友達が「NPCの声、声優さんだろ？」って言った。実は無料の音声クローンでした
先週、オンラインでパーティを組んでダンジョンに潜ってた時のこと。ボイスチャットで後輩が突然こう叫んだんです。
「このNPCの台詞、絶対プロの声優さんだよね！声質がめっちゃ自然！」
その瞬間、思わず笑っちゃいました。だってその声、俺が無料の音声クローンで作ったやつですから。しかも所要時間は10分もかかってない。
正直、半年前の自分に「AIでこんな自然な声を作れる」って言っても信じなかったでしょうね。でも今は違う。このオンラインのテキスト読み上げ無料サイトを見つけてから、俺のゲーム制作のワークフローが完全に変わりました。
「機械音」から「生身の声」へ。たった1回のクローンで
最初は大手のTTSエンジンも試しましたよ。でもね……まあ、聞けばわかるでしょ。明らかにAI。特に複数キャラの掛け合いになると、全員同じトーンで、プレイヤーから「なんか浮いてる」って言われる始末。
で、試しに無料の音声クローンオンラインを使ってみたんです。最初に自分の声を3文だけ録音して、それをベースに各NPCに別々の声色を割り当てる。
村長は低くて枯れた声に、エルフの娘は明るくて語尾が伸びる感じ、悪役は声を潜めて息混じりに。
そしたらですよ、友達がゲームに入ってきて第一声が「プロの声優頼んだ？」。
マジで、このツールは思ってたより賢い。単にピッチを変えるだけじゃないんです。言い回し、間、息継ぎまで学習してくれる。台詞を細かく区切って、各文に違う感情タグを付けると、なんだか「演技」してるみたいな仕上がりになるんですよ。
失敗から学んだこと：クローンは「録音機」じゃない
最初、欲張って5キャラ分を一気にクローンしようとしました。
結果は……大惨事。全員の声が混ざり合って、まるで一人が多重人格みたいに。後でわかったんですけど、無料の音声クローンAIは各キャラに十分な参照音声が必要で、少なくとも15秒はクリーンな声を入れないとダメ。しかも感情のトーンも揃えた方がいい。
それと、もう一つ痛い目を見たのが、ゲームの原音声をそのままクローンに使った時。著作権警告が来て、心臓が止まるかと思いました。
だから今は、自分で録るか、サイトに用意されてるサンプル音声を使うようにしてます。そうそう、この無料の音声クローンウェブ版は登録不要で、開いてすぐ録音→ドラッグ&ドロップで完了。めちゃくちゃ楽です。
複数キャラの声を操る、俺なりの手順
今の俺のゲームNPC用のワークフローはこんな感じ。
まず台詞を書いて、キャラごとに分ける。次に各キャラのベースとなる音色を選ぶ（サイトには数十種類のプリセットがあるから、基本これで足りる）。で、話速・ピッチ・感情の強さを微調整。
一番大事なのは「キャラの固定」。同じキャラなら、全台詞に同じクローンモデルを使う。絶対に混ぜるな。
あと、無料の音声クローンでテキスト読み上げ機能が長い台詞にめちゃくちゃ使える。自動で文節に区切ってくれるから、自分で句読点を打つより自然な間ができるんです。
「無料」の裏側、正直に話します
「本当にずっと無料なの？」って思いますよね。
俺は1ヶ月以上使ってますが、1円も払ってないし、有料プランへの誘導もありません。ただし、無料版には1日の文字数上限があって、だいたい2〜3時間分の音声を作るのに十分な量です。
それと、無料の音声クローン・ナイスボイスってバージョンは、音質の上限が44.1kHz。ゲームの効果音なら十分だけど、ラジオドラマとかを作るなら、登録不要の音声クローンで複数モデルを試すのをおすすめします。
俺がメインで使ってるのは無料の音声クローン公式サイトの入口。安定してるし、広告も出ない。
実演：ツンデレ猫娘NPCを作ってみた
先週、新しい依頼が来ました。猫娘のNPCで、台詞がツンデレで甘ったるい。「ふん、別にアンタを待ってたわけじゃないんだからね！」みたいな。
最初はプリセットの「少女声」で試したんですが、甘すぎて「ツン」の部分が全然出ない。そこで、自分でツンデレ風の口調を真似て20秒ほど録音して、それをクローン。
生成された声を聞いた瞬間、2秒ほど固まりました。あの「ふん」の語尾の上がり方、それに微かに混じる鼻音。完全に猫娘そのもの。
その音声をゲームに入れて、テスト中に同僚が寄ってきて「この声、誰に頼んだの？」って。俺が「AIだよ」って言ったら、彼は画面をじっと見つめて、最後にこう言いました。「このAI、役者だな」って。
「感情」の細かい話、ここだけの裏技
あんまり解説サイトでは教えてくれないんですが、クローン音声では「感情タグ」が音色そのものより大事だったりします。
例えば同じ「やっと来たね」という台詞でも、「驚き」と「不満」のタグでは、出来上がりが全然違う。俺は各台詞の前に感情のヒントを入れます。「[嬉しい] やっと来たね」みたいな。このサイトのエンジンはそれを認識してくれるんです。
もう一つ小技。キャラを「息切れしてる」風にしたいなら、文末に「……」を付けるだけで、TTSが自動的に語尾を伸ばしてくれる。手動で呼吸パラメータをいじるより、こっちの方が自然です。
よくある質問
Q: クローンした声って「電子音っぽく」ならない？
良い質問です。最初は俺も心配しました。でも実際に使ってみると、参照音声がきれいなら、普通の速度で聞く限りは合成感はほぼないです。たまに息継ぎが不自然な時があるので、そういう時はカンマやピリオドを足して、TTSに「呼吸」させてやります。
Q: 複数キャラで会話する時、声の切り替えで違和感が出ない？
俺はキャラごとに音声ファイルを別々に生成して、ゲームエンジン側でトリガーに応じて再生する方式にしてます。そうすれば切り替えはゼロ遅延だし、各キャラに独立した感情のカーブを持たせられます。
Q: このツールで歌も作れる？
できますよ。無料の音声クローンで歌うモードがあって、デモ曲を女声にカバーしてみたら、意外と聴ける仕上がりに。ただし、歌は喋りより難しくて、参照音声が長めに必要だし、ピッチは後で修正しないといけません。
最後に
今、友達に「このNPCの声誰がやってるの？」って聞かれたら、俺は「無料のAIだよ」って答えます。その名も無料の音声クローンプラットフォーム。
彼らが信じない時は、その場でデモを見せます。録音して、クローンして、新しい台詞を生成するまで、たったの2分。
これ、10年前だったら、声優さんにいくら払ってたんだろう？
さて、あなたにも「このキャラの声、自分で作ってみたい」って思うゲーム、ありますか？