VoxCloneは永久無料で、文字数制限なしのテキスト読み上げ、アカウント登録も不要です。私が一番長くやったのは1万字超の研修マニュアルでしたが、段落に分けて全部合成できました。
自分の声で作れますか？
作れます。音声クローンのページで自分の声のサンプルを録音かアップロードすれば、その声で読み上げさせられます。サンプルは静かな環境で、クリアに録るのが鉄則。ここで差がつきます。
最後にひとつ
今まさにナレーション待ちの教材を抱えてるなら、外注するか自分で録るかで悩むの、やめませんか。今夜、一番短い段落だけでもVoxCloneに貼ってみてください。10分もあれば、この道が通るかどうか分かります。手順をもっと詳しく知りたい人は使い方の解説記事をサイト内にまとめてるので、のぞいてみてください。
ツールはあくまで道具。声の仕事は内容を耳に届けるだけ。届ける中身が良いかどうかは、結局、書く人次第です。