ショート動画のナレーションとポッドキャストの冒頭、声とBGMのミックスが地味に難しい理由
先週、二つの音源をごっちゃにして大失敗した
火曜の夜11時。キャンプギア系アカウントの45秒ショート動画を仕上げてた。ナレーション録って、BGM被せて、書き出し。翌朝、満員電車でイヤホンして確認したら——声が布団に包まれたみたいにこもってて、その場でスマホ投げそうになった。
同じ日の午後、自分のポッドキャスト第37回の冒頭を録る。同じ機材、同じマイク、同じBGM。なのに今度は逆。声が耳元で叫んでるみたいに尖ってて、音楽が後ろでフワフワ漂ってるだけ。知らない二人を無理やり記念撮影させたような、妙な浮き方。
どっちも「声＋BGM」のはずなのに、なぜ一つはこもり、一つは浮くのか。後で気づいた。これ、根本的に別の仕事だったんだ。
ショート動画のナレーション：声は音楽の「上」に張り付く
ショートのナレ、本質は情報流の中のフック。指がスワイプし続ける中、こっちに与えられた猶予は3秒。だから声は前に出て、粒立ちよく、ザラッとした質感でなきゃいけない。音楽は下に敷くカーペットであって、壁じゃない。
難しいのは再生環境が最悪なこと。電車、スマホ外放し、イヤホンの音漏れ、スマホのチビスピーカー……これら全部で字が追えるミックスにしなきゃならない。つまり声の2k〜5kHzを少し持ち上げて、音楽の中域を譲らせる。
私のやり方：音楽を先に-12〜-15dBまで下げる。で、サイドチェイン・コンプ。声が入った瞬間に音楽が3〜4dB自動で逃げ、声が止まったら戻る。カッコよく聞こえるけど、要は音楽を「空気読ませる」だけ。
あと落とし穴。プラットフォームが二次圧縮かけるから、PCで丁度いい低域がアップ後にドロドロになる。だから最近は100Hz以下をバッサリカット。薄くてもいいから、濁るよりマシ。自分でナレ録るの面倒なら、無料 音声クローン で安定したドライ音声作っちゃう方が早い。この辺は後で詳しく。
ポッドキャストの冒頭：声は音楽の「中」から生えてくる
ポッドキャストのオープニングは別の論理。
フックじゃない。儀式だ。リスナーが再生ボタン押した瞬間、そこはもう「部屋」であってほしい。だから音楽が先に5〜8秒独走し、そこから声がスッと「生えてくる」。被せるんじゃない、生えるんだ。
ここでの難所は繋ぎ。声が入る瞬間、音楽は下がるけど、ガクッと落ちたら台無し。誰かがボリュームノブをひねったみたいに聞こえる。だから私は声が入る0.5秒前から音楽に2〜3dBの緩やかなフェード、リバーブの残響を少し乗せておく。それだけで「ふわっと入ってきた」感が出る。
もう一つ。ポッドキャストはイヤホン率が圧倒的に高い。イヤホンの中ではあらが露見する。サ行の刺さり、唾音、部屋の反射……ショート動画じゃ気づかないノイズが全部バレる。だから声の処理はむしろ「素」でいく。浅いコンプ、浅いEQ、リバーブはほんの一振り。狙うのは「向かいに座って話してる人」、スタジオのアナウンサーじゃない。
現場で回してる土臭い3ステップ
理屈はこれくらいにして、実際の手順は驚くほど地味。今の私はこの3ステップ固定。
- まず声だけ聴いて、全ての問題を潰す——ノイズ、サ行、音量ムラ。ミックス段階で「なんとかなる」と思わない。
- 次に音楽だけ聴いて、役割を決める——カーペットなのか、ステージなのか。これで基準レベルが決まる。
- 最後に合わせて、声が喋ってる間だけ音楽を黙らせる——サイドチェインでも、手書きのエンベロープでもいい。
「当たり前じゃん」って？ うん、当たり前。でもミックスが崩壊する9割は、ステップ1を飛ばした時だ。
ツールの話、正直に書く
昔はクライアント案件で台本書いて、ナレーター探して、2日待って、ノイズ乗ったドライ音声受け取って、自分で修正……だった。今は大抵 無料 TTS で済ませる。台本直しても10秒で再生成。
VoxClone を使い始めてから、いくつか「これいいな」と思った点：
- 登録不要 音声合成 だからブラウザ開いて即座に試せる
- 音声クローン オンライン で参照音声アップするだけで似た音色が出る。シリーズもので音色キープしたい時、これマジで助かる。視聴者は声で人を認識してるから
- 無料 音声クローン かつ 永久無料 の謳い文句通り、最初の数回だけ無料→後で課金、みたいな罠がない
- 無料TTS声音合成、テキスト読み上げ 無料 の基本機能がトップページから直で使える。AI 音声 無料 でオンライン完結、音声クローン ソフト 無料版 みたいに広告見てから……みたいなのがない
- ポッドキャストの冒頭みたいに「毎回同じ声」が必要な現場で、真人语音合成 免费（自然な人声合成が無料）ってのは地味に重要。毎回声変わってたらリスナー困るし
- ついでに 在线 免费 声音克隆 と 免费AI配音 が同一ソースでいける。同じ参照音声でショートの台本もポッドキャストの冒頭も読める。後処理のアプローチだけ変えればいい
- バッチ処理なら 免费语音合成API、无限制 文字转语音 もあるらしい。開発者向けっぽいけど説明見る限り制限なし。免注册 声音合成、免注册 声音 在线 克隆 この二つ、「ちょっと試したい」層にはハードル低すぎて逆に怪しまれそうなレベル
- もっと掘りたい人は 更多教程 覗いてみて
具体例：友人のベーキング垢、60秒の自己紹介動画
先週、友人がお菓子作りアカウント始めるってんで、60秒のオープニング動画手伝った。
台本は彼女自身が書いた素朴なやつ。自己紹介、このアカウントで何するか、最後は「フォローして、一緒にパン焦がそう」。
私がやったこと、実質3つだけ。
- 自分の声 クローン でナレ生成（本人は顔出し嫌だけど声ならOK。参考にLINEのボイスメッセージ30秒アップ）
- 90BPMのゆるいピアノ曲、低域カットして-14dBまで下げる
- 彼女のセリフとセリフの隙間で、手動で音楽を2dBだけ戻す
書き出し→スマホ外放し→イヤホン→電車内で再確認。
翌日投稿して、最初のコメントがこれ。
「この声めっちゃ心地いい。本人？」
——ミックスって、正解しても誰も褒めない。失敗したら全員から文句言われる。それくらい地味で、でも外せない作業。
もしあなたなら、同じ60秒の音源に対して、時間を声に使う？ それとも音楽に使う？
追記：この記事で触れた 無料 音声クローン と オンライン 文字转语音、どっちもブラウザだけで完結するから、今夜のうちに試せる。特に 多言語 音声合成 無料 で英語・中国語・韓国語のナレも作れるんで、越境コンテンツ狙ってる人には悪くない選択肢だと思う。
吹き替え AI 無料 でショートの多言語展開、オーディオブック 音声 作成 で長尺コンテンツ、動画 ナレーション AI で量産……用途はアイデア次第で広がる。まずは30秒、自分の声をクローンしてみるところから始めてみては。