AIボイス クローン

ボイスクローンとは、特定の声の高さ、質感、アクセント、言葉の発し方を再現した、新しい音声を作る技術です。従来のシステムでは、長時間のスタジオ録音と学習が必要なのが一般的でした。現在の多くのモデルは短いリファレンスクリップだけで動作し、数秒の声を聞き取って、それに合った声で新しいテキストを読み上げます。

Mageでは、クローンした声は音声リファレンスから始まります。MP3またはWAVをアップロードするか、作成したものや保存済みのサウンドを選ぶか、音声やSNSのリンクを貼り付けて、クリップの開始位置を選ぶと、Mageが最大15秒を@handleで保存します。そのhandleをSeed Audioのプロンプトで指定すると、設定した長さぴったりのMP3で、あなたのテキストをその声で読み上げます。学習のステップはなく、クリップは使うたびに読み込まれます。

同じ声を動画にも使えます。クリップをキャラクターの声として保存すると、そのキャラクターが話すたびに、Cherry、Raspberry、Plum、Lemon、MiniMax-H3がその声を使います。また、Cherry、Plum、Lemon、MiniMax-H3、Blueberryは、動画のプロンプトで音声リファレンスも利用できます。クローンするのは、ご自身の声、または使用について明確な許可を得ている声だけにしてください。

モデルは聞こえたものをそのままコピーします。部屋の響きも例外ではありません。反響のあるキッチンで録音した音声は、キッチンのような音で返ってきます。カーテンやソファなど柔らかいものがある小さな部屋で、マイクから手のひら1〜2枚分ほど離れて録音し、音楽やテレビ、他の人の声が入らないようにしましょう。何もない部屋で良いマイクを使うより、静かなクローゼットでスマホのボイスメモを使うほうがうまくいくことも多いです。

あとで再現したい話し方で録音しましょう。落ち着いた一定のトーンで読めば落ち着いたナレーションに、元気に読めば元気な声にクローンされます。いくつか異なる文を使い、10〜15秒ほど途切れず話すと、モデルがさまざまな音を聞き取れます。長い間や咳、笑い声は避けてください。

一番良いテイクが長い録音の途中にある場合は、ファイル全体をアップロードし、開始時間を最も良い15秒の位置に設定します。キャラクターボイスは10秒分が保持されるため、キャラクター用には最もそのキャラらしく聞こえる10秒を選んでください。

• 話し手は1人、静かな部屋、音楽なし。
• 途切れず話す10〜15秒。
• 再現したいトーンで読む。
• 開始時間で最適な部分を選ぶ。
• 音量は一定に。音割れやささやき声は避ける。

Seed Audioでは、ボイスを@ハンドルでメンションし、読み上げたい言葉を引用符で囲み、話し方や空間を説明します。例:「@ana-voice、温かくゆったりと、静かな部屋でマイクの近くで話す:…」。ハンドルが声の質を呼び出し、説明が演技を形づくります。

書く前に長さを決めましょう。Seed Audioは、選んだ5、10、30、60、120秒ちょうどの長さで返し、足りなければ余白を足し、長ければカットします。そのため言葉の量を長さに合わせてください。自然なペースでは1秒に2〜3語話すので、10秒のセリフなら20〜30語が目安です。読み方を微調整したいときは、話す速さ、音量、ピッチを個別に設定できます。

Seed Audioは1回の実行で、音声リファレンス最大3つか画像リファレンス1つのどちらかを使えます。両方は使えません。画像からシーンの音を付けたい場合は、ボイスなしで実行し、ボイスは別のクリップで追加してください。

• セリフの前に@ハンドルをメンションする。
• 読み上げる言葉は引用符で囲む。
• 話し方と部屋の雰囲気を説明する。
• 先に長さを決めてから言葉を合わせる。

いちばん簡単なのはキャラクターボイスです。キャラクターを作成または編集するときにキャラクターボイスを開き、MP3またはWAVをアップロードするか(開始時間から最初の10秒が保持されます)、キャラクターの画像から生成します(説明は任意で、料金はボタンにGemで表示されます)。その後は、キャラクターボイスをオフにしない限り、そのキャラクターが話すたびにCherry、Raspberry、Plum、Lemon、MiniMax-H3がそのボイスを使います。キャラクターの保存方法はAIキャラクタージェネレーターのガイドで紹介しています。

動画プロンプトで音声リファレンスを直接メンションすることもできます。Cherry、Plum、MiniMax-H3は最大3つ、Lemonは最大5つ、Blueberryは1つまで使え、キャラクターボイスも同じ上限に含まれます。Cherryで音声を添付する場合は、キャラクターやリファレンスなど、画像をプロンプトに1つ以上入れる必要があります。

セリフを正確に再現したいときは、Seed Audioでクローンしたボイスで生成し、そのあとリップシンクを開いて、ポートレートか保存済みのキャラクターと、その音声(最大15秒)を使います。全体の流れはAIトーキングフォトのガイドで紹介しています。

クローンしてよいのは、自分自身の声か、使用する明確な許可を得ている声だけです。本人の同意なく実在の人物をまねることは、Mageでは禁止されています。また、コミュニティガイドラインでは、友人、有名人、公人、ブランドを害のある目的でなりすますこと、およびお住まいの地域で違法となるコンテンツを禁止しています。自分が登場する作品の削除を求められた場合は、削除してください。

許可は書面で取り、内容は具体的にしましょう。誰の声か、何を話すか、どこで公開するか、商用かどうか、どのくらいの期間か、などです。声優との契約書には、合成音声の利用を明記してください。一般的な録音の使用許諾では、対象外であることが多いです。

法律も同じ方向に向かっています。米国では、FCCが2024年2月に、AIで生成した音声はロボコール法上の「人工的な」音声にあたるとの裁定を出し、同意なくロボコールで使うことは違法となりました。また、2024年7月に施行されたテネシー州のELVIS法は、許可なくAIで人の声をまねることを禁じています。このページは法的助言ではありません。公開する地域のルールを確認してください。

動画モデルの提供元も音声を審査します。著作権のある音楽や実在の人物の声が含まれていると、実行が拒否されることがあります。拒否された場合は返金されます。

• 自分の声:そのままどうぞ。
• 他の人の声:まず書面で許可を取る。
• 公人や有名人:ライセンスなしでは不可。
• だます目的では使わない:偽の通話、推薦、発言は禁止。
• リアルな合成音声は、プラットフォームが求める場合は明示する。

話し手が特定の誰かである必要があるとき(自分自身、同意してくれた声優、すでに声を付けたキャラクターなど)は、声をクローンしましょう。良い声ならどれでもよい場合は、プリセットボイスのほうが手軽です。AI音声読み上げでは、16種類のElevenLabsボイスから選んで最大5,000文字を読み上げられます。AIボイスジェネレーターのガイドでは、オーディオタグで読み方を演出する方法や、プロンプトで新しいボイスを指定する方法を紹介しています。

Eleven SpeechはMageでは声のクローンに対応しておらず、プリセットボイスでの読み上げのみです。クローンは、Seed Audioと、音声リファレンスやキャラクターボイスを読み込める動画モデルで使えます。開発者は、これらすべてを音声生成APIから利用できます。