AIナレーションの作り方 機械っぽく聞こえないコツ

AIナレーションとは、人のナレーターの代わりに、コンピューターが生成した声で動画の台本を読み上げる音声トラックのことです。うまく作れば、合成音声だと誰も気づきません。AIナレーションの作り方で押さえるべきことは4つあります。内容に合った声、読むためではなく話すために書いた台本、ちょうどいいテンポ(英語なら1分あたり150〜170語前後)、そして声の下に控えめなBGMと字幕を敷いた仕上げです。

多くの人は声選びまではうまくやって、そこで止まってしまいます。そして、なぜまだロボットが説明書を読んでいるように聞こえるのかと首をかしげます。声は仕事の3分の1ほどにすぎません。残りの3分の2は台本と仕上げで、この記事が多くの時間を割くのもそこです。

これは週1本の動画でも、複数のチャンネルで毎日投稿する規模でも変わりません。後者はいわゆるYouTubeの自動化と呼ばれる体制です。しくみは同じで、変わるのは、そのペースでどこまで手作業を続けられるかだけです。

AI音声の実際のしくみ

AI音声はどれも、1人の話者、つまり雇われた声優や、複数の話者を混ぜて新しく作った声の、何時間分もの音声で学習したニューラルネットワークから生まれます。モデルはその声の形を学びます。音の高さ、リズム、息づかい、言葉と言葉の間の小さな引っかかりです。新しい文章を渡すと、昔の電話の自動音声やカーナビの読み上げのように録音済みの音をつなぎ合わせるのではなく、1コマずつ新たに音声を生成します。だからこそ、一度も見たことのない文にも自然な抑揚をつけられるのです。

うまく使うのに、その裏の数学を理解する必要はまったくありません。実際には、フォントを選ぶのと同じように一覧から声を選べば、あとはモデルがやってくれます。あなたがコントロールできて、しかも仕上がりの聞こえ方を実際に決めるのは、モデルに渡す台本とその周りの設定です。多くの人が急いで飛ばしてしまう部分でもあります。私たちがいちばんよく見るのは、意味は同じでも句読点が違う2つの台本が、違って聞こえて返ってくるパターンです。モデルは内容と同じくらい、文の形に反応するからです。

同じ技術の上に作られた新しい手法が、ボイスクローンです。5秒のこともあれば1分のこともありますが、短いサンプルをモデルに渡すと、その声で新しい音声を生成できます。本物の道具であると同時に、この分野全体で最も多くのルールがついて回る部分でもあります。それについては後で詳しく説明します。

同じニューラルの手法で、今では何十もの言語を扱えます。言語ごとに別のモデルを使うのではなく、1つのシステムの中で扱えるモデルも増えています。つまり、英語で書いた台本を、似た声の雰囲気のままスペイン語、ヒンディー語、日本語で出力できるということです。ただし、似た声に聞こえることと、良く聞こえることは同じではありません。

合う声の選び方

テンポや台本に手をつける前に、声を決めましょう。声がほかのすべての上限を決めるからです。声が合うかどうかは、性別、年齢の印象、なまり、エネルギーの4つで決まります。

• 性別は、自分の声やチャンネルのブランドではなく、内容のトーンに合わせます。落ち着いた実録犯罪のまとめと、テンションの高い商品の開封動画では、正反対の初期設定が合うことがよくあります。どちらもルールではなく、試してみるための出発点です。
• 年齢の印象は、若く聞こえる声ならテンポの速いまとめやトレンドの話題に、年上や温かい声なら解説、ドキュメンタリー、信頼感を出したいものに向いています。
• なまりは、標準的な話し方がいちばん幅広く受け入れられますが、本物の地方の話し方は、語り系や地域のコンテンツをより具体的で、ありきたりでないものに感じさせることがあります。
• エネルギーは、もともと明るさのある声のほうが、平坦な声より30秒のフックをうまく運びます。ただし同じ明るさでも、15分の解説では疲れてきます。

コンテンツの種類と同じくらい、プラットフォームも大事です。最初の2秒から勢いのある声は、アルゴリズムも視聴者もすぐに判断するTikTokやShortsで有利です。10分のYouTube動画では、安定した落ち着きのある声のほうが注目を保てます。そこでの役割は、スクロールする指を驚かせて止めることではなく、長い時間心地よく聞いてもらうことだからです。

