先週の水曜、夜の11時を回った頃だった。スマホが震えて、友人から8秒のボイスメッセージが届いた。女性の声が商品説明を読み上げている。妙にリラックスした口調で、途中でふっと息継ぎまでしている。直後にテキストが続いた。

「この声、人間が録ったやつ？」

違う。無料音声クローンで作ったんだ。かかった時間は2分もない。

彼は3秒黙って、それから僕がまったく予想していなかったことを聞いてきた。

「で、書き出すときってMP3とWAVどっち選べばいいの？」

……正直、この質問は「人間っぽいかどうか」よりずっと答えるのが難しい。

なんで話がフォーマットの話になったのか

彼はECサイトの商品ページを作っている。最近、商品説明用のナレーションを大量に用意する必要が出たらしい。動画ナレーション AIで済ませたいけど品質が心配で、以前は外注のナレーターに頼んでいた。30秒で1本3,000円、修正のたびに追加料金が発生する。それが、僕がオンライン音声クローンを一度見せただけで、彼は固まった——ソフトのインストール不要、アカウント登録も不要、テキストを貼り付けるだけで声が出る。彼は3回確認してきた。「本当にずっと無料なの？」

その驚きはよく分かる。ここ数年、「音声クローン 無料」と銘打ったツールを7つか8つ試してきたけど、ほとんどは無料枠を使い切ると課金画面が出るか、書き出しに透かしが入る。登録不要 音声合成でしかも回数制限なし、というのは確かに珍しい。

でも、いざ自分でやるとなると問題が出てくる。彼はテキスト読み上げ 無料のページで原稿を入力し、書き出しボタンを押して、フォーマットが2つあるのを見て止まった。多くの人は「テキスト読み上げ 無料」で検索して、どの声が自然かで悩んで、最後の最後で適当にフォーマットを選んで、それまでの好感度を台無しにする。

MP3とWAV、違いは「音がいいかどうか」じゃない

まずよくある誤解を壊しておく。

WAVは「音質がいい」んじゃない。「圧縮されていない」だけだ。MP3も「音質が悪い」んじゃない。「非可逆圧縮だけど、賢く圧縮している」だけ。この関係はRAWとJPEGに近い——どっちが上とか下とかじゃなくて、用途が違う。

WAVは元のサンプリングデータをそのまま保持するから、ファイルサイズがえげつない。1分の音声で44.1kHz/16bitなら、だいたい10MB前後。MP3なら同じ長さで128kbpsなら1MB程度、320kbpsでも2.4MBくらい。

じゃあその差は何と引き換えなのか。「編集できるかどうか」だ。あとで編集ソフトに突っ込んでノイズ除去、速度変更、ミックス、結合をするなら、WAVは何度でも耐える。MP3は書き出すたびに少しずつ劣化する。3回くらい編集を重ねると、歯擦音がざらつき始める。

逆に、音声をショート動画に放り込むだけ、LINEで送るだけ、Webプレイヤーに載せるだけなら——WAVの10MBは純粋な無駄だ。プラットフォーム側でさらに圧縮されるから、二度手間になる。

僕の使い分けはこんな感じ

何年かコンテンツを作ってきて、ほぼ条件反射になっている。

  • 編集ソフトで二次加工するもの → 全部WAV
  • そのまま納品、グループ送信、プラットフォーム投稿 → MP3 320kbps
  • 迷ったら → まずWAVで保存しておいて、必要になったらMP3に変換

3つ目は失敗してから追加したルールだ。ある時クライアントにMP3を納品したら、「BGMを少し抑えて」と言われて、そのMP3をさらに編集したら、声が明らかにこもってしまった。結局もう一度生成し直す羽目になった。それ以来、学んだ。

生成の話で言うと、AI 音声 無料でナレーションを作るなら、「1回の生成で両方のフォーマットを保存しておく」のが一番楽だ。今は回数制限なしの無料TTSがあるから、もう一度走らせるのに数十秒しかかからない。ストレージを節約しようとして賭けに出る必要はない。

用途によっても最適なフォーマットは変わる。動画ナレーション AIとしてYouTubeに上げるならMP3で十分だし、オーディオブック 音声 作成のように後から細かい編集をするならWAV一択。吹き替え AI 無料で遊んでみたいだけなら、正直どっちでもいい。多言語 音声合成 無料を使って海外向けに展開するなら、各言語ごとにWAVで保存しておくと後が楽だ。

あと、自分のプログラムに音声を組み込んでバッチ処理する予定なら、なおさらソースでロスレスを残しておくべきだ。VoxCloneは無料の音声合成APIも提供していて、返ってくる音声を直接WAVで保存できる。後からどんな処理をしたいと思っても余地がある。この「ソースでロスレス」という習慣は、後から修正するよりずっと割がいい。

よく聞かれる質問

MP3だと「AIっぽく」聞こえる？

聞こえない。というか、フォーマットはその決定要因じゃない。音声が偽物っぽく聞こえるのは、たいていテキストの区切りが不自然か、選んだ声質と内容の雰囲気が合っていないからだ——例えばニュース読み上げのトーンで萌え系のセリフを読ませるとか。無料AI音声でも無料TTS音声合成でも、自然さはとっくに「一聴きで偽物」という段階を超えている。特に自分の声 クローン系のソリューションは、サンプリングした声質自体がクリーンだ。フォーマットの差は、スマホのスピーカーで聞く分にはほぼ分からない。

動画用にWAVで書き出すと大きすぎてアップロードできない？

それはある。TikTok、YouTube Shorts、Instagram Reelsあたりはアップロード容量に暗黙の制限があるし、最終的に全部再エンコードされる。WAVを上げても、プラットフォーム側でAACに圧縮される。だから動画用ならMP3で十分。無駄に頑張らないほうがいい。

書き出したファイルは後から編集できる？

MP3でも編集はできる。ただし編集のたびに劣化する。前後の無音を切るだけなら問題ない。速度変更、ピッチ変更、ノイズ除去をするなら、音声クローンのページに戻ってWAVで再生成することを勧める。登録不要 音声合成のいいところはここで、コストが低いから何度でもやり直せる。

最後に

友人からのLINEに戻る。僕が最終的に出したアドバイスは「この商品ナレーション、まずWAVで1本アーカイブして、それからMP3 320kbpsに変換して納品しろ」だった。彼は「そんな差、分かるのか」と言った。分からない、と答えた。でも3ヶ月後に原稿を修正するとき、差がどこにあるか分かる。

もし同じことで悩んでいるなら、ページの前で止まらないでほしい。30秒くらいのテキストを選んで、無料テキスト読み上げで2回生成してみる——1回はMP3、1回はWAV。ヘッドホンで聞き比べて、編集ソフトに突っ込んで一回切ってみる。5分で、10本のチュートリアルを読むより役に立つ。

ついでに他のチュートリアルも覗いてみてほしい。僕がすでに踏んだ地雷がいくつか転がっている。