事例 06← 戻る

🎙

CASE 06 ／ VOICE CLONE自分の声でナレーション ― 音声クローンの進め方

インストールから実用まで。その夜に試した結果も（2026/10/21）

2026/10/2110/21 夜に試した結果を追記

プレゼンや YouTube のナレーションを、自分の声で読み上げさせたい。10月19日の夜、ブラウザ版のクロコさんと相談し、その内容を翌日、村のクロコさんに渡して、道具を比べてもらいました。

このページは、インストールから実用までの進め方です。その夜に、さっそく段階1を試しました。結果は下の「🎙 やってみた」と「🔁 うまくいかなかったこと」に書き足しています。

目標は、声を似せることより、
「漢字の読み間違い」を見つけて直すこと。

道具は、日本語専用で学習のいらない Irodori-TTS。入れる場所は、村のクロコさんから呼び出せる Ubuntu（WSL2）の中に決めました。

結果：約40秒の録音で、「自分の声に似ています」「自然に聞こえます」。家族に聞かせたら、「言われないと気付かないレベル」だそうです。下の「🔊 聞いてみる」で聞けます。

🎯 何をしたかったか

自分の声のナレーション。YouTube ですぐに使うわけではありませんが、将来は必須になるかもしれません。
いちばんの問題は、漢字の読み間違い。漢字の入った原稿と、読み上げた音声を聞き比べて、間違いを見つけ、できれば自動で直したい。
決まり：すべてこの PC の中で（声のデータを外に出さない）、追加の費用はかけない、まねる声は自分の声だけ。

💬 どう頼んだか

私

最大の問題点は、漢字の読み間違いです。最近の YouTube で、何が嫌って、AI の読み間違えが一番気になります。

私

必要なことは調べてもらって、結論として、どちらのクロコさんを使うのが良いと思いますか？

クロコ

話すのはいまの村のクロコのままで、音声の道具は Ubuntu の中に入れるのがよいと思います。Ubuntu の中の作業も、村のクロコが動かします。

🔍 道具選び ― 段階1は「学習なし」で

道具	学習なしで声をまねる	CPU で	ひとこと
Irodori-TTS（選んだ）	できる（約30秒の録音）	動く（軽い版あり）	日本語専用。読みの正答率約93%。MIT
GPT-SoVITS	できる（数秒から）	動くが遅め	日本語も可。評価が割れる
Style-Bert-VITS2	できない（学習が前提）	読み上げは速い・学習は GPU が必要	段階2の本命（Colab で学習）

この PC には NVIDIA の GPU がないので、CPU で動くことが条件です。まず Irodori-TTS で試し、物足りなければ段階2として Style-Bert-VITS2 を Colab で学習させます。

🏠 どこに入れるか ― 3つの層が生きた

この PC は、環境構築のときに3つの層（① Windows11 ② Ubuntu（WSL2） ③ Docker）を整えました。ふだんのクロコさんは①の Windows で動いていますが、②の Ubuntu も呼び出せます。

調べてもらうと、この PC は Windows の守りの機能「スマートアプリコントロール」がオンでした。この機能がオンだと、音声の道具の Python が起動の時点で止められた、という報告があります。しかも、一度切ると Windows を入れ直さないと戻せません。そこで、この機能の対象にならない Ubuntu の中に入れることにしました。

やっと、最初の手間が生きてきます。

私が Ubuntu のクロコさんに切り替える必要はありません。ふだんはいまのまま、必要なときだけ Ubuntu を呼び出す使い方です。必要な容量は、道具一式とモデルで 約6〜9GB（多めに見て 10GB）でした。

