音声合成

台本のための、無料のオンライン音声読み上げ

ふつうのテキスト読み上げは、1つの声で文章のかたまりを音声に変えます。ナレーションには正しい道具で、芝居のシーンには間違った道具です。このページで扱うのは音声合成そのものの層です。何を指示できて、どこで止まるのか。

ひと目で分かる

これは何か
台本のために作られた、無料のAI音声生成・テキスト読み上げの作業台です。誰が話しているかを読み取り、キャラクターごとに別の声を割り当て、セリフ単位で感情を演出して、仕上がった音声を書き出します。一人のナレーターが全員分を読むのではなく、フルキャストのオーディオドラマになります。
入力するもの
貼り付けた台本です。シナリオ形式、「名前:セリフ」、地の文に会話タグが付いた文章はそのまま解析されます。スペイン語・フランス語・ポルトガル語・ロシア語のダッシュで始まる会話も読み取れます。セリフの行頭の括弧と、行全体が括弧のものは、その行の演出指示として演じられ、読み上げません。セリフ一覧でそのまま直せます。ファイル取り込みはないので、書類を添付するのではなく本文を貼り付けてください。
書き出せるもの
どのプランでもミックス済みの MP3 が 1 本。Plus 以上では SRT 字幕も書き出せます。音声から文字起こしするのではなく台本から作るので、固有名詞の表記が崩れず、タイミングも最初から合っています。キャラクターごとのステム(本編と同じ長さのトラックを人数分、ミックスと合わせて ZIP)は Pro の機能です。WAV の書き出しはありません。
キャラクターと基本ボイス
ライブラリのキャラクターは 40 人。それぞれに立ち絵、人物像、サンプルがあります。その裏にあるのは 10 種類の基本ボイス(女性 4、男性 5、中性 1)で、どの言語でも同じ 10 種類です。1 つのプロジェクト内では、10 種類が埋まるまで同じ基本ボイスが二人に割り当てられることはありません。話者が 10 人までなら声はきれいに分かれ、それを超えると二人が同じ声を共有し、人物像とセリフごとの演技指示で描き分けます。選ぶのはキャラクターであって、基本ボイスではありません。短い同意文を読み上げれば、自分の声をクローンしてどのキャラクターにも割り当てられます(1 アカウント 3 件まで)。クローンした声は 9 言語すべてで読み上げ、話速設定にも従いますが、感情や演技指示は反映されません。
対応言語
9 言語:English、简体中文、日本語、한국어、Deutsch、Français、Español、Português、Русский。ライブラリのキャラクターは全言語で演じます。キャラクターは人物像であって録音された一本の声ではないからです。プロジェクトの言語は作成時に決まり、あとから変わりません。英語以外はその言語の一般的なアクセントで、地域アクセントは選べませんし、保証もしていません。各言語のネイティブに一つずつ聴いてもらったわけではないので、まずご自分のセリフで試してから判断してください。
感情とセリフ単位の演技
セリフは一つずつ、文章で書かれた演技指示をもとに AI の声優がその場で演じます。7 種類の感情(ノーマル、喜び、悲しみ、怒り、恐れ、ささやき、興奮)はパラメータで似せたものではなく、実際に演じられたものです。キャラクターごとの既定の感情はどのプランでも設定でき、セリフ単位で感情を上書きできるのは Pro のみ、5 段階の速度調整(0.75×〜1.25×)は Plus と Pro です。同じセリフを生成し直すと、声は同じまま別のテイクになります。1 行を直したときに再合成されるのはその行だけです。
料金とオープンベータ
クレジットは台本の 1 文字ぶんで、消費するのはダウンロードのときだけです。生成と試聴では減りませんが、24 時間あたりの合成行数に上限があります(Free は 30 行、Pro は最大 2,000 行)。Free は一度きりの 4,500 クレジット、仕上がり約 13 分ぶんで、1 プロジェクトにキャラクターは 2 人までです。有料プランは月額 Basic $5、Plus $19、Pro $29、年払いで 10% 引きです。決済はまだ始まっていません。オープンベータの間はどのアカウントでも Pro の全機能を無料で使えますが、商用ライセンスは別で、プラン開始後は有料プランが必要です。
まだできないこと
ボイスクローンできるのは自分の声だけで、クローンした声は文字を読むだけで感情や演技指示は演じません。ファイル取り込み、WAV 書き出し、発音辞書、ピッチ調整はなく、基本ボイスや地域アクセントを指名することもできません。どの言語にも本物の子どもの声はありません。子どもの役は大人の声優が演じます。アニメの吹き替えが昔からそうしてきたやり方です。キャラクターは一つのプロジェクトの中だけに存在し、次のプロジェクトには引き継がれません。