サンプルの音声だけで声を決めないでください。10秒のサンプルは、ほぼ必ず台本全体より良く聞こえます。数字や読み間違える名前など、その声の弱点が出る文を飛ばしているからです。動画全体の声を決める前に、実際の台本の1分ぶんを2〜3種類の声で生成してみましょう。特に、顔出しなしチャンネルを始めたばかりで、視聴者がどの声に反応するかまだわからない段階なら、なおさらです。

コンテンツに合う声の組み合わせ

よくある7つのコンテンツの種類について、出発点になる組み合わせを紹介します。ルールブックではなく初期設定として扱い、自分で試して違う結果が出たら、すぐに入れ替えてください。テンポは英語の1分あたりの語数で、日本語のナレーションでは1分あたり300字前後がよく目安にされます。

注目してほしいのは、声の雰囲気よりテンポのほうが大きく変わることです。ドキュメンタリーとモチベーション系の台本は、どちらも温かく低い声が合いますが、モチベーション系は大事な場面でさらにゆっくりにする必要があります。

話し言葉に聞こえる台本の書き方

読まれるために書いた台本と、聞かれるために書いた台本は、まったく違います。段落を読むときは、話がわからなくなっても目で戻れます。聞くときはチャンスが1回しかないので、すべての文が1回で伝わらなければなりません。

• 文は短くしましょう。読点が3つないと成り立たない文は、2つの文に分けるべきです。
• 話し言葉を使いましょう。「〜である」「〜することができる」は書類のように聞こえ、「〜です」「〜できます」は人が話しているように聞こえます。ニュースの台本のように、あえてかしこまった調子にしたい場合は別です。
• 1行に1つのアイデアにしましょう。1つの文に2つのアイデアを詰め込むと、人の読み手と同じように、AIの声もどこを強調すべきか推測しなければならなくなります。
• 何かを生成する前に、声に出して読みましょう。自分で読んでつっかえる文は、AIの声もつっかえます。少し丁寧になるだけです。

声に出して読むテストに合格した台本は、まったく同じ声を使っていても、紙の上だけで磨いた台本より、ほぼ必ず良く聞こえます。白紙から始めるなら、AI動画の台本ジェネレーターも同じ考え方をとっています。まず話すための短い文、磨くのはそのあとです。

AIが正しく読めるように台本を整える

文の長さ以外にも、読み上げエンジンがよくつまずく具体的なポイントがいくつかあります。どれも、気をつけるべき場所さえわかれば直すのは難しくありません。

最初の下書きでこれをすべてやる必要はありません。自然に書き、ざっと一度生成してから、うまく読まれなかった行だけ戻って直しましょう。台本についてサポートにいちばん多く届く質問は、名前や略語がめちゃくちゃに読まれたのはなぜか、というものです。一度読み方どおりに書けば、ほぼ必ず直ります。

テンポと間

英語の普段の会話は1分あたり150〜170語ほどで、多くのAIナレーションでも良い初期設定になります。日本語なら、1分あたり300字前後がナレーションの目安としてよく使われます。速い読み方は、わかりやすさより勢いが大事な盛り上げ系やカウントダウン系に合います。ゆっくりした読み方は、視聴者が実際に覚えておく必要がある数字、名前、手順が入っているものに合います。聞いた内容を理解する速さを話す速さが追い越すと、理解度が落ちるからです。毎回の動画で考えたくないなら、英語の場合ぴったり1分162語が、かなり無難な中間の設定です。

句読点がテンポを操る道具です。モデルは、別に伝えた指示ではなく句読点から間を読み取るからです。読点で短い間、句点でしっかりした間ができます。ツールが改行や段落を反映するなら、段落の区切りが、手作業で編集せずに作れるいちばん長い間になります。決めの一言の前に丸1秒の沈黙が必要なら、句読点で長い間を作ろうとするより、たいていはその直前で文を終えるべきだというサインです。

