無料音声クローンで作るナレーション、どうして機械っぽい？まずは参照音声の録り方から
先週、同僚が物理の授業動画用のナレーションを作ってほしいと言ってきた。彼女はスマホで録った自分の講義音声を渡してきて「これでクローンして」と。再生してみて思わず笑った。背景に扇風機の音、紙をめくる音、そして講義の途中でゴホゴホと咳をする音まで入ってる。そのままクローンしたら、AIが喋るたびに「ブーン」という低いノイズが乗って、まるで金魚鉢の中でロボットが喋ってるみたいになった。
この経験で痛感したのは、多くの人が「無料の音声クローンは音声を1本渡せばそれで終わり」と思ってるけど、実際は参照音声の質が仕上がりを決めるってこと。今日はパラメータの話はしない。どうやってAIに「食べさせる」参照音声を録るか、その話をしよう。
落とし穴その1：講義録音をそのまま使わない。「アナウンサー読み」で録り直す
「今の授業の録音があるから、それをアップロードすればいいんでしょ？」——これ、すごく多い。でも講義録音には大量の間、口癖、抑揚のムラがある。AIはそれを全部学習する。結果、合成された文は変なところで区切られて、語尾に「えーっと」「あのー」がくっついてくる。
正しいのは、静かな時間を見つけて、スマホかPCのマイクで、ニュース原稿を読むような安定したトーンで、同じテキストを読み直すこと。オーバーにやる必要はない。ただ、一語一語をはっきり、つながりよく。文末で音を伸ばさない。僕はいつも3回録って、一番流れのいいのを使う。
もし録り方のイメージが湧かないなら、無料の音声クローンWeb版 のサンプル音声を聴いてみてほしい。あれが「クリーンな参照音声」の標準形だ。
落とし穴その2：環境ノイズは音質より致命的
「スマホのマイクなら十分でしょ」——違う。PCのファン、エアコン、窓の外の車の音。AIはこれらを全部「あなたの声の特徴」として学習する。僕は一度カフェで録ったことがある。出来上がったクローン音声には、見事に「ラテの泡立つ音」が乗ってた。マジで呪いみたいだった。
録るときは面倒でも、部屋の窓とドアを閉めて。スマホは口から15〜20センチ。下にタオルを敷いて机の振動を防ぐ。できればスマホの内蔵マイクより、イヤホンのマイクの方がいい。録り終わったら自分で聴き直して、「サー」とか「ブーン」が少しでも入ってたら録り直し。
ここをちゃんとやると、あとでオンラインのテキスト読み上げ で合成する時、文と文の間が驚くほどクリーンに感じる。まるで誰かが耳元で読んでくれてるみたいに。
落とし穴その3：テキスト選び。「早口言葉」は選ばない。「情報密度が低い」文を選ぶ
参照音声のテキスト内容で、AIが学ぶ「トーン」「間」「連結」の基準が決まる。もし「すもももももももものうち」みたいなのを録ったら、AIはあの「早口言葉特有のリズム」を学習する。それを授業動画に使ったら、そりゃ変になる。
おすすめは日常的な説明文。例えば「今日は光合成について学びます。光合成とは、緑色植物が光のエネルギーを利用して、二酸化炭素と水から有機物を作り出す過程です」——こういう、コンマや句点がちゃんとあって、文の構造が整ってるやつ。AIは正しい区切り方と自然な語尾の下がり方を学べる。
ちなみに、自分の声で教科書を読み上げたいなら、永久無料の音声クローン のページに推奨テキストが最初から入ってる。それをそのまま読めばいい。自分で考える手間が省ける。
落とし穴その4：長さは欲張らない。10〜20秒で十分
「長ければ長いほど精度が上がるんじゃない？」——これ、逆。5分も録ると、AIは「一番目立つ特徴」を拾う。例えば、どこかで急に声が大きくなったとか、ちょっと噛んだとか。その「異常」を記憶しちゃう。
僕が試した限り、15秒、一定の速度で、感情の起伏がない音声が一番いい。もし長く録るなら、音量・速度・トーンをずっと同じレベルに保つこと。途中で上がったり下がったりするのは絶対ダメ。
それと、参照音声のファイル形式はMP3でもWAVでもどっちでもいい。サンプルレートが極端に低くなければ、スマホのデフォルト設定で録れば問題ない。
落とし穴その5：録り終わったら、合成する前に「無音部分をカット」
環境が静かでも、録音には少しだけ「底ノイズ」が乗る。スマホの標準編集機能でもいいし、無料のAudacityでもいい。音声の先頭と末尾の無音部分を切り落として、話してる部分だけを残す。
ある時、僕は録ったままをそのままアップロードした。結果、合成された音声の語尾全部に「スーッ」という空気漏れみたいな音が乗ってた。無音をカットしたら、一瞬でクリーンになった。この小さな一手間で、無料の音声クローンAI の仕上がりが一段階上がる。
落とし穴その6：「全文試聴」じゃなく「短文テスト」を回す
初心者あるある。いきなり教科書の全文を貼り付けて合成する。で、2秒聴いて「機械っぽい」と閉じる。でもどこが悪いのか分からない。
僕の習慣はこう。まず短い文を1文だけ入れる。「では、今日は第3章を学びましょう」みたいなやつ。これを試聴する。この1文が自然なら、長いテキストに進む。もし不自然なら、参照音声を録り直す。このやり方なら時間も無駄にならないし、問題の場所も特定しやすい。
落とし穴その7：フィラーと句読点。「人間らしさ」のカギ
最後に、地味だけど超大事な話。AIはコンマ、句点、疑問符、感嘆符の扱い方で、全体の自然さが変わる。参照音声を録るとき、句読点を「読む」こと。つまり「コンマ」と声に出すんじゃなく、そこで一旦止まる、語尾を下げる、という「間」を声で表現する。
例えば「今日はいい天気ですね、散歩に出かけましょう」——コンマのところで少し間を置く。句点でトーンを下げる。AIはこの「呼吸感」を学ぶ。合成時に一字一句区切って読むような機械的な感じが消える。
もし授業動画をもっと親しみやすくしたいなら、無料の音声クローンで歌う 機能を試してみる手もある。歌うようなトーンで「こんにちは」と読むと、AIは語尾が上がる感じを学ぶ。オープニングの挨拶に使うと、すごく生き生きするよ。
最後に、今日あった実話で締める
今朝、僕は自分で録った15秒の参照音声を使って、高校3年生の復習動画用のナレーションを作った。テキストは「教科書の48ページを開いてください。例題3の計算過程に注目しましょう」。合成された音声の「注目」の強勢と間——それはもう、普段の自分の講義と寸分違わなかった。
その音声を教師のグループLINEに送ったら、3人から「これ、自分で録ったんじゃないの？」って返事が来た。実際、参照音声を録るのに10分、合成に3分。それだけだ。だから、もしあなたも「動画のナレーションがどうしても機械っぽい」と悩んでるなら、今夜、静かな部屋を見つけて、上のコツに従って15秒のクリーンな参照音声を録ってみてほしい。明日、無料の音声クローン公式サイト で一度試すんだ。きっと気づくはずだ——「人間らしさ」は、結局自分で作るものなんだって。
追伸：
「無料の音声クローン」って検索すると、いろんなサイトが出てくるけど、登録不要で使えるかどうかはちゃんと確認したほうがいい。特に、参照音声をアップロードするタイプのサービスは、データがどこに保存されるかも要チェック。日本の個人情報保護の観点から言っても、自分の声を預ける以上、規約は読んでおいたほうが安心だよ。