先週、オフィスの給湯室で同僚の佐藤がコーヒー片手に近づいてきて、こう聞かれたんです。「この前送ってくれたIVR音声、誰に頼んだの？ めっちゃ自然で、息継ぎまで入ってるけど。」
一瞬固まって、それから笑っちゃいました。だってあれ、無料音声クローンのWeb版で作ったやつで、テキストから音声にするまで10分もかかってないんですよ。
佐藤はさらに驚いて「無料？ 登録もなし？ まさか大手の隠しAPI使ってるとか？」って。いやいや、ブラウザのタブに開いてたオンラインのテキスト読み上げ無料の画面を見せたら、2秒ほど沈黙して「これ、ウチのコールセンターに導入したら、上司はプロの声優を雇ったと思うだろうな」って。
実は私もここまで上手くいくとは思ってなかったんです。以前、いくつか無料の音声クローンAIを試しましたけど、音がこもるか、区切りがロボットみたいになるかで。でもこのプラットフォーム、ちゃんと「人間の話し方」を研究してるんだなって感じました。
最初の失敗：合成感から人間らしさへ
まず、失敗談から。最初に会社の宣伝文を無料の音声クローンソフトに入れてみたら、文字はきれいなんですけど、IVRの「お電話ありがとうございます」が天気予報の読み上げみたいで、どの単語も同じ強さ、抑揚ゼロ。想像してみてください、ユーザーが電話かけてきて、この調子だと「あ、機械だ」ってすぐ分かって、切断率が倍になりますよ。
そこから学んで、無料の音声クローンでテキスト読み上げするときは、まず原稿を話し言葉に変えました。「1番を押してください」を「1でいいですよ」に、「オペレーターに転送」を「担当者につなぐなら0」に。それから速度とポーズを調整して、「転送」の後のカンマを0.5秒伸ばしたんです。たったこれだけで、効果は歴然。
一番驚いたのは、この無料の音声クローン、ナイスボイス機能が、私が入力したテキストの感情のヒントをちゃんと拾ってくれること。文末に「よ」を付けたら少し遊び心のある声に、「ね」なら語尾が柔らかくなる。IVRにはこれが超大事ですよ。だって、冷たいAIに文句言いたくないですからね。
なぜ、生の人間に録音させるのをやめたか
「じゃあ、IVRは最初から人間に録らせればいいじゃん」って思うでしょう？ 私も昔はそうでした。でも現実は、人間の録音は高いし、修正はもっと高い。先月、うちの営業部がプラン説明を変更して、元の録音の3箇所の料金を更新しなきゃいけなくなったんです。元の声優に再録を頼んだら？ 時給制で、やり取り3回、1週間は潰れました。
その後、無料の音声クローンプラットフォームで新しいテキストを貼り付けて、元の声に近いテンプレートを選んで、10分で完成。しかも登録不要の音声クローンってのが最高で、急に単語を変えたいときも、ログインせずに参照音声をアップロードして、トーンを調整して、完了。
ちょっとした発見なんですが、無料の音声クローンで歌う機能で着信音を試してみたんです。IVRには使いませんけど、メロディー付きの合成がここまで自然だと、このエンジンの底力は本物だなと。ただ「テキストを読む」んじゃなくて、「テキストを演じる」感じです。
ハマった穴と、あなたへのアドバイス
とはいえ、失敗もありました。最初に無料の音声クローン公式サイトで生成したとき、原稿に「VIP」ってそのまま書いたら、「ブイアイピー」って読まれました。それから「ビップ」って書いたら直った。あと、長い文には必ずカンマを入れてください。このプラットフォーム、句読点への依存度が思ったより高いんです。
それから、無料TTS音声合成は背景音の処理が面白い。録音スタジオで軽いハム音が入った参照音声をアップロードしたら、自動で消してくれました。でも、もし参照音声に残響が入ってると、生成結果にも「空洞感」が出ます。だから、参照音声は静かな部屋でスマホで録るのがおすすめ。パソコンのマイクでも大丈夫です。
最後に、同僚も気づかなかったこと。あの「声優？」って褒められたIVR、実は1円もかかってないんです。永久無料の音声クローンページ、アカウント登録すらしてません。もしあなたもコールセンターのシステムを作ってるなら、または自動発信の声を変えたいなら、このテキストをそのまま試してみてください：
「もしもし、こちらは◯◯株式会社です。ご用件は1、サポートは2、担当者につなぐなら0。良い一日を、さようなら。」
聞いてみて、自分で判断してください。もし同僚に「これ、声優だろ？」って聞かれたら、この苦労も報われるってものです。
あ、そうだ。会社のパソコンで試さないでくださいよ。IT部門に登録不要の音声合成で遊んでるのバレますから。私は家でやりましたけど、結果は同じでした。
同じ文でも、パラメータでこんなに変わる
実験してみたんです。同じテキストを、デフォルト設定、速度アップ、ポーズ延長の3パターンで生成。デフォルトは「もしもし、お電話ありがとうございます」を中速で、各単語の間隔が均等で、ニュース読み上げ風。速度を上げると全体が締まるけど、「ありがとう」の2語が軽くくっつく、急いでる感じ。ポーズ延長版が一番人間らしい——「ございます」の後にカンマを2つ手動で入れたら、語尾が自然に下がって、次の「1番」の前に明確な息継ぎがある。まるで本当のオペレーターが呼吸してるみたい。
この比較で分かったのは、無料の音声クローンツールは速くすればいいってもんじゃなくて、「自然な呼吸」のリズムを見つけるのが大事だってこと。その後、IVRの長い文は全部短く区切って、各文末にカンマを置くようにしたら、生成結果から機械感がほぼ消えました。
見落としがちな落とし穴：句読点の「性格」
句読点って単なるフォーマットだと思ってません？ でもこのプラットフォームでは、句読点が感情に直結するんです。「1番」の後に感嘆符を付けたら、少し急かす感じに。句点にしたら、フラットな説明になる。極めつけは、「担当者に転送」の後に疑問符を付けたら、「本当に転送しますか？」っていう疑いのニュアンスが読み取れたんです。
だから、IVRの原稿を書くとき、句読点を省略しないで。句点は句点、カンマはカンマ。私は「良い一日を」の後に句点を付けて、語尾をきれいに締めるようにしてます。長音を引っ張らない。この細かい部分、同僚の佐藤は気づいてないけど、「他社のサポートより聞きやすい」とは言ってました。
せっかちな人向けの速攻レシピ
パラメータ調整が面倒なら、このテンプレをコピーして。私の今のIVRテンプレは、最初の「もしもし」の後にカンマ、各選択肢は句点で区切り、最後の「さようなら」の後には何も付けない。速度は中くらいよりやや遅め、ポーズは1.2倍に。これで生成したら、90%の人は騙せますよ。
さらに楽したいなら、無料の音声クローンオンラインのページにある「カスタマーサービス用」プリセットを使ってください。優しくて、微笑みを含んだ声が最初から設定されてます。私が自分で調整するより自然でした。だって、彼らはちゃんとカスタマーサービス向けにチューニングしてますからね。
最後に一つだけ注意：本物の人間の録音と比べると、落ち込むかもしれません。でも、今のロボット音声をこれに置き換えたら、まさに次元が違います。同僚に「この声、声優だろ？」って聞かれたら、「さあね」って返しておきましょう。