強調と感情の調整

ツールによっては、声が1行をどう演じるかを直接調整できるものがあります。安定感や表現の豊かさのスライダー、スタイルの強さの設定、ささやきや笑いを示す括弧付きの指示などです。こうした機能があるなら、大きく変えるより小さく調整するほうが効果的です。表現の豊かさを上げすぎると、自信に満ちて聞こえていた声が、むしろ不安定に聞こえ始めます。

ツールにこうした設定がなくても、台本そのものでできることはたくさんあります。句読点と文の構造が、感情の表現の多くを担います。長い文のあとの短い文は着地点として読まれ、疑問符は1行全体の形を変え、1語だけを独立した行に置くと、文の途中に埋もれた同じ言葉より重みが出やすくなります。

やらないほうがいいこと

話す文章の中に、ト書きのような指示をそのまま書くのはやめましょう。たとえば「(笑)」を文字どおりの指示として書くことです。ほとんどの声は無視するか、もっと悪いことに、その言葉を声に出して読んでしまいます。

多言語ナレーションと翻訳の落とし穴

多言語対応のAI音声は、スペイン語、ヒンディー語、日本語など十数の言語を本当に話せて、多くの場合どの言語でも同じ声の雰囲気を保てます。これは本物の機能で、小さなクリエイターが英語以外の視聴者に届けることを、いまや現実的にしている大きな理由の1つです。

落とし穴は、ほぼ必ず翻訳にあります。英語から直訳した台本は、訳した先の言語では元より長くなったり短くなったりすることが多く、それに合わせて組んだタイミングが狂います。慣用句は直訳すると意味不明になります。かしこまった言い方とくだけた言い方の違いは、英語を話す人が思う以上に重要な言語もあり、選び間違えると、親しみやすい台本がかたく聞こえたり、さらには失礼に聞こえたりします。日本語の敬語はその典型です。数字、単位、通貨は翻訳するだけでなく換算も必要で、そうしないとキロメートルで測る国で「10マイル」と言う台本になってしまいます。

新しい言語を試すなら、まず短い部分を生成し、台本全体を決める前にネイティブスピーカーに確認してもらいましょう。無料のスペイン語の読み上げツールやヒンディー語の読み上げツールを使えば、ナレーション全体を組み立てる前に、その言語を手早く聞き返せます。

ボイスクローンで許されること

ボイスクローンは、実在の声、たいていは自分の声の短い録音をもとに、実際には言っていない新しいセリフをモデルに生成させるものです。個人のクリエイターにとっては本物の道具になります。一度5分録音しておけば、真夜中に台本を更新しても録り直す必要がありません。

クローンするのは自分の声か、書面ではっきり許可を得た声だけにしてください。有名人、ほかのクリエイター、そのほか誰であれ、同意なしにクローンするのはほぼすべてのプラットフォームでポリシー違反になり、あなたと相手の住んでいる場所によっては法的な問題にもなりえます。チャンネルを伸ばすどころか、終わらせてしまうたぐいの近道でもあります。

法的なリスクもプラットフォーム上のリスクも本物ですが、ルールを守るべきもっと単純な理由があります。許可なく使ったクローンの声は、本人を知っている人にはたいてい偽物だとわかってしまい、自然に聞こえる声を使う意味そのものがなくなってしまうのです。

声、BGM、字幕の仕上げ

ナレーションが完成したように聞こえるのは、きちんと仕上げた中に収まってからです。声がいちばん上、BGMはその下に小さく、字幕は実際に話されている内容に同期していること。どれか1つでも間違えると、ほかの2つも台無しになります。

毎回うまくいく音量の目安

出発点として、BGMは声よりおよそ12〜18デシベル小さくし、曲に歌声が入っているなら15デシベルに近づけましょう。本当に大事な情報を伝える文の下では、さらに下げます。声が話している間にBGMに合わせて鼻歌が歌えるなら、大きすぎます。セリフとセリフの間が無音に感じるなら、テンポではなく、おそらくBGMが小さすぎます。

字幕は、3語遅れて入るざっくりした言い換えではなく、実際の言葉を、それが話されているまさにその瞬間に追うべきです。AIナレーションを生成するツールの多くは、字幕を自動で動かすための単語ごとのタイミングも生成できます。普段は字幕を手で書いている人でも使う価値があります。1行直すたびに字幕を合わせ直す手間が省けるからです。

