声クローン、録音は何秒必要？3秒・30秒・3分を試したら結果が全然違った
先週、無料の音声クローンで作った音声をLINEグループに投げたら、友達が即返信。「これ、声優さんに頼んだの？」って。いやいや、あれ自分の声のクローンだよ。3分の録音から作ったAI音声。信じてもらえなくて、元の録音とクローン版を並べて送ったら、「AIってここまで来てるんだ…」ってようやく納得してくれた。
でもね、ここに辿り着くまでに結構コケてるんです。最初は「数秒録ればいいんでしょ」って軽く考えてたら、出来上がったのはロボットが棒読みしてるような声。自分の母親にすら「誰これ？」って言われる始末。そこから試行錯誤して、参考音声の長さって奥が深いんだなって痛感しました。
今日はその実体験を包み隠さずシェアします。あと、オンラインで使えるテキスト読み上げ無料ツールが実際どれくらいの録音を求めてくるのか、その辺の話もね。
最初の大失敗：3秒で作ったら「知らない親戚」が生まれた
初めて無料の音声クローンに挑戦した時、面倒くさがって3秒だけ録音したんです。「こんにちは、テストです」ってスマホに向かって一言。それをVoxCloneのクローン作成ページにアップロードして、数分待って…出てきた声に固まりました。
確かにちょっと似てる。でも、3日間風邪ひいて声枯れた遠いおじさんの声。
あとで分かったんだけど、3秒の音声じゃ「あなたの声の基本のキ」しか拾えないんです。音の高さとか、ちょっとした抑揚くらい。でも、話すクセとか、息継ぎのタイミングとか、感情の乗せ方とか、そういうのは全部すっ飛んじゃう。例えるなら、ぼやけた横顔の写真1枚で肖像画を描いてもらうようなもの。雰囲気は似てるけど、本人とは言えない。
「ツールが悪いのか？」と思って、別の登録不要の音声合成サービスも試しました。結果はもっと悲惨。電子音に近い、まるで「似てる」以前の問題。この時点でAI音声の道を諦めかけましたよ、正直。
30秒が境目：「人間だ」とは分かる、でも「あなた」ではない
次は30秒録音してみました。ニュース原稿を、普通の速さで、ちょっと感情込めて読む感じで。すると、クローン音声が明らかにレベルアップ。少なくとも「生きてる人間」の声にはなった。でもね、ところどころ単語の発音がフッと浮くというか、一瞬別人がしゃべってるみたいになる。
友達に聞かせたら「この声、知ってる人に似てるんだけど、誰だっけ…」って。この「デジャブ感」こそ、30秒の限界なんです。声の色味とか基本的なトーンは掴めるけど、話すテンポの緩急とか、間の取り方とか、強調する場所のクセまでは拾いきれない。
ただ、ショート動画のナレーションとか、オーディオブックの地の文なら30秒でも十分実用レベル。無料のAI音声合成でここまで出来れば、有料ツールより凄いと思います。でも「本人と聞いてもバレない」レベルを目指すなら、もっと録音時間を増やす必要がありました。
3分でついに「これ、私だ」
三度目の正直で、3分丸ごと録音しました。内容は日常の雑談風に。質問と答えを繰り返して、笑い声も入れて、ため息も入れて、わざと咳も2回。それを音声クローンを無料で作れるページにアップ。処理時間は前の2回より長かったけど、出てきた声を聞いた瞬間、鳥肌が立ちました。
これ、私だ。
声質はもちろん、語尾がちょっと上がるクセとか、焦ると早口になる悪いクセまで、全部コピーされてた。そのクローン音声を母に送ったら、AIだって気づかずに「これ、いつ録ったの？覚えがないんだけど」って聞いてきたくらい。
3分あれば、母音の響き、子音のつながり、文と文の間の沈黙、感情の起伏、そういうのをモデルが全部学習してくれるんです。画家に言えば、正面・横・後ろ・見上げ・見下ろし、何十枚も写真を渡すのと同じ。そりゃそっくりに描けるわけです。
じゃあ10分録音すれば完璧？やってみたら、逆効果でした
