参考音声の録り方ひとつで、クローン声が「ロボット」から「本物」に変わる話

先週、友達の商品紹介動画をスペイン語で吹き替える手伝いをした。彼はスマホのマイクに口を近づけて、部屋の隅で適当に日本語を読み上げただけ。出来上がったクローン音声を聞いた瞬間、笑ってしまった——一文字一文字は綺麗なのに、繋がるとまるで教科書を棒読みしているみたいで、まったく「人間味」がない。

後で私がもう一度録り直したら、同じツールなのに別人のような自然さが出た。技術云々じゃなくて、「何を AI に食わせるか」が全てなんだと痛感した。ここからは、私が実際に踏んだ穴と、現場で使える細かいノウハウを隠さず書き出す。

底噪：ロボット感の正体は「見えないノイズ」

まず見落とされがちなのが底噪。静かな部屋だと思っていても、PC のファン、エアコンの唸り、窓の外の車音……これらが低周波として録音に紛れ込むと、クローンされた声に「こもった機械音」が乗る。

同じ台本で、ノイズ入りとノイズなしの二通りを 無料 音声クローン に通して比較したことがある。前者は明らかに「プラスチックっぽい」質感になり、波形を見るとベースラインが毛布を敷いたようにガタガタしている。

対策はシンプル。

  • 録音前にファン・エアコンを全て切る
  • スマホは手で持たず、スタンドで横置き（口から拳一つ分）
  • できればピンマイクやダイナミックマイクを使う
  • どうしても残るなら Audacity などで軽くノイズリダクション、ただしやりすぎると声が痩せる

これだけで「機械っぽさ」が一気に消える。

停頓とトーン：AI に「呼吸」を教える

次に大事なのが停頓。人間は話す合間に息を吸うし、考える隙間がある。でも緊張して一気に読み切ると、クローンはマシンガンのような早口になる。

私のやり方は、カンマで 0.3〜0.5 秒、ピリオドで 0.6〜0.8 秒、さらに文末では少し音程を落とす。これで AI が文の境界を学習し、生成時にも自然な間と抑揚が出る。

トーンも同じ。明るいナレーションなら笑い声を混ぜる、落ち着いたトーンなら声を沈める。後から「感情タグ」を足しても意味がない——AI が真似するのは「発声の癖」だから。

試しに疑問文を少し上げ気味で録ったら、生成された TTS も語尾が自然に上がった。この「隠し情報」が効く。

小技：同じ台本を 3 回録って、一番リラックスしたテイクを採用。初回は無意識に早口になるから捨てる。

多言語吹き替えの特別な注意点

日本語の参考音声で英語やスペイン語を出すなら、「日本語特有の癖」を持ち込まないこと。

  • 児化音（〜る）や軽声は目標言語に漏れる
  • 方言アクセントも同様

以前、日本語参考音声にうっかり「〜だよん」みたいな語尾を入れたら、スペイン語出力の語尾全部に「よん」が乗って笑えない結果に。標準的な共通語で、アクセントフラットな読み直しをしたら綺麗に出た。

語速も合わせる。日本語より速い言語（スペイン語・イタリア語）なら少し早めに、遅い言語（ドイツ語・フランス語）なら少しゆっくりめに読む。わざと変速すると「カクカク」になるので、自然な範囲で。

無料 TTS のテキスト入力欄では、句読点や「……」で長めのポーズ、「！」で強調を指示できる。参考音声の停頓設計と合わせると、驚くほど滑らかになる。

もっとチュートリアル で見かけた裏技：同一声色で複数言語を出すなら、言語ごとに別の参考音声を用意する（目標言語で数フレーズ読むだけでも OK）。発音リズムをそれぞれ学ばせられるから、単一言語参考より断然自然。

機材選び：スマホでも十分、でも「置き方」が命

スマホ内蔵マイクでも静かな環境なら実用レベル。ただし手で持って録るのは NG。手の摩擦音、呼吸音がダイレクトに入って、クローン声が「布団越し」みたいになる。

百均のスマホスタンドで横置き、口から拳一つ分。これだけで劇的にクリアになる。

予算があれば 2,000〜3,000 円のピンマイクやエントリークラスのダイナミックマイク（例：Audio‑Technica AT2020USB‑X など）を導入すると、SN 比が一段上がる。ダイナミックは周囲の音を拾いにくいから、完全防音できない自宅でも安心。コンデンサは細部が綺麗だが、ポップガード・オーディオインターフェース必須。齿音が立つと AI がそれを学習して「シーッ」となる。

後処理：AI に余白を残す

録り終わったらすぐ MP3 128kbps に変換してアップロード……はやめよう。44.1 kHz / 16‑bit WAV のまま渡すと、スペクトル情報がフルで残り、生成音声の質が上がる。

編集は最小限。

  1. 先頭・末尾の長い無音をカット
  2. -1 dB ピークノーマライズ

コンプレッサー、エキサイター、「ボーカル強化」プリセットは使わない。呼吸や微かな語尾まで潰れて「ラジオ声」になり、逆にロボット感が増す。

実戦ケース：30 秒ショート動画のナレーション全工程

先日、自社プロダクトの 30 秒リール用ナレーションを作った。機材：iPhone 15 Pro + 1,500 円のピンマイク。場所：自室、エアコン OFF、窓閉め。

  1. 台本を意味のまとまりで 5 ブロックに分け、各ブロック間に 0.5 秒の無音を入れる
  2. 温かい水で喉を潤し、リラックスして 3 テイク録音
  3. 一番自然なテイクを PC に取り込み、ノーマライズのみ
  4. 無料 音声クローン にアップロード、生成
  5. 3 ブロック目が早口だったので、テキスト側でキーワード直前にカンマ二つ追加して再生成
  6. 動画編集ソフトでカットポイントに合わせて配置、BGM を -18 dB でミックス

公開後、コメント欄に「これ本人？AI？」と聞かれた。これが狙い通りの反応。

よくある質問

参考音声はどのくらいの長さが必要？

最低 2 分、理想は 3〜5 分。短すぎると抑揚のパターンが足りず、長すぎると発音のブレが混ざる。私は 3 分程度で、平叙・疑問・感嘆をバランスよく入れる。

スマホの標準録音アプリで大丈夫？

iOS の「ボイスメモ」や Android の「レコーダー」は圧縮が強め。無圧縮（WAV/FLAC）で 44.1 kHz 以上出せるサードパーティアプリ（例：Voice Record Pro、ASR）を使う。横置きスタンド必須。

生成後にまだ機械っぽい場合の対処

  1. 参考音声の底噪を再チェック
  2. 停頓が不自然じゃないか聞き直す
  3. 無料 TTS のテキストに追加のカンマ・改行・「……」を入れてセグメント分け
  4. 読み間違えやすい固有名詞（例：「東京」→「とうきょう」「東京」併記）をひらがなやローマ字で分割

さあ、今すぐ試してみよう

次に参考音声を録る前、ファンを切って水を一口飲み、ニュース原稿を「友達に話しかけるつもり」で読んでみて。録り終わったら自分で再生——「あれ、これ俺が普段喋ってるのと変わらない」と思えたら、そのファイルを 登録不要 音声合成 に放り込んでみて。生成された声と自分の普段の声を比べてみれば、ロボットと人間の境界線が、たった一回の丁寧な録音でどれだけ縮まるか実感できるはず。

*この記事で紹介したツールは全てブラウザ完結・登録不要。まずは 無料 音声クローン で自分の声をクローンし、無料 TTS で多言語ナレーションを作ってみてください。