試してみる声

Noor

Noor

Newsreader clarity for exposition-heavy scenes

女性大人アメリカ英語ニュースクリア
この声で作る
Quill

Quill

YouTube explainer voice that never sounds bored

男性青年アメリカ英語YouTubeクリア
この声で作る
Dorian

Dorian

Audiobook baritone for literary fiction and slow reveals

男性大人イギリス英語オーディオブック低音
この声で作る
Solène

Solène

Continental accent, unhurried, very expensive sounding

女性大人イギリス英語上品訛り
この声で作る
Halcyon

Halcyon

Meditation-adjacent narrator for slow, quiet scenes

中性大人アメリカ英語落ち着き癒やし
この声で作る
Indie

Indie

TikTok voiceover: fast, flat, faintly amused

女性青年アメリカ英語社交的早口
この声で作る
Wren

Wren

Bedtime-story narrator, slow and warm, never wakes anyone up

女性大人アメリカ英語ナレーション温かい
この声で作る
Hale

Hale

Documentary narrator with a hand on the listener's shoulder

男性大人アメリカ英語ナレーションドキュメンタリー
この声で作る

ライブラリ全体を見る →

できること

7つの感情

ノーマル、喜び、悲しみ、怒り、恐れ、ささやき、興奮。文書単位ではなく行単位で指定します。どの声にもすべての感情を指定できます。指定した感情はその行の演出指示として渡され、AIの演じ手が実際にそう演じます。話速やピッチをずらして近づけているのではありません。ライブラリのタグが示すのは、そのキャラクターがどの感情を想定して書かれているかで、どれが鳴るかではありません。

話速のコントロール

PlusとProで使える、行単位の速度倍率です。話す速さは思っているより多くを担っていて、年齢も、立場の強さも、感情の状態も、ピッチより確実に伝えます。

括弧のト書きは、読まずに演技へ回します

セリフの行頭に置いた括弧、および丸ごと括弧で書かれた行は、その行の演出指示として演じ手に渡され、読み上げません。指示はセリフの横に表示され、その場で直せます。行の途中や末尾の括弧はそのまま残ります——その位置の括弧は読ませたい中身であることが多いからです。柱(シーン見出し)と地の文のト書きは別で、ナレーションとして読まれるので、聞かせたくないものは削除してください。

句読点は演出です

句点は本当の間になり、三点リーダーはもっと長い間に、疑問符は語尾を持ち上げます。改行は間を作ります。台本のレイアウトが、そのままタイミングの指示になります。このページが何度も「行を分けてください」と言うのは、そのためです。

エンジンに依存しません

音声合成エンジンはインターフェースの裏にあります。いまのエンジンが今後入れ替わることはありますが、そのときも同じプロジェクトを、キャスティングと演出を一切変えずに書き出せます。

すべての声が、すべてのプランで

ライブラリは有料の壁ではありません。プランの差はキャストの人数、感情コントロール、分数であって、どの声を使えるかではありません。

使い方

  1. テキストを貼る

    話者が1人でも大勢でも。1つの声だけなら、ほかのテキスト読み上げと同じように動きます。

  2. キャラクターを選ぶ

    ライブラリの40人から選びます。延々とスクロールせず、年齢・性別・訛り・スタイルで絞ってください。試し聴きはサンプル文ではなく、自分の原稿で。

  3. 話速と感情を決める

    ノーマルから始めて、PlusかProなら、ちょうどいいと感じるより少し遅めにしてください。最初の一発目は、たいてい速すぎます。

  4. 読みを確かめる

    長いものを書き出す前に、人名と造語をすべて試し聴きし、読みを間違えるものは本文の表記を変えます(かなで書く、区切りを入れるなど)。読みを設定する機能はありません。

