スマホの録音から「自分の声」をクローンできる？3回失敗して分かったこと

友人の「これ、プロの声？」で返す言葉に詰まった

YouTubeに動画を上げた日の夜、LINEが鳴った。編集画面を見ていた友人から、「このナレーション、誰が録ったん？めっちゃ自然やん。プロ頼んだ？」と。私は慌てて、「いや、AIやで」と返す。向こうから返ってきたのは、「うそやろｗｗ」の一言。どうやら信じてくれない。

ヘッドホンを外しながら、少しだけ得意になった。確かに、この3分間の動画、ナレーションにお金はかけていない。すべて無料の音声クローンツールで仕上げた。私の声そのものを学習させて、AIに喋らせたのだ。でも友人には、その“元ネタ”がコンビニで二年使い込んだAndroidだとは言えなかった。

スマホの録音で、本当に音声クローンなんてできるのか。できる――と、私は思い込んでいた。世の中には無料 TTSも、テキスト読み上げ 無料サービスも、音声合成 無料サイトも溢れている。音声クローン オンラインなら、数分待てば自分の声が蘇るんじゃないか、と。

結果から言うと、最初の三回は見事に沈んだ。

スマホに転がっていた素材を、片っ端から放り込んだ。LINEのボイスメッセージ、取引先との通話を録音したファイル、iPhoneのメモアプリに走り書きしたメモ。どれも「私の声」であることは間違いない。だが、出てきた音声はと言うと……。LINE音声はプラットフォームの圧縮でこもり、通話録音は電流のノイズが乗り、メモ録音には私のキーボード音がカチャカチャ混ざっていた。AIに「これは私の声です」と渡しても、返ってくるのは「水を含んだような妙な音」か、平坦な棒読み。最悪のときは、まるで見知らぬおっさんのような声色になった。自分の声とは、程遠い。

スマホの録音がダメだというより、私が素材をなめていたのだ。

きれいな音声を録るまで、半日かかった

観念して、休日の午後から録り直すことにした。窓を閉める。エアコンを切る。扇風機も切る。換気扇の音まで気になり出して、家中の音を“殺し”にいく。iPhoneを口元から20センチの位置に置いた。近すぎると「プツプツ」と噴音が乗るので、25センチに調整。五百字ほどの商品説明を、声に出して読む。十数回、録った。再生するたびに、自分の舌の回線の悪さに絶望する。舌足らずな箇所、いらない唾液の音、変な息継ぎ。プロのナレーターにはなれないけれど、少なくとも「汚くない」音声だけを選別した。

夜になって、やっと納得できる素材が揃った。そこで、無料の音声クローンツールを開いて、アップロードした。実を言うと、ここに来るまでにも散々だった。他の音声クローン オンラインサービスは、登録画面でスマホの認証を求めてきたり、途中で「音質が不十分です」と突き返したり、三文句合成した途端に「続きは有料です」と画面を遮られたり。無料 TTSのふりをして、実は無料 TTSですらない場所も多い。私はブロガーなので、ドライバのインストールやパラメータ調整に付き合う時間は正直ない。一度、どうしても信じられなくて、満員電車のホームで試したことがある。周囲の人の話し声とアナウンスが丸ごと混ざって、出来上がった音声はまるで駅のトイレで歌っているような反響を帯びていた。

アップロードが終わってから、キッチンでリンゴを洗った。戻ってきたとき、スピーカーから流れていたのは――確かに私の声だった。ただし、いつものスマホ越しの声より、ずっと落ち着いている。息の音が整えられていて、間の取り方まで残っている。それを友人に送ると、返ってきたのは「？」のスタンプだけ。そして、「声優変更した？」と。

説明はしなかった。ただ、この体験で一つの区切りがついた。多くの人が混同するのだけれど、テキスト読み上げ 無料の音声合成と、音声クローンは別物だ。無料 TTSというのは、機械に文章を読ませる技術。一方、音声クローンは、機械に「私になってもらう」技術。最近のAI 音声 無料サービスは、テキスト読み上げ 無料でも驚くほど自然な読み上げをする。けれど、どこかに「アナウンサーっぽさ」が残る。対して、音声クローン オンラインは、私の“生の声”を食べて育つ。きれいな音声を入れれば、きれいなデジタル分身が返ってくる。汚いスマホ録音を入れれば、どんな名コックでも材料が腐っていればどうにもならないのと同じで、AIも無理な注文に応えることはできない。

無料TTS・テキスト読み上げのページからクローン機能はシームレスに繋がっていて、自分の声を登録したら、あとは文章を貼り付けるだけで試聴できる。正直、出来が良すぎて少し背筋が寒くなった。これ、本当に私すぎる。

今、私がスマホでやっている録音からのクローン手順

手順は、拍子抜けするほどシンプルだ。

部屋を静かにする。エアコン、扇風機、換気扇、スマホの通知音。全部オフ。純正レコーダーを起動したら、「音質補正」や「ノイズ除去」のスイッチは切っておく。スマホの自動加工は、AIの学習にはむしろ毒だ。口元から拳一つ分の距離を空けて、ゆっくり読む。三～五分もあれば十分。後は、登録不要 音声合成のページにファイルを放り込むだけ。会員登録も、電話番号の認証も、クレジットカードの登録も要らない。待つこと数分。自分の声が、ブラウザ上に“住み着く”。

日本では声紋だって個人情報として扱われる時代だ。どこにデータが保存されるのか、AIの学習に使われないのか――そのあたりは確かに気になる。私はこのツールを選ぶとき、登録不要であることを最重視した。電話番号を預けずに、クレカも通さずに、ブラウザだけで完結する。この安心感はでかい。

このツールで気に入っているのは、合成時間の上限がほぼ気にならない点だ。原稿を何十回書き換えても、録音をやり直す必要がない。無料 音声クローンのオンラインサービスで、ここまで気軽にできる場所はそう多くない。動画 ナレーション AIとしても使えるし、吹き替え AI 無料の代わりに、ちょっとした外国語の尺を埋めるのにも重宝する。オーディオブック 音声 作成だって、自分の声で読み上げさせることができる。多言語 音声合成 無料対応なので、日本語だけでなく、英語や中国語のナレーションを同じ声で出すことだって可能だ。YouTube ShortsやTikTokの尺に合わせて、テキストをザクザク書き換えられるのも本当に助かる。無料とは思えない自由度だ。

詳細な使い方のヒントには、録音環境のトラブルシューティングみたいな内容もまとまっていて、私は暇なときに眺めている。

先週、近所の集会所のお知らせを頼まれた。出したくなかったので、スマホで三十秒ほど録音して、クローンにかけた。合成された音声を送ると、相手から「プロの声優さんを雇ったん？費用いくらかかったの？」と。私は「無料やで」とだけ返した。返ってきたのは、三点リーダ（…）だった。どうやら、また信じてもらえなかった。

――というわけで。スマホの録音から音声クローンはできるのか。できる。ただし、たった一つの条件がある。スマホを“適当に”口元に立てかけるんじゃなくて、一回の“本気の収録”として扱ってやること。それだけで、AIはあなたの声を、そっくりそのまま返してくれる。