音量は自分のヘッドホンだけでなく、プラットフォームに合わせて確認する必要もあります。良いスピーカーでバランスよく聞こえる仕上がりでも、騒がしい部屋のスマホではかなり小さく聞こえることがあります。最後にスマホのスピーカーで小さな音量で確認すると、スタジオの環境では隠れてしまう問題に気づけます。

ナレーションが不自然に聞こえるよくある失敗

• 文字の壁のような台本。自然な息継ぎのポイントがない長い3段落で書いた台本は、声に出すとそのとおりに聞こえます。平坦で、急いでいて、聞くのが疲れます。
• 内容に合わないテンポ。英語で1分200語のドキュメンタリーは、法律の免責事項のように聞こえます。1分130語の盛り上げ系の動画は、時間稼ぎをしているように聞こえます。
• 合わない声。明るく若い声がまじめなお金の解説を読んだり、低く重厚な声がふざけたネタのまとめを読んだりすると、内容が評価される前に信頼が崩れます。
• 字幕がない、または字幕がずれる。誰にも聞こえないナレーションは、ないのと同じです。ショート動画の多くは、最初の数秒を音なしで見られています。ずれも形が違うだけで同じ問題で、字幕が声より2行遅れていると、音を出していても壊れているように見えます。
• 一本調子の読み方。冒頭のフックと締めの一言の区別もなく、すべての行を同じ平坦な設定で生成した声は、1文ずつは問題なく聞こえても、だんだん疲れてきます。
• 声に出して読むテストを飛ばす。AIの不自然なセリフのほとんどは、書いた人が生成する前に一度も声に出さなかった文にさかのぼります。

無料のAIナレーションツールでできること

AIナレーションがチャンネルに合うかを確かめるのに、有料アカウントはいりません。数行を無料で生成し、自分のスピーカーで聞き返して、お金を使う前に判断しましょう。声の一覧は全ライブラリより少なく、1日に生成できる量に上限があり、プレミアムではなく標準の音声モデルになると考えておいてください。動画の書き出しに小さなウォーターマークを入れるツールもありますが、音声だけの出力にはたいてい入りません。

無料プランは、本格的に決める前に声、台本、言語を試すのに向いています。毎日投稿するようになり、クローンした声、長い台本、ウォーターマークなしの書き出しが必要になると、物足りなくなってきます。その段階では有料プランがすぐに元を取れます。映像と字幕まで作ってくれる本格的なAI動画生成ツールなら、なおさらです。

動画メーカーでナレーションを作る手順

白紙の台本から仕上がった音声まで、動画メーカーの中でAIナレーションを作る実際の手順は次のとおりです。

1. 1ツールに触れる前に、まず台本だけを書きます。一度声に出して読み、つっかえた部分を直します。
2. 2引っかかりそうな部分を整えます。上の表をチェックリストにして、数字を言葉で書き、読みにくい名前を読み方どおりに書き、長い文を2つに分けます。
3. 3コンテンツの種類に合う声を選び(前に説明したとおり、ドキュメンタリー、ランキング、語りなどで合う初期設定は違います)、テンポを設定します。内容が速さや遅さを求めない限り、英語なら1分150〜170語が基本です。勉強用の作業動画のようなチャンネルなら、その範囲の遅い側で、声自体の元気さはほとんどないものが合います。
4. 4最初の版を生成し、何かを直す前に一度全体を聞きます。細かいところをその場で全部直すのではなく、違和感のある2〜3行をメモしておきます。
5. 5声の下にBGMを敷いて小さく保ち、同じ音声から字幕を生成して、自動で同期させます。
6. 6書き出して、実際に投稿するプラットフォームで見返します。ヘッドホンでちょうどよく聞こえる仕上がりも、スマホのスピーカーでは違って聞こえることがあるからです。

何もインストールせずに試したいなら、無料のYouTube向け読み上げツールとTikTok用の音声ジェネレーターなら、どちらも数分でAIナレーションを生成してダウンロードできます。

映像に取りかかる前にナレーションをもっと深く知りたい方は、AIナレーションのページで、声、言語、設定をすべて解説しています。一度読んで声を選び、もう1週間先延ばしにするのではなく、今日最初の本番の1本を生成してみてください。