AI音声合成入門｜テキストからナレーション音声を作り、3観点で確認して使う

研修動画やマニュアルにナレーションを入れたいとき、AI音声合成という選択肢を知っていますか。多くの人は「自分でマイクに向かって録音する」か「いっそ音声なしで済ませる」かの二択で考えがちです。でも、自分で録ると噛む・言い直す・後ろの物音が入るで、何度も録り直してくたびれてしまう。声を出してくれる人を頼む段取りもなく、結局「音声なし」で諦める——そんな経験はありませんか。

その二択を変えるのが、AI音声合成です。これは、用意したテキストを入力すると、AIが読み上げ音声に変換してくれる仕組みです。録音の代わりではなく、「文字から音声を作る」こと。原稿さえあれば、自分の声で録らなくてもナレーションを用意できます。

最初に、本講座が扱う範囲と扱わない範囲をはっきりさせておきます。本講座は「用意したテキストを、AIにナレーション音声として読み上げさせ、その音声が用途に使えるかを自分で確かめる」ことに一点集中します。ここで一番混同しやすいのが、向きが逆の「音声・録音を文字に起こす」作業です。会議の録音やインタビュー音声をテキストにするのは文字起こしで、本講座とは逆向きの別物ですから、それはAI文字起こし入門が正本です。作った音声を動画に載せて字幕や編集まで仕上げる流れはAI動画生成入門へ、読み上げる原稿そのものを生成AIに書かせたい場合はAI資料作成入門へ、それぞれ送客します。これらの深掘りには本講座では踏み込みません。

この講座を終えると、次の3つができるようになります。AI音声合成とは何かと、文字起こしや動画生成との違いを説明できること。読み上げに適した原稿に整え、AI音声合成ツールでナレーション音声を1本作成できること。そして、できあがった音声が用途に使える品質かを、聞き取りやすさ・読み間違い・利用条件の3観点で確認・判断できることです。

全章を通して追うのは、次のような場面です。手元に、社内向けの手順マニュアルの1節（例）があるとします。「申請ボタンを押し、表示された画面で部署を選び、内容を確認のうえ送信します」——こんな文章が並んだ、ありふれた手順書です。このマニュアルにナレーションを付けたい、と思ったとき、原稿を読み上げ向けに整え、AI音声合成で音声を1本作り、それが本当に使えるかを自分で確かめる——この一本の糸を、全章で追いかけます。覚えて帰ってほしい型はシンプルです。「原稿を整える → 音声を生成する → 3観点で確認する」。録らずに、読ませる。整えた原稿が、声になる。

なお、ツールの音声品質・対応言語・利用条件などは提供元やプランによって変わるため、本文では機能の説明にとどめ、具体的な製品名や料金、無料枠の数値は挙げません。変わりやすい部分は「（例）」と添えて読んでください。

AI音声合成とは何か、文字起こし・動画生成と何が違うのか

AI音声合成は「文字を入れると読み上げ音声が返る」仕組み

まず、AI音声合成が何をしてくれる道具かを押さえます。AI音声合成（英語では Text-to-Speech、略して TTS）は、入力した文字列や文章を、人の声に近い再生できる音声データに「合成」する仕組みです（出典：Google Cloud「Cloud Text-to-Speech basics」）。あなたが与えた文章を、「同じことを話す人の声」に変換してくれる、と考えると分かりやすいでしょう。

ここで大事なのは、AI音声合成はゼロから言葉を作るのではなく、あなたが入力した文字をそのまま読み上げるという点です（出典：Google Cloud「Cloud Text-to-Speech basics」）。共通例の手順マニュアル（例）の文章をそのまま入れれば、その文章を読み上げた音声が返ってくる。原稿が主役で、AIはそれを声にする役、というイメージです。だからこそ、後の章で見るように「良い音声は良い原稿から」生まれます。

「録音」とも「文字起こし」とも違う——向きが逆

混同しやすいので、似た言葉との違いをはっきりさせます。自分でマイクに向かって話すのは「録音」で、声を出すのはあなた自身です。AI音声合成は、声を出すのがAIで、あなたは文字を用意するだけ。ここが録音との違いです。