🎬 インストールから実用まで

順	段階	すること	誰が
1	入れる	Ubuntu に作業場所を作り、Irodori-TTS と道具一式（CPU 版）を入れる	クロコさん
2	モデル	軽い版（0.9GB）と標準版（3.1GB）を用意する	クロコさん
3	試し	自分の声を使わずに一文読ませ、動くこと・かかる時間を確かめる	クロコさん
4	録音	静かな部屋で、ふだんのナレーションの調子で約30秒（短く分けて数本）	私
5	自分の声で	「こんにちは。今日は、奥日光の冬景色をお届けします。」を読ませ、聞き比べる	私が聞いて決める
6	仕組みにする	原稿から1文ずつ読み上げ → つないで mp3。「ナレーションを作って」の一言で	クロコさん
7	読み間違いの点検	原稿の正しい読みと、音声を文字起こししたものを1文ずつ比べ、違う所を直す。直るまで繰り返す	クロコさんが作り、私が一覧を見る
8	実用	プレゼンや YouTube のナレーションに。YouTube では「合成されたコンテンツ」を申告する	私
9	物足りなければ	段階2：Style-Bert-VITS2 を Colab で学習 → 読み上げはこの PC で	相談して決める

🎙 やってみた ― 10月21日の夜

昼に「今日、家に帰ったら、突っ込んでください。黙っていると、家に帰ろうの作業をやりそうです（笑）」と頼んでおいたら、帰宅したとたんに「声の分身、始めましょう」。突っ込まれました（笑）。

時刻	段階	したこと
17:30	入れる	Ubuntu に Irodori-TTS と道具一式（1.8GB）。クロコさんがコマンドで入れ、10秒ほどで済んだ
17:33	試し	CPU 向けに速くした「MF 版」のモデル（3.1GB）で、自分の声なしで一文。4.6秒の音声を約8秒で作れた。私「とっても自然ですね！」
19:00	録音	しまってあった専用の USB マイクを出してきて、クロコさんが作った録音の画面で6文（約40秒）。1文ずつ、録って・聞いて・録り直せる
19:11	自分の声で	5つの文を読ませた。私「自分の声に似ています」。ただ、気になる所もいくつか（下の🔁）
19:24	聞き比べ	1文ずつ、3通りずつ作って、私が A・B・C を聞き比べて選ぶ
19:45	完成版	選んだ4文に仕上げ（音量のでこぼこをならす）をかけ、間を入れてつないだ。私「自然に聞こえます」

🔊 聞いてみる ― ナレーションのサンプル

私の声をもとに、AI（Irodori-TTS）で作ったナレーションです（29秒）。録音したのは別の6文で、この4つの文は、私は一度も読んでいません。

読ませた文：「夢は夢、見るだけでも価値があります。しかし、チャレンジする心を持つことは、大切だと思います。栃木県の日光東照宮は、徳川家康を祀る神社です。陽明門の彫刻は、一日中見ていても飽きないことから、日暮らしの門とも呼ばれています。」

家族に聞かせたら、「言われないと気付かないレベル」だそうです。当初の目的は、果たせそうです。

※ AI で作った音声です。音声には、目に見えない透かし（電子透かし）が入っています。

🔁 うまくいかなかったこと

「こんにちは」の頭が欠けた：録音のボタンを押してすぐ話したため。→ 押したら「いち、に」と数えてから読み、読み終えたら1秒黙ってから止める。
「チャレンジ」だけ大きい・割れる：「しかし、チャレンジする心を持つことは、大切だと思います。」で、3通りとも「チャレンジ」で崩れた。ひらがなで「ちゃれんじ」と書いてみたら、イントネーションが全部だめに。→ 作り直すより、仕上げで音量をならすほうが効いた。
2つの文を一度に読ませると、途中で速さが乱れた：→ 1文ずつ読ませて、あとでつなぐ。
ほかに、最後に息を吸うような音が入る、「祀る」だけ小さい、「日光東照宮」「門」のイントネーションがおかしい、などがあった。どれも、3通りの中から良いものを選ぶことで避けられた。