「3分でこれなら、10分録音したらもっと完璧なんじゃ？」って思うでしょ。私も思いました。で、やってみた。結果は…失敗。いや、効果が悪くなったわけじゃないんです。録音に雑音が混みまくったんです。ページをめくる音、呼吸音、たまにキーボードを打つ音。それが全部クローン音声に乗っかって、なんか「ザーッ」っていう底鳴りみたいなのが常について回る。3分のクリーンな録音の方がずっとマシでした。
つまり、参考音声は長けりゃいいってもんじゃない。大事なのは中身の質と録音環境。10分でも、半分が水飲んだり咳払いしたりしてたら、3分集中して読んだ録音に敵いません。私も10分録音を5分に切り詰めて、雑音を全部カットしたら、やっと3分と同じクオリティに戻りました。
もし無料のTTSで声クローンを作りたいなら、私からのアドバイス。録音時間は3〜5分。静かな部屋で、スマホの標準ボイスメモで十分。マイクは要りません。大事なのは、教科書を読むみたいに棒読みしないこと。友達と電話で話すような自然なトーンで。
用途別・参考音声の目安（あくまで私の体感）
何回かテストした結果、自分の中でこんな基準ができました。公式のデータじゃないけど、参考までに。
- 15秒未満：音色の「雰囲気」だけ似せる。キャラクターの声当てには使えるけど、「本人」と思わせるのは無理。
- 30秒前後：ショート動画のナレーションなら十分。「人間の声」には聞こえるけど、「あなたの声」とはちょっと違う。
- 1〜3分：クローン精度が一気に上がる。オーディオブックやポッドキャスト、自分の音声アシスタントに使えるレベル。
- 5分以上：よほど静かな録音環境が整ってない限り、ノイズが混ざって逆効果。
この基準で、多言語対応の無料音声合成のいくつかのシチュエーションを試してみました。友達の誕生日メッセージには30秒のサンプルで作って、めちゃくちゃ好評。でも、自分用の音声日記を作るときは3分のサンプルで作って、自分でも「これ本当にAI？」って疑うレベル。
無料ツールでどこまでできる？私のリアルな感想
VoxCloneは、私が使った中で一番ストレスなく使えた登録不要の音声クローンオンラインツールです。アカウント登録いらずで、音声をアップするだけ。しかも永久無料で音声クローンが使えるって宣言、もう半年使ってますが、一度も課金させられたことないです。
ただ、無料なりの制限もあって。処理時間が有料ツールより長い。特に3分以上の音声だと、5〜10分待つことも。でも、それでも価値あると思います。何千円も払う有料ソフトが、必ずしもこれより良いとは限らないから。それに、無制限でテキスト読み上げが使えるんで、1日に何十回生成しても速度制限にかかったことないです。
そうそう、無料の音声合成APIもあって、ちょっとした個人プロジェクトに組み込んでみました。ドキュメントが不親切で最初は手こずったけど、動いたときは結構気持ちいい。開発者の人は試してみる価値あり。
最後に、実際のシーンで締めます
昨夜、プロジェクトの報告書を徹夜で仕上げなきゃいけなくて。自分で読み上げる気力がなくて、前に作っておいた3分のクローン音声に3000字の報告書を読み込ませました。生成された音声を1.2倍速で再生すると、まるで私が会議室で自信満々にプレゼンしてるみたいな仕上がり。
翌日、同僚に「この報告、いつ録音したの？プロっぽいね」って聞かれて。私は笑ってごまかしました。でも心の中では、AIが単純作業を半分にしてくれるなら、たとえどれだけ人間に近づこうが、どんどん使っていきたいと思ってました。
もしあなたも試してみたいなら、迷わず3分の自然な会話を録音して、無料の音声クローンページにアップして、普段自分が言いそうな文章を入力してみてください。聞こえてくる「あなた」が、本当にあなたかどうか。どうせ無料だし、1回試せば価値が分かりますよ。