雑音まみれの録音で音声クローンしたら盛大にコケた話と、そこから見えた無料TTSの使いどころ
深夜2時。朝イチで納品する動画のナレーションだけが残っていた。声を当ててくれる人はスケジュールが埋まっていて、今から外注する時間もない。そこで閃いたのが「そうだ、音声クローンがあるじゃないか」——今回の失敗はここから始まった。
スマホを三脚に立てて、原稿を読み始める。背後では冷蔵庫のコンプレッサーが唸り、エアコンが送風を続け、換気扇が回っていた。それでも「AIなら雑音くらい勝手に消してくれるでしょ」と思っていた。
甘かった。
出てきた声は、風呂の底でしゃべっている人だった。言葉は聞き取れる。でも全身が水に浸かっていて、語尾がブワッと濁る。共同で進めていた案件の相手は5秒黙ってから、「……収録、明日にしませんか」と言った。
その夜、プロジェクトファイルを消して、やり直すことにした。
そもそも何をクローンに食わせていたのか
先に言っておくと、私が使ったのはごく普通の無料の音声クローンの流れだ。自分の録音をアップロードして、声質を学習させて、あとはテキストを打ち込めば読んでくれる。ツールに問題はない。問題は私のほうにあった。
録音を3回聴き直して、ようやく気づいた。冷蔵庫は低域のノイズ、換気扇は中域を埋めている。そして一番致命的だったのは、スマホが口から20センチ以上離れていて、部屋の残響を丸ごと拾っていたことだ。クローンモデルが学習するのは「私の声帯」だけじゃない。その部屋の空気まで一緒に覚えてしまう。
もう一つ、地味に効いた失敗がある。感情を込めようとして、普段より半オクターブ低い声で読んでいたのだ。結果、クローンされたのは「風邪気味で疲れ切った私」だった。
音声クローンは、入れたものがそのまま返ってくる。これは比喩じゃなくて、文字通りの意味だ。
敗因はツールじゃなくて素材だった
翌日、地味なことを3つやった。
場所を変えた。クローゼットに潜り、後ろにダウンジャケットを2枚掛けた。スマホはハンガーに固定して、口から拳ひとつ分。見た目は最低だが、吸音力はどんなノイズ除去プラグインより上だ。
原稿を変えた。固いナレーション原稿を捨てて、普段の話し言葉で書いたエッセイを読んだ。欲しいのは「アナウンサーとしての私」ではなく「普段しゃべっている私」なので、力は抜くほどいい。
長さを変えた。4分。言い間違いも、笑ってしまったところも、息継ぎも全部残した。
それをもう一度アップロードする。今度は、自分で聴いていて少し不思議な気持ちになった。いつもの私が、違う内容をしゃべっている。ただ、それだけ。
補足しておくと、オンラインのテキスト読み上げの入り口は、今は本当に敷居が低い。ページを開いて、アップロードして、文字を打てば音が出る。登録不要で試せるものもある。難しいのは「素材を用意する」ところで、そこだけは誰にも代わってもらえない。
声が整ってから、やっと「使える」場面が見えてきた
素材がまともになってから気づいたのは、無料TTSの価値は「無料」じゃなくて「何度でもやり直せる」ほうにある、ということだ。
- 動画ナレーション：台本を10回直せば、以前は10回録り直しだった。今は文字を直せばその場で音が出る。試行錯誤のコストがほぼゼロになった。
- 講座や音声コンテンツ：台本を音声化して通勤中に自分で聴く。読みにくい箇所は、目で読むより耳で聴くほうがずっと正直に分かる。
- オーディオブック作成：顔も声も出したくないけれど、機械的な合成音は使いたくない。自分のクローン音声なら、その中間が取れる。
- 家族向けの読み上げ：長い説明書や、薬の飲み忘れ防止のリマインドを音声にする。文字の塊をLINEで送るより、はるかに伝わる。
- 多言語展開：海外向けに同じ内容を別の言語でも出したいとき、全部自分で録るのは現実的じゃない。多言語の音声合成を無料で試せるサービスは増えているので、自分の用途で使えるかどうかは、並べて聴き比べて決めればいい。
これらを全部、同じ流れで回している。まず声を保存して、次にテキストを合成する。文字数を気にせず何度も試せるので、同じ一文を3パターンの間の取りで聴き比べたりもする。この自由さは、機能一覧にスイッチがいくつ並んでいるかより、ずっと大事だ。
正直に書くと、今の無料TTSや音声合成のハードルは、あなたが真面目に3分録音するだけで届くところまで下がっている。
同じことを試している人なら、実際の操作ログをまとめたページのほうが、私のような遠回りより早いと思う。
今の固定ルーティン
静かな部屋 → スマホかイヤホンマイク → 普段の声 → 3〜5分。これをクローンに上げて、テキストを打って、聴く。ダメなら音声ではなく、文字の句読点と改行を直す。
そう、句読点だ。これも別の失敗から学んだ。読点は短い間、句点は長い間、三点リーダーは「ここで息を吸う」。記号を正しく置くほうが、ツールのパラメータをいじるより効く。
出てくる声は人間のそれにかなり近く、しかも一円も払っていない。動画を作り始めて3年目の自分に教えてやりたい。
よく聞かれる3つのこと
録音にマイクは必要？
要らない。私がクローゼットでスマホ録りしたテイクが、今のメイン素材だ。素材を殺すのは機材じゃなくて、環境ノイズと距離。静かな部屋で口から拳ひとつ分、これが数万円のマイクを騒がしいリビングに置くより強い。
クローンした声はそのまま商用利用できる？
誰の声をクローンしたか、そしてサービスの利用規約次第。自分の声が一番安全で簡単だ。他人の声——たとえ同僚でも——は先に一言確認したほうがいい。日本の場合、声にはパブリシティ権や人格的利益が絡むので、有名人や声優の声を無断で学習させるのは論外だと思っておいたほうがいい。
無料と有料の差は大きい？
日常用途なら、無料の範囲で十分戦える。差が出るのは極端なケース、たとえば超長文や、繊細な感情の起伏を細かく作り込みたいとき。動画のナレーション、講座、社内アナウンスくらいなら、無料のテキスト読み上げで全然持つ。エンジニアの知人に無料の音声合成APIを聞かれたときも、答えはいつも同じだ——まずWeb版で素材とテキストを整えてから、APIのことを考えよう。順番を逆にすると、ただノイズを量産するだけになる。
最後に
今夜、静かな部屋で3分だけ録ってみてほしい。手元にある記事を一本、力を抜いて読むだけでいい。それをアップロードして、一文だけ合成して聴いてみる。
私は半日分の時間を溶かしたが、代わりに分かったことがある。音声クローンは、8割が「録る」で決まる。残りの2割は、ツールに任せてしまえばいい。