🗣 語りかけの声も ― 大切な人への呼びかけ

ナレーションがうまくいったので、同じ夜に、家族や大切な人への語りかけ（あいさつ・名前・ねぎらい・問いかけの4文）も読ませてみました。

私

結論からいいます。かなりひどいです。品質どうこういう前の状況です。

私

朗読のようなしゃべり方です。お疲れ様です。などは、ほとんど感情がなく、このタッチで言われたら、悲しくなります。

クロコ

原因は3つあると思います。文を細かく分けすぎたこと、録音した6文がナレーションの原稿だったこと、仕上げで音量をならしたことです。

うまくいかなかったこと	わけ	直し方
「こんばん　は」と切れる、名前を二度読む	文を細かく分けすぎた。「こんばんは。」だけのような短い文は崩れやすい	短いメッセージは分けずに、ひと息で読ませる
朗読のよう、感情がない	録音した6文がナレーションの原稿だったので、話し方までナレーションの調子をまねた（この道具は、録音の話し方をまねる）	語りかけ用の録音を、もう1組録る
抑揚が平ら	仕上げで音量のでこぼこをならすと、抑揚まで平らになった	語りかけでは音量をならさない（大きさをそろえるだけ）

その夜のうちに、語りかけ用の7文（合わせて約31秒）を録り直しました。コツは「目の前の大切な人に話しかけるつもりで、少し笑顔で。読むのではなく、言う」。

おはよう。今日も一日、無理しないでね。
お仕事、お疲れさま。今日は、どんな一日だった？
ありがとう。そう言ってもらえると、本当にうれしいな。
えっ、本当に？それはよかったね。すごいじゃない。
大丈夫？少し疲れてるみたいだから、今日はゆっくり休んでね。
今度の休み、どこかおいしいものでも食べに行こうか。
おやすみなさい。また明日ね。

私

４文一息で、Cがとっても自然です。

私

それと、相対的に良いとは言っても、やはり、人の名前の呼び方が少しだけ変に聞こえます。

クロコ

この道具には、アクセントを指定するしくみがありません。名前は、作る数を増やして良いものを選ぶか、別の書き方を試すか、自分で録った名前の音をつなぐ、のいずれかになります。

私

やはり、ナレーションのような場合は優れていても、会話のような語りかけは難しいのですね。

🔊 聞いてみる ― 語りかけのサンプル

試したときの文には名前が入っていたので、名前の入らない文を新しく作って、同じ作り方（語りかけ用の録音・ひと息で・3通りから選ぶ）で読ませました。録音した7文とは別の文で、私は一度も読んでいません。

今日も遅くまで、よく頑張ったね。寒くなってきたから、温かくしてね。週末は、景色のきれいな所へ、ドライブしようか。いつも、本当にありがとう。

3通り作って、私が選んだのは C（約18秒）です。

※ AI で作った音声です。音声には、目に見えない透かし（電子透かし）が入っています。試したときの語りかけの音声は、名前が入っているので載せていません。

💡 分かったこと

１最初に整えた環境が、必要な場面で生きた。3つの層のうち、Ubuntu の出番が音声クローンで来た

２「Ubuntu が向いている」の中身は、速さより「囲いの中で試せる」こと。村の作業は、いまの Windows のままがいちばん楽

３入れる前に、PC の守りの設定まで確かめる。一度切ると戻せない設定は、切る前提にしない

４目標は、声の似せ方より、読み間違いの見つけ方。聞く人がいちばん気になる失敗から潰す

５1文ずつ、いくつか作って、耳で選ぶ。同じ文でも作るたびに違う。良いものを選べば、ほとんどの不自然さは避けられる

６外来語をひらがなに直すと、かえって崩れる。読みの辞書で直すときの注意

７音量のでこぼこは、仕上げでならす。大きすぎる言葉を抑えて、全体の大きさをそろえる

８話し方は、録音をまねる。ナレーション用と語りかけ用、録音を2組そろえて使い分ける。語りかけは、ひと息で・音量をならさずに

📅 これから

✅ 10/21（水）夜：1〜5（入れる・モデル・試し・録音・自分の声で聞き比べ）
次：6〜7（仕組みにする＝1文ずつ・数通り作って選ぶ・仕上げてつなぐ／読み間違いの点検）
その次：「姿の分身」（VRoid Studio でキャラを作り、VSeeFace で動かす）。どれも急ぎません

※ 続きは、進んだらこのページに書き足します。

← 事例とノウハウ