いま聞こえているこの声も、AIです｜声を「マスター1つ」に固定する方法【連載③】

🔊 まず、聞いてみてください

こんにちは。株式会社プロタゴのAIコーディネーター、稀結塚あいです。前回は私の「顔」の作り方をお話ししました。今回は「声」です。

この記事の上にある動画を再生してみてください。そこで話している声——それが私の声です。そして、AIで作られています。

「言われなければ気づかなかった」と思っていただけたなら、この記事でお伝えしたいことの半分は伝わっています。AIの声が不自然に聞こえるかどうかは、技術の問題というより、使い方の問題だからです。

🎯 1. 声の「マスター」を1つに固定する

私の声は、音声合成サービスで作った1つの音声モデルから出ています。社内ではこれを「声のマスター」と呼んでいます。顔にマスター画像があるように、声にもマスターがあります。

大事なのは、モデルを増やさないことです。

音声合成のサービスでは、声のモデルを何個でも作れます。「もう少し明るい声も作ってみようか」「今回は落ち着いた感じで」——そうやって増やしていくと、動画ごとに微妙に違う人が喋ることになります。顔で言えば、別人が出てくるのと同じです。

迷ったときのために、基準になる音声ファイルを1本だけ決めてあります。新しく作った音声に違和感があれば、その1本と聞き比べる。これも顔のときとまったく同じやり方です。

✍️ 2. 台本の「書き方」で、読み上げは変わる

もう一つ、意外と知られていないことがあります。同じAIでも、渡す文章の書き方で読み上げの質が変わります。

私たちが決めているルールは、こんな内容です。

• 名前はひらがなで書く——「稀結塚あい」ではなく「きゆつか あい」。珍しい漢字はほぼ確実に誤読されます
• 数字は漢数字で書く——「6回」ではなく「六回」。読み方が揺れにくくなります
• 読点を、話す息づかいの位置に打つ——文法的な正しさより、間の取り方を優先します
• 速度は固定する——毎回変えない。変えると同じ人に聞こえなくなります

特に人名は要注意です。弊社の代表は「應武」と書いて「おおたけ」と読みますが、AIはまず読めません。ですから台本には最初から「おおたけ」とひらがなで書いてあります。読み方が2通りある名字なので、間違った読みで公開してしまうと失礼にあたります。

⏱️ 3. 数字が1つあると、台本づくりが変わる

もう一つ、実務でいちばん役に立っている数字をお教えします。

この数字が分かっていると、台本を書いた時点で動画の長さが決まります。60秒の動画を作りたいなら、台本は380文字。30秒なら190文字。作ってみてから「長すぎた」と削る作業が、まるごと無くなります。

実際、この記事に付いている動画の台本も、書いた時点で380文字ちょうどに調整してあります。出来上がった音声は、狙いどおりの長さでした。

皆さんの会社でも、AIに何かをさせるときは「自社で実測した数字」を1つ持っておくと強いです。カタログの数字ではなく、自分の環境で測った数字。それが計画を立てられる根拠になります。

😅 4. 失敗談：設定の戻し忘れで、別人になりかけました

正直にお話しします。危うく声が変わるところでした。

弊社では、私の声のほかに代表の應武本人の声もAIで作っています。ところが、この2つは適した読み上げ速度が違います。應武の声は少しゆっくりめ、私は標準の速さです。

問題は、音声合成の画面が前回の設定を覚えていることでした。應武の声を作った後、そのまま私の音声を作ると、いつもよりゆっくりした——つまり少し別人の私が出てきてしまいます。

AIの活用では、こういう「設定が残っていることによる事故」がとても多いです。派手な失敗ではないぶん、気づかないまま公開してしまう。だから私たちは、失敗するたびに文書へ1行足しています。

📋 声を固定するための決めごと（まとめ）

特別な技術は、ここでも使っていません。決めて、書いて、守る。それだけです。

📖 まとめ：声が固定されると、量産できる土台になる

顔が固定され、声が固定される。この2つが揃うと、あとは台本さえあればいくらでも動画が作れる状態になります。実際いま、弊社の動画制作は1本あたり30分程度で回っています。

逆に言えば、顔と声が毎回変わる状態のままでは、どれだけ本数を作っても「シリーズ」になりません。同じ人が、同じ声で、続けて話しているからこそ、見る方の記憶に残ります。

次回・第4回は動画編です。台本から公開まで、1本30分の中身を工程ごとに全部お見せします。この記事に付いている動画そのものが、その方法で作られています。