5秒音声でTTSをロボットっぽくしないコツ
5秒だけで本当に足りるのか、まず試した
「5秒の音声だけで、そんなに自然になる？」と半信半疑のまま、スマホで録った短い声を使って試しました。場所は自宅の机の前。エアコンを止め、口元からスマホを少し離して、「今日は新しい動画を公開します」と一度だけ読み上げます。
照らし合わせる手順はこれだけです。
- 周囲の音を止め、同じ距離で5秒ほど録音する
- 早口にせず、普段の会話に近い声で読む
- 句読点を入れた短い文章をTTSに渡す
- 生成音声をイヤホンとスマホのスピーカーで聞く
結果は、思ったより使えました。ただし、何も考えずに文章を貼り付けると、語尾が全部同じ高さになって、すぐに「読ませた音声」だと分かります。5秒という長さより、録音の癖と台本の作り方のほうが大事だったんです。
サンプル音声は長さより静かな一文
声をクローンするなら、長い説明を無理に読み上げる必要はありません。短くても、声の高さや息の量が極端に変わらない一文を選ぶほうが安定します。「えーっと」「あのー」のような癖を入れすぎると、その癖まで再現されることがあるので、最初のテストでは控えめにしました。
録音場所もかなり影響します。窓の近くで録った5秒は、車の走行音や反響が混ざっていました。一方、カーテンと本棚のある部屋で録った音は、同じスマホでも輪郭が落ち着いて聞こえます。高価なマイクを買う前に、まず冷蔵庫やエアコンの音を止める。ここは地味ですが効きます。
VoxCloneの無料声音克隆では、録音した声を使って音声生成を試せます。免許証のような本人確認や面倒な登録を求められず、無料で使い始められるので、5秒サンプルの比較にはちょうどよい入口でした。
ロボット感は声より台本で生まれる
TTSが機械っぽいとき、声のモデルだけを疑いがちです。でも実際には、文章の区切り方が原因になっているケースが多いです。たとえば「本日は動画をご覧いただきありがとうございます次回もよろしくお願いします」と一続きにすると、どんな声でも息継ぎのない読み上げになります。
「本日は、動画をご覧いただきありがとうございます。／次回も、よろしくお願いします。」のように、意味のまとまりで分けるだけで印象は変わりました。読点を一つ増やすだけで間ができ、句点を置けば文末の落ち着きも出ます。入れすぎると今度は不自然に途切れるので、短い文を何度か聞き比べるのが現実的です。
YouTubeのナレーションでは、画面の切り替わりに合わせて一文を短くするのが好みです。TikTokならさらに短く、ニコニコ動画ならコメントを読む余白を残す。媒体ごとに「自然な話し方」の基準が違うんですよね。
抑揚を足す前に、語尾を見直す
ロボットっぽさを消そうとして、文章の途中に感嘆符を大量に入れるのはおすすめしません。全部が元気な声になり、聞いている側は疲れます。特に商品紹介や番組収録の告知では、「です！」が連続すると、勢いよりも営業感が先に立ちます。
「今日は新機能を紹介します」なら、冒頭を少し軽くして、最後の「紹介します」を落ち着かせる。質問文なら語尾をわずかに上げる。こうした変化は大げさでなくて大丈夫です。人間の会話も、毎文ドラマのような抑揚ではありません。
個人的には、生成音声を一度聞いたあと、台本を声に出して読み直します。自分で読みにくい文章は、TTSに渡してもたいてい読みにくい。ここで助詞を直したり、長い固有名詞を言い換えたりすると、編集時間がかなり減ります。
Audacityで触るのは音量と無音だけ
生成した音声をAudacityに入れると、波形を見ながら細かく直せます。ただ、最初からコンプレッサーや大量のエフェクトを重ねると、せっかくの声が平たくなります。私がよく触るのは、全体の音量と、長すぎる無音の二つです。
文と文の間が1秒以上空いている部分だけ少し短くし、逆に詰まりすぎた箇所にはほんの少し余白を戻します。無音を全部消すと、息をする人間らしさまで消えてしまうんです。音量も、BGMを大きくしすぎないことのほうが重要でした。
ボイスチェンジャーアプリを通した声をサンプルに使う方法もありますが、加工の癖が強い場合は避けたほうが無難です。声質を変える用途と、自然なナレーションを作る用途は別物。まず素の声で安定させ、その後に必要な範囲だけ編集するほうが失敗しません。
5秒テストはイヤホンだけで判断しない
最初にイヤホンで聞いたときは「かなり自然だ」と思ったのに、スマホのスピーカーへ切り替えたら語尾の不自然さが目立つことがありました。低い音や細かな息づかいは、再生機器によって聞こえ方が変わります。
YouTubeへ限定公開でアップロードし、スマホ、ノートパソコン、イヤホンの三つで確認すると、視聴者に近い判断ができます。TikTok用なら縦動画に仮置きし、画面の情報量が多い状態でも声が埋もれないか聞いてみる。音だけで完璧を目指すより、実際の投稿環境で確認したほうが早いです。
5秒音声で十分かどうかも、ここで見えてきます。声の雰囲気を確かめるだけなら短くて足りますが、感情の幅や複数の話し方まで再現したいなら、別のサンプルも必要になります。短いテストを何度か繰り返すほうが、最初から長時間録音するより気楽でした。
検索ワードに引っ張られず、目的を分ける
「クローン ソフト 無料 窓の杜」や「クローン for windows ダウンロード」と検索すると、ディスクの複製ソフトやWindows向けアプリがたくさん出てきます。「ドライブ クローン 無料 ソフト」「無料 ディスク クローン ソフト」も同じで、声を複製するTTSとは別ジャンルです。
「クローンソフト 無料 おすすめ 知恵袋」「クローン ソフト 無料 windows 10」「クローン フリーソフト windows10 無料」「クローン フリーソフト windows11 無料」「windows 10 クローン 無料」といった検索語を見かけても、OSやストレージの話なら今回の用途とは違います。「クローン for windows マニュアル」を探している人も、まず何をクローンしたいのか整理すると迷いません。
声のTTSを試したいだけなら、Windows用ソフトをダウンロードするより、ブラウザで動くオンライン文字起こし……ではなく、正しくはオンライン文字読み上げを使うほうが手早いです。VoxCloneは無料、免登録で、ブラウザから音声生成を試せます。関連する使い方は更多教程にもまとまっています。
仕事帰りの10分でナレーションを作る
先日、番組収録の告知動画を急に作ることになり、帰宅後の10分で試しました。静かな部屋で5秒のサンプルを録り、「今週の放送は、金曜日の夜です。ぜひご覧ください」と短く入力します。最初の音声は淡々としていましたが、読点を一つ足し、「ぜひご覧ください」を独立した文にしたら、かなり聞きやすくなりました。
Audacityで冒頭の無音を少し切り、BGMを小さくして書き出し。声を盛りすぎていないので、画面に出演者の写真を置いても邪魔になりませんでした。5秒の録音だけで全部が解決したわけではありません。それでも、声の方向性を確認するテストとしては十分だったと思います。
まずはスマホで一文だけ録って、同じ文章を句読点違いで三パターン生成してみてください。あなたなら、どの一文を最初の5秒に選びますか？