自動応答ボットの声、2回失敗してわかった「登録不要の無料音声クローン」の現実
先月、中小のECサイトから「電話の自動応答の声を作ってほしい」と頼まれた。条件は「親しみやすくて、なるべく人間っぽいこと」。正直、余裕だと思った。無料の音声クローンなんて検索すれば山ほど出てくるし、AI 音声 無料の時代だし。
で、初稿を納品した翌朝、クライアントからLINEが来た。「これ……麻酔が切れてない人ですか？」
1回目の失敗：音声クローンは運ゲーだと思いかけた
その晩、適当に見つけたオンラインツールに「お電話ありがとうございます」と自分で読んだ音声をアップした。待つこと数十秒。出てきた声は、口の中に何か詰まってるみたいだった。一語一語は日本語なのに、つながると人間じゃない。しかも「お電話/ありがとう/ございます」みたいな変な区切り方で、これで応答されたら即切りされる。
焦った。録音が雑だったのか、ツールがダメなのか。別の「無料 音声クローン」を謳うサイトを2つ試したけど、片方は会員登録必須、もう片方は50文字までしか変換できない。深夜1時、無料のAI音声なんてこんなもんなのか、と半分諦めていた。
2回目で気づいた、たった3つの落とし穴
翌朝、仕切り直した。今度は手を抜かない。
ひとつめ、録音環境。 スマホを機内モードにして、窓を閉めて、クローゼットの中に入って録った。狭いし暑いけど、エアコンの音も車の音も入らない。30秒くらい、ゆっくりめに、一音ずつはっきりと。
ふたつめ、テキストの句読点。 これが日本語だと特に効く。無料のテキスト読み上げに「お電話ありがとうございますご用件をどうぞ」と書くと、息継ぎなしで一気に読む。まるで定時で帰りたい人のようだ。「お電話ありがとうございます。ご用件をどうぞ。」に変えただけで、間が自然になった。読点ひとつでここまで変わるとは思わなかった。
みっつめ、欲張らない。 最初は500文字を一気に変換して、後半から声が不安定になった。今度は応答でよく使う15文だけを、1文ずつ生成して後からつなげた。これが驚くほどよかった。
で、今回はクライアントから「あ、これいいですね。人間みたい」と言われた。完璧ではないけど、少なくとも風邪っぴきロボットではない。しかも一円も払っていない。
実際に自動応答ボットへ組み込んでみて
今は手順を固定している。静かな場所で30秒録る → 登録不要の音声クローンで生成する → 1文ずつ間を調整する。これを繰り返すだけ。正直、特別な機材もソフトもいらない。
他の無料ツールもいくつか試した。待ち時間が長いもの、生成物に透かしが入るもの、途中で「アップグレードしてください」と出るもの。そういうのに比べると、VoxCloneは機能が多くはないけれど、登録もカード登録もなしで、文字数の縛りも気にせず使えるのがありがたい。同じ流れで、別案件の動画 ナレーション AI用の音声も作った。ナレーションを外注するお金が浮いたのは地味に大きい。
あと、多言語 音声合成 無料の用途でも試した。英語と中国語の短い案内を同じ声で出せるので、インバウンド向けの案内なんかには向いている。同じ流れで吹き替え AI 無料のテストもした——YouTubeの短い動画に自分の声で日本語ナレーションを乗せて、英語版は別の声に差し替える、みたいな使い方。音声クローン オンラインのツールは星の数ほどあるけど、登録なしでここまでできるのは珍しいと思う。もちろん、オーディオブック 音声 作成のように長尺を扱うなら、章ごとに分けたほうが安全だ。
ただ、日本で使うなら気をつけたい点もある。個人情報保護法の話と、声そのものの権利の話だ。他人の声を無断でクローンするのは、たとえ無料ツールでも絶対に避けたほうがいい。自分の声、あるいは許諾を取った声だけ。商用利用の可否も、ツールの規約を一度は読んでおくべきだと思う。無料だからといって何でもしていいわけじゃない。
FAQ
登録不要 音声合成 を商用利用しても大丈夫？
ツールの規約次第。VoxCloneについては明確な商用禁止は見当たらなかったけど、大口の案件なら念のため確認したほうがいい。自分は小規模なデモ用途で使っている。企業のコールセンターに本格導入するなら、契約書と利用規約を突き合わせておくのが無難。
自分の声 クローン はどのくらい録音すればいい？
長さより「きれいさ」。最初は15秒くらいの雑な録音で失敗した。静かな部屋で30秒、一定のトーンで読めば十分自然になる。長く読めばいいというものでもない。息遣いやノイズが入るほど、結果は不安定になる。
無料 TTS に文字数制限はある？
自分が使った範囲では、数百文字を一度に投げても止まらなかった。ただ、長文になるほど後半が不安定になる傾向はある。長い原稿は段落ごとに分けて生成し、あとでつなぐほうが結果的に速いし、間も調整しやすい。細かい手順は使い方の解説ページにまとまっている。
最後に、ひとつだけ
自動応答の声を作るとき、最初から「完璧なクローン」を狙わないほうがいい。まず静かな場所で30秒録って、定型文を1文ずつ変換してみる。最初の結果がイマイチでも、句読点を直して録り直せば、だいたい何とかなる。
結局のところ、声が人間らしく聞こえるかどうかは、ツールよりも「どう文章を書き、どこで切るか」にかかっている。無料のツールは、その作業を代わりにはやってくれない。でも、お金をかけずに試せるのは確かなので、まず一本録ってみるといい。