  5. 書き出して実機で確かめる

    ヘッドホンだけでなく、スマートフォンのスピーカーでも鳴らしてください。聴き手の多くはスマートフォンです。

感情のコントロールは、少ないほうが効きます

行ごとに感情を指定できると、つい全部に使いたくなります。その結果は、どこも同じにぼやけた芝居です。聴き手は対比で感情を読むので、演出した行が2つで残り20行がノーマルのシーンのほうが、全部を押したシーンよりずっと強く届きます。

うまくいく進め方はこうです。キャラクターごとにふだんの基準を決める。既定のまま書き出す。頭から通して聴く。そのうえで、本当に何かが変わる2〜3行に印をつける。5分のシーンなら、手で演出するのは5行くらいがちょうどいい分量です。

合成音声が演じられる書き方

差の大半は4つの癖で決まります。1行にひとつの意図。喜びから恐怖まで振れる一文は両方の平均として読まれるので、分けてください。句読点は意図して打つ。それがタイミングだからです。感嘆や相づちは独立した行にする。括弧のト書きはその行の演じ方を変えるだけで、音そのものにはならないからです。低い声には短い文を。修飾が長く続くと、低音は急に聞き取りにくくなります。

どれも制約に対する裏技ではありません。人の演じ手に演出家が出すのと同じ注文で、理由も同じです。

限界をはっきり書いておきます

身体的な発声、つまり叫び、嗚咽、笑いながらのセリフ、力む声がいちばん弱く、当分そのままです。これらは言葉ではなく呼吸の出来事だからです。必要なら仮として生成して、あとで差し替える前提で進めてください。

2つめの限界は解釈です。合成の読みは、書かれたものを、きれいに、ぶれず、テンポよく演じたものです。言外の意味についての判断の積み重ねではありません。たいていの仕事ではこの取引に見合いますが、何を手放しているのかは、目を開けたまま選ぶ価値があります。

よくあるご質問

ほかのテキスト読み上げと何が違いますか。

1つの声で読むだけなら、大きくは違いません。違いが出るのは、台本に話者が2人以上いた瞬間です。キャスティング、プロジェクトの中でキャラクターごとに固定される声、行ごとの演出がプロダクトで、音声合成はその下の部品です。

対応している感情を教えてください。

ノーマル、喜び、悲しみ、怒り、恐れ、ささやき、興奮で、どの声でも使えます。指定した感情はその行の演出指示として渡され、実際に演じ分けられます。話速やピッチで近づけているのではありません。ただし解釈は毎回まったく同じではないので、演出した行は書き出す前に一度聴いてください。

ピッチは変えられますか。

変えられません。話速はPlusとProで変えられますが、ピッチの調整はありません。地声から遠いピッチ変更は、良いヘッドホンで聴くとはっきり分かる雑味を生むからです。代わりに、その音域のキャラクターを選んでください。

数字や日付を正しく読みますか。

その声のロケールの習慣に従うので、アメリカ英語の声は日付をアメリカ式に読みます。表記の流儀が混ざっているところで間違いが出ます。混在している原稿なら、まず数字から確認してください。

いまはどのエンジンで音声を作っていますか。

事業者名は出しませんが、動きは説明できます。1行ずつ、AIの演じ手に人物像と演出指示を渡して演じてもらう方式です。基礎の声は10種類(女性4・男性5・中性1)で、そのどれもが対応9言語すべてを話します。ライブラリの40人はそれぞれ決まった基礎の声に乗り、違いは演出指示で作られます。エンジンはインターフェースの裏にあるので、今後入れ替わってもキャスティングや演出はそのまま引き継がれます。

アクセシビリティ向けのナレーションに使えますか。

使えます。ただしアクセシビリティ用途では、個性のある声より聞き取りやすい声を選ぶべきですし、1.5倍以上でも試してください。スクリーンリーダーの利用者の多くは、実時間よりかなり速く聴いています。

今夜、最初の1シーンをキャスティング

台本を貼り付ければ、CastDubが登場人物一人ひとりに声を割り当てます。あとは完成したボイスドラマを書き出すだけです。

無料で作ってみる

クレジットカードは不要です。無料枠は一度きりの持ち分です。