もっと間違えやすいのが「文字起こし」との混同です。文字起こしは、録音や会議の音声を聞き取ってテキストに変換する作業——つまり「音声→テキスト」です。AI音声合成はその逆向きで、「テキスト→音声」。矢印の向きが正反対なので、やりたいことがどちら向きかをまず確かめてください。録音された音声を文字にしたいなら、それはAI文字起こし入門の領域で、本講座の出番ではありません。

「AIの声は棒読み」という思い込みでつまずく

AI音声合成を使わない理由として一番多いのが、「AIの声なんて棒読みで不自然でしょう」という思い込みです。これは、現在の技術ではあまり当たりません。今のAI音声合成は、抑揚やリズム（プロソディと呼ばれます）の予測と音声化を同時に行う仕組みで、従来より滑らかで人の声に近い音声を出せるようになっています（出典：Microsoft「Text to speech overview - Speech service」）。

とはいえ、何も考えずに文章を放り込めば自然になるわけではありません。棒読みに聞こえるかどうかは、実は原稿の整え方しだいの面が大きい。次章で扱う「読み上げ向けに原稿を整える」工程こそが、自然な音声を得るための鍵になります。なお、対応する言語の数や声の種類はツールやプランによって幅があるので、ここでは「ツールごとに選べる声や対応言語は異なる」とだけ覚えておいてください。

この章の確認（演習）

身の回りで「ナレーション音声があれば助かる場面」を1つ挙げてください。そのうえで、それが本講座の扱う「テキスト→音声」で解ける話なのか、それとも別講座の領域（音声を動画に載せる、録音を文字に起こす）なのかを切り分け、なぜそう判断したかを一言添えてみましょう。

原稿を整えてナレーション音声を作る

きれいな音声は「きれいな原稿」から

前章で見たとおり、AIは原稿をそのまま読み上げます。ということは、原稿が読み上げに向いていなければ、音声も不自然になるということです。だから、いきなりツールに文章を入れる前に、原稿を「読み上げ向け」に整えるひと手間をかけます。

整え方のコツは3つです。一文を短くすること、読み間違えやすい語に読みを補うこと、そして記号を言葉に直すことです。共通例の手順マニュアル（例）で考えてみましょう。「申請ボタンを押し、表示された画面で部署を選び、内容を確認のうえ送信します」という一文は、目で読む分には自然でも、読み上げると一息が長くて聞き取りにくい。これを「申請ボタンを押します。次に、表示された画面で部署を選びます。内容を確認して、送信します」と短く区切るだけで、ぐっと聞きやすくなります。専門語や社名のように読み方が割れる語には読みを添え、「※」や「→」のような記号は「米印」「矢印」あるいは意味する言葉に置き換えておきます。

声と速さを選び、読み方の指示を添える

原稿が整ったら、ツールに入力して声を選びます。AI音声合成ツールでは、言語や性別などの異なる複数の声から話者を選べるのが一般的です（出典：Google Cloud「Cloud Text-to-Speech basics」）。そのうえで、話す速さ・声の高さ・音量といった出力の設定も調整できます（出典：Google Cloud「Cloud Text-to-Speech basics」）。速すぎて聞き取りにくいと感じたら速さを落とす、といった調整が効きます。

文の途中に「間」を入れたいときや、特定の語の読み間違いを直したいときは、ツール側に用意された読み上げの指示を使います。たとえば、語と語のあいだに一定の長さの「間（ポーズ）」を入れる指示や（出典：Google Cloud「Speech Synthesis Markup Language (SSML)」）、略語や数字を「どう読むか」を指定する仕組みがあります（例：略語を一文字ずつ読ませる、数字を順番として読ませる）（出典：Google Cloud「Speech Synthesis Markup Language (SSML)」）。固有名詞や特殊な表記の読み間違いは、正しい読みを登録する「発音辞書」で直す方法もあります。たとえば「W3C」を「World Wide Web Consortium」と展開して読ませる、といった具合です（出典：Amazon Web Services「Managing lexicons - Amazon Polly」）。こうした指示の正式な書き方はツールごとに異なるので、本文では「読み方を指定したり別表記に置き換えたりする機能がある（例）」とだけ押さえ、実際の操作は使うツールの画面の指示に従ってください。

