ボイスクローン：録音の声に近い音声を手に入れる方法
ボイスクローンとは、ある録音に出てくる人のような声で話す音声合成の音声を作ることです。数秒の音声からその場でクローンするモデルもあります。SuperClonicaでは、声を一度学習させてSupertonic 3の音声ファイルにします。そのファイルは、普通のCPUでどんなテキストでもオフラインで読み上げます。
以下では、誰の声ならクローンしてよいか、良い参考録音の録り方、音声を手に入れる2つの方法（作者に依頼するか自分で学習させるか）、そして仕上がりに何を期待できて何ができないかを説明します。
まずは権利と同意
クローンするのは自分の声か、本人が同意した人の声にしてください。音声を依頼するときは、録音の権利と話者本人の同意があることを確認します。作者が音声を公開できるのも、権利と同意のある録音から作ったものだけです。
Supertonic 3のライセンスOpenRAIL-Mも、同意なく他人になりすますことを禁止事項に挙げています。実際には、有名人や同僚、家族の声を許可なく使わないこと、そして許可を元の録音と一緒に保管しておくことです。
ボイスクローン用の参考録音の録り方
音声は聞こえたものすべてから学びます。雑音や部屋の反響も例外ではありません。短くてもきれいな録音のほうが、長くて雑音の多い録音より役に立ちます。
- 静かで、布製の家具などがある部屋で録ります。音楽、扇風機、車の音、反響は避けましょう。
- 話すのは1人だけ。声の重なりや効果音は入れません。
- マイクとの距離と音量を一定に保ち、大きな声で音割れしないようにします。
- 仕上がってほしい話し方で話します。落ち着いたナレーターなら落ち着いて読み、キャラクターなら演じます。
- 録音の正確な原稿を、言い直しや言い間違いも含めて一字一句書き起こします。サイトでは参考録音ごとに原稿の入力を求められます。
- 長さ：スタジオで学習させる場合は、参考録音1本あたり5〜10秒。依頼の場合は、WAV、MP3、FLAC、OGGのファイルを1本30MB・10分まで、最大20本アップロードできます。
方法1：作者に音声を依頼する
NVIDIA GPUがない、または学習させる時間がない場合は、「音声制作の依頼」で依頼を出します。
- やりたいことを書きます。声質、話し方、音声の用途、仕上がりをどう判断するか。音声の言語、0.01〜10,000ドルの予算、日数での期限も設定します。
- 録音と正確な原稿を追加し、権利を確認して依頼を公開します。
- 作者から提案が届き、誰に任せるかはあなたが選びます。
- 残高に予算を確保します。そのあと作者が作業を始め、学習済みの音声を音声デモ付きで納品します。
- 結果を承認するか、具体的な修正を依頼します。作者に報酬が支払われるのは承認後で、音声はJSONファイルとしてダウンロードできるようになります。依頼がキャンセルされた場合、確保していた金額は残高に戻ります。
方法2：自分で音声を学習させる
NVIDIA GPU搭載のPCがあれば、スタジオでの学習は無料です。そのPCがあなたのワーカーになります。個人用トークンで接続すると、あなた自身の音声だけを学習します。
- 音声を作成し、参考録音を追加します。5〜10秒のきれいな録音と正確な原稿です。参考録音は非公開のままです。
- 参考録音の「トレーニング開始」を押し、ステップ数を選んで学習を始めます。
- チェックポイントをデモと類似度で比べ、いちばん良さそうなものから学習を続けます。
- 学習ページでJSONを無料でダウンロードします。希望すれば、カバー画像、説明、価格を付けて販売することもできます。
クローンした声に期待できること
学習では、録音に近い声質と話し方を見つけます。完璧なコピーではなく、聞けばそれとわかる声を目安にしてください。参考録音がきれいで、求める声に近いほど、仕上がりも近づきます。依頼で作られた音声は非公開で、作者がカタログに公開することはありません。
待つ代わりに、オフラインで全速力で動くファイルが手に入ります。当社の推定では、デスクトップ向け8コアCPUでSuperClonicaは実時間の6.4〜9.7倍の速さで話し、どの文も同じ声質から始まります。音声はSupertonic 3の31言語で使えますが、中国語にはまだ対応していません。
短い音声からすぐにクローンしたい場合は、学習なしのゼロショットモデルが向いています。Qwen3-TTSは3秒、OmniVoiceは3〜10秒、Chatterboxは参考音声1本からクローンします。ライセンスや必要なハードウェアはそれぞれ異なるので、当サイトの比較ページで確認してください。