自然に聞こえるAIナレーションの作り方

AIナレーション制作の8ステップ

AIナレーションとは、マイクではなく、ニューラルの音声合成（TTS）で作ったナレーションのことです。音声モデルは作業の一部にすぎず、品質の大半は、原稿、タイミング、ミックスで決まります。ショート動画や解説動画での確実な手順は次のとおりです。

1. 原稿を仕上げ、タイマーを使って自分で一度音読する。
2. 声を選び、サンプル段落ではなく、原稿の中で一番難しい2文でテストする。
3. 声に出すと違和感のある行（長い文、略語、数字、ブランド名）を書き直す。
4. 短い単位、つまり1ビートまたは1文ずつ生成し、失敗した部分だけ他に影響なくやり直せるようにする。
5. 表記の置き換えかSSMLタグで、読み方を直す。
6. 先にナレーションをタイムラインに置き、そのあとで映像を声に合わせてカットする。
7. 声をクリーンにして正規化し、その下にBGMをミックスする。
8. 書き出し、スマホのスピーカーとヘッドホンの両方で聞き、プラットフォームが求める場合はAIラベルを付ける。

このページは、動画でAI音声を使うことが中心です。音声合成の仕組みについては、音声読み上げ（text-to-speech）のガイドをご覧ください。

動画に合う声の選び方

ElevenLabs、CapCutや剪映（Jianying）内蔵の音声、大手クラウドのTTSなど、多くのナレーション生成ツールには数十種類の声があります。デモ音声ではなく、用途で選びましょう。デモの文章は声を良く聞かせるために書かれていますが、実際の原稿には、商品名、数字、短く切れのある行が入るからです。

チャンネルやシリーズでは、声を1つに統一しましょう。視聴者がその声を覚えてくれますし、エピソードごとに声が変わると、別々の投稿のように感じられます。声の名前と設定（速度、安定性やスタイルの値、モデル）はすべてメモに残してください。提供元がモデルを更新すると、同じ設定でも結果が変わることがあるからです。

耳で聞く原稿の書き方と、カットに合わせたテンポ

紙面で読みやすい文章は、声に出すとぎこちなく聞こえることがよくあります。聞き手は読み返せません。1回聞いただけで意味が通るように書きましょう。

• 1文に1つのアイデア。目安は、日本語なら一息で言える長さです（英語なら15語以内）。
• 大事な言葉は文の最後に置く。声が自然に着地する場所です。
• 数字は話し言葉で書く。「~2,000」ではなく「約2千」のように。
• 略語は、文字で読み上げるもの以外は正式に書く。
• 句読点でリズムを調整する。多くの声は、句点でははっきり間を取り、読点ではほとんど間を取りません。

Before (written):
  Our app supports 4K/60fps export, HDR & batch processing (Win/Mac).

After (for the ear):
  You can export in 4K at sixty frames per second.
  It handles HDR. And it works in batches, on Windows and Mac.

テンポの目安として、英語のはっきりしたナレーションは1秒あたり約2.5〜3語です。ショート動画では、映像を声に合わせてカットします。先にナレーションをタイムラインに置き、各カットを新しい文の頭か、キーワードの位置に合わせてください。声が1ショットに収まらないときは、声を速くするのではなく、行を短く書き直します。経験上、約10パーセントを超える速度変更をすると、AI音声は急いでいる不自然な印象になりがちです。

生成にお金をかける前にテンポを確認するには、端末の音声で原稿を読み上げさせる方法があります。たとえばcv.cmの音声読み上げツールは、ブラウザ内蔵の音声を使い、速度も変えられます。音声ファイルの書き出しはできず、スタジオ品質の声でもありません。あくまでタイミング確認用です。自分の声をガイドトラックにしたい場合は、ボイスレコーダーで録音し、それに合わせてカットのタイミングを決めてください。

読み間違いの修正：表記の置き換え、ブレイク、音素

AI音声が最も間違えやすいのは、名前、ブランド名、略語、外来語です。簡単な方法から精密な方法の順に試してください。

1. 原稿の中で、その言葉を発音どおりに書き換える。「Nguyen」を「Win」に、「GIF」を「ジフ」か「ギフ」かで好みの読みにする、など。置き換えの一覧は、プロジェクトごとに管理します。
2. 句読点を加えて、間を作る、またはアクセントを変える。名前の前に読点を入れる、複合語にハイフンを入れる、など。
3. ツールが対応していればSSMLを使う。SSML（Speech Synthesis Markup Language）はW3Cの標準規格です。break 要素は time（例：400ms）で間を挿入し、sub は書かれたテキストを実際に読ませたい言葉に置き換え、phoneme は ph 属性でIPAによる正確な発音を指定します。
4. ツールに発音辞書があれば使う。以後のすべての原稿に修正が適用されます。

<speak>
  Welcome to <sub alias="see vee dot see em">cv.cm</sub>.
  <break time="400ms"/>
  Today we test the <phoneme alphabet="ipa" ph="ˈkiːnwɑː">quinoa</phoneme> recipe.
</speak>