試し聞きして、直すのは原稿のほう

声と速さを決めたら、いったん音声として書き出します。合成した音声は、音声ファイル（例：MP3 や、WAV で使われる形式）として保存できます（出典：Google Cloud「Cloud Text-to-Speech basics」）。ここで大事なのが、一度の生成で完成させようとしないことです。試しに聞いてみて、噛んで聞こえる箇所や読み間違いがあれば、音声を直接いじるのではなく、原稿のほうに戻って直し、もう一度生成します。短く直して作り直すのが前提だと知っておくと、最初の出来に一喜一憂せずに済みます。読み上げる原稿そのものをもっとうまく作りたくなったら、それはAI資料作成入門の領域です。

この章の確認（演習）

手元にある短い文章を3〜5文ぶん用意してください。それを読み上げ向けに整え（一文を短く・読みを補い・記号を言葉に）、AI音声合成ツールに入力して、声と速さを選び、ナレーション音声を1本書き出してみましょう。

音声が使えるか確認する——3観点でのチェック

AIの音声は「出たまま使う」のではなく、点検してから使う

音声ができあがると、つい「それっぽい声が出たからOK」で済ませたくなります。でも、AIの音声はそのまま使うのではなく、用途に合うかを自分で点検してから使うのが中級の所作です。点検の観点は3つに絞れます。聞き取りやすさ・読み間違い・利用条件です。共通例の手順マニュアル（例）で書き出した音声を、この3観点で順に見ていきましょう。

聞き取りやすさと読み間違いを洗う

1つめは聞き取りやすさです。通して一度聞き、速すぎて言葉が潰れる箇所や、不自然に詰まる・間延びする箇所をメモします。気になる箇所があれば、前章のとおり速さや間を調整し、原稿を区切り直して作り直します。

2つめは読み間違いです。ここが一番見落とされます。AI音声合成は、固有名詞・数字・略語・専門語を字面どおりに読むため、人が読むのとずれることがあります。だからこそ、ツールには読み方を指定する仕組みや発音辞書が用意されているのでした（出典：Amazon Web Services「Managing lexicons - Amazon Polly」）。社名・人名・製品名、日付や金額、業界の専門語を一つひとつ聞いて、意図した読みになっているかを確かめます。違っていれば、読みを補うか別表記に置き換えて、原稿に戻って直します。

利用条件を確かめてから外に出す

3つめは利用条件です。これは音質の話ではなく、「その音声を、その用途で使ってよいか」という権利の話です。ここを飛ばして社外に公開すると、後でトラブルになりかねません。

利用条件は、使うツールとプランによって変わります。たとえば、無料プランでは商用利用が認められず、公開時に提供元への帰属表示（クレジット）が必要になる場合があります。一方、有料プランでは商用利用が認められることが多く、その期間に作った音声を継続して使えることもあります（出典：ElevenLabs「Can I publish the content I generate on the platform?」）。いずれの場合も、入力した原稿について必要な権利を自分が持っていること、そしてそのツールの利用規約を守ることが前提になります（出典：ElevenLabs「Can I publish the content I generate on the platform?」）。そのため、本文では特定のプラン名や料金は挙げません。大事なのは、社外公開や商用利用の前に、自分が使うツールの利用規約を必ず確認するという習慣です。社内限定で使うのか、社外に公開するのかで、確認すべき条件も変わります。

3観点で点検し、直す箇所が見つかったら、音声ではなく原稿に戻って直し、作り直す。これを一致が取れるまで繰り返してから業務に使います。点検し終えた音声を、動画のナレーションとして載せる次の一歩はAI動画生成入門へ進んでください。

この章の確認（演習）

第2章で作った自分の音声を、3観点（聞き取りやすさ・読み間違い・利用条件）のチェックリストで点検してください。直すべき箇所を1つ以上挙げ、原稿に戻ってその箇所を修正し、もう一度音声を作り直してみましょう。