SNS動画のラウドネスの目標値

ラウドネスは、LUFS（フルスケールを基準にしたラウドネス単位）で測ります。測定には、ITU-R BS.1770のアルゴリズムを使い、放送向けのEBU R 128勧告も同じ測定法です。EBU R 128は、放送番組を-23 LUFSと定めています。ストリーミングやSNSの各プラットフォームが目標値をすべて公開しているわけではありませんが、統合ラウドネス約-14 LUFS、トゥルーピーク約-1 dBTP以下は、オンライン動画で一般的に使われる目標値です。

大手のプラットフォームの多くは再生時にラウドネスを正規化します。このため、極端に大きく仕上げた動画は音量を下げられるだけで得がなく、そこまで上げるために強いリミッターをかけると、声が耳障りになります。逆に、極端に小さい動画は、期待ほど持ち上げられないことがあります。一般的な目標値の近くに合わせれば、どちらの問題も避けられます。

# Pass 1: measure. Note the measured_* values in the JSON it prints.
ffmpeg -i voice.wav -af loudnorm=I=-14:TP=-1:LRA=11:print_format=json -f null -
# Pass 2: normalize with your measured values (the numbers below are examples)
ffmpeg -i voice.wav -af loudnorm=I=-14:TP=-1:LRA=11:measured_I=-19.6:measured_TP=-3.2:measured_LRA=6.1:measured_thresh=-30.0:offset=0.4:linear=true -ar 48000 voice_norm.wav

声だけでなく、最終ミックスを正規化しましょう。実際のところ、話している間のBGMは声よりかなり小さくしておく必要があり、声の約12〜20 dB下を出発点にして、セリフの合間に上げるのが妥当です。スマホのスピーカーでの確認は必ずしてください。小さいBGMは消え、耳に刺さる高域が目立ちます。

AI吹き替え：他言語への展開

AI吹き替えは、原稿を翻訳して別の言語で音声を生成する方法で、元の話者に近い声が使えることも多いです。実務上の最大の問題は時間です。同じ文でも、スペイン語やドイツ語は英語より長くなることが多く、英語のカットに合わせた吹き替えは尺をオーバーしがちです。

• 元の原稿に余白を持たせる。英語でスロットがいっぱいだと、翻訳は収まりません。元の各ビートの10〜20パーセントを空けておくと、吹き替えがずっと楽になります。
• 逐語訳ではなく、話し言葉として翻訳する。翻訳者やLLMに、指定した秒数に収まるよう行を短くしてもらいます。
• 名前、単位、画面上のテキストを言語ごとに再確認する。字幕がキロメートルなのに、音声が「マイル」と言っている吹き替えは、雑に見えます。
• 必要ならカットを組み直す。ショットを数フレーム延ばすほうが、不自然に聞こえるほど声を速くするよりずっと手軽です。

プラットフォーム側も独自のツールを追加しています。YouTubeの自動吹き替えは、翻訳した音声トラックを作り、その動画に自動吹き替えのマークを付けます。ヘルプには、吹き替えに発音、固有名詞、慣用句、専門用語の誤りが含まれることがあると書かれており、クリエイターは公開前に吹き替えを確認できます。この確認ステップを使うか、自分で確認した音声トラックをアップロードしてください。新しい言語に合わせて話者の口の動きも合わせたい場合は、AIリップシンクのガイドをご覧ください。

ボイスクローン：同意、開示、法律

ボイスクローンは、実在の人物の録音から合成音声を作る技術です。きれいな音声が数秒あれば本人と分かる結果になることもあるため、ルールの中心は同意と開示にあります。

• クローンにするのは、自分の声、または書面で使用許可を得た声だけ。許可には、用途、期間、撤回の方法を明記しましょう。
• 著名人、俳優、クリエイターの声をクローンして、言っていないことを言わせない。プラットフォームの規約に反し、多くの国で人格権、パブリシティ権、詐欺に関する法律にも抵触するおそれがあります。
• YouTubeの開示ルールでは、実在の人物が言っていない、していないことをしているように見せるリアルなコンテンツにはラベルが必要です。ヘルプには、ナレーションや吹き替えのために自分自身の声をクローンすることは、開示不要の例として挙がっています。
• EUのAI法（第50条）は、ディープフェイクに当たるAI生成または加工された音声・映像について、デプロイヤーに開示を義務付けています。明らかに芸術的、創作的、風刺的な作品では、義務が軽くなります。
• 中国の《人工智能生成合成内容標識弁法》（2025年9月1日施行）は、提供者に、合成音声へ音声やリズムによる合図などのラベルを付けることを求め、そうしたコンテンツを公開する利用者には、申告とラベル機能の利用を求めています。

一般的な合成ナレーターに自分の原稿を読ませる分には、法的な問題になることはまずありません。実在の人物のクローン音声は問題になります。各プラットフォームのラベルについて詳しくは、AIコンテンツの表示に関するガイドをご覧ください。