ElevenLabsで自分の声をクローンする方法：徹底解説
- 公開日
- 最終更新日
聴くこの記事を聴く
声は一つとして同じものはありません。声は生まれ持った特性や環境によって形づくられ、長年の表現を通じて磨かれていきます。とても個人的なものです。
つい最近まで、そのような個性を再現することはできませんでした。しかしAIの進化により、驚くほど高い精度で声をクローンできるようになりました。わずか数分の音声だけで、AIシステムは元の声に非常に近い音声を生成できます。
このガイドでは、ElevenLabsで声をクローンする方法を詳しく解説します。録音すべき内容や、インスタントボイスクローンとプロフェッショナルボイスクローンの選び方、準備ができたクローンの活用方法をご紹介します。どちらの方法にも、手順に沿って進められる詳しいガイドを用意しています。
概要
- ElevenLabsでは、インスタントボイスクローンとプロフェッショナルボイスクローンを提供しています。
- インスタントボイスクローンには、数分間のクリアで一貫した音声が必要です。
- プロフェッショナルボイスクローンには、最大3時間の音声データが必要です。
- クローンを作成したら、ElevenLabsのほかのプロダクトと連携できます。
- 声をクローンするには、明示的な同意が必要です。ElevenLabsでは、これらのサービスを利用する前に同意の確認を求めています。
インスタントクローンとプロフェッショナルボイスクローン：どちらが必要ですか？
ElevenLabsでは、2種類のボイスクローン方式から選べます。
インスタントクローンなら、わずか数分で使える声を作成でき、声のクローンをすぐに実用できます。プロフェッショナルボイスクローンは時間がかかりますが、非常に忠実度の高いモデルを生成します。
自分に最適な方法を選べるよう、簡単な比較ガイドをご紹介します：
それぞれの違いを理解すれば、事前にかかる時間を節約し、すぐに始められます。
ElevenLabsで声をクローンする前に必要なもの
プロフェッショナル、インスタントのどちらのElevenLabsボイスクローンを選ぶ場合でも、準備しておくと役立つ基本事項があります。特にインスタントでは必須ではありませんが、クローンの品質に大きく影響します。
録音を始める前に、次の点を確認しましょう：
- 音質の要件：プロ仕様の録音マイクを使うと、大きな違いが生まれます。最低要件として、44.1kHzまたは48kHz、24ビット以上のビットレートでWAVファイルを録音できる必要があります。WAVファイルに対応したデジタルオーディオワークステーション（DAW）を使い、静かな場所で録音してください。無料で使えるAudacityもおすすめです。
- サンプルの最小長：必要な音声データ量を必ず確認してください。重要なのはファイル数ではなく、合計再生時間です。プロフェッショナルボイスクローンでは、できるだけ3時間に近い長さのファイルをアップロードしてください。
- 話す内容：ElevenCreativeのボイスクローンは、提供された声の再現を目指します。ゆっくりと単調に読むと、録音にもその特徴が反映されます。感情や話すペースに変化をつけ、自然に話してください。ElevenLabsでは、プロフェッショナルボイスクローン用の組み込みスクリプトを提供しています。
こうした点を事前に数分かけて準備することで、最終的なボイスクローンの品質が向上します。
ElevenLabsでインスタントボイスクローンを作成する方法
数分の時間があり、静かな場所にいるなら、声をクローンする準備は完了です。ElevenCreativeでは、自然な話し方の感情表現やプロソディを保ちながら、32以上の言語で利用できる声のデジタルレプリカを作成できます。
ElevenLabsのインスタントボイスクローンの使い方：
- Voicesにアクセスする
- サンプルをアップロードする
- 声に名前を付けて保存する
- スクリプトでテストする
- 安定性と類似性の設定を調整する
各ステップを詳しく見ていきましょう。
ステップ1：Voicesのインスタントボイスクローンページに移動する
まず、ElevenLabsダッシュボードにログインします。左側のサイドバーでVoicesを選択し、プラスアイコンをクリックします。
画面にポップアップ（下図）が表示され、いくつかの選択肢が表示されます：
- ボイスデザイン
- インスタントボイスクローン
- プロフェッショナルボイスクローン
- ボイスリミックス
モジュールから「インスタントボイスクローン」を選択すると、該当ページに移動します。
ステップ2：サンプルをアップロードする
画面上の指示に従い、録音済みのオーディオファイルをアップロードするか、ブラウザで直接録音します。この段階で、複数のファイルをエンジンにアップロードできます。ElevenLabsのボイスクローンでは、個々のファイルの長さではなく、合計再生時間を使用します。
少なくとも1～2分の、クリアで一貫した音声を用意してください。
ノイズの多い環境を避ける、マイクの品質を確認する、すべての録音で同じ機材を使うといったベストプラクティスも確認できます。
ステップ3：声に名前を付けて保存する
声を録音すると、ElevenLabsがボイスクローンの合成を開始します。この段階で、声をプレビューして音を確認し、名前を付けられます。
言語、アクセント、性別、年齢などのラベルを追加して、クローンの情報を詳しく設定することもできます。説明欄には、この声の整理や自分用のメモに役立つ詳細を追加できます。
最後に、同意内容を読み、同意することを確認するチェックボックスをクリックする必要があります。自分自身の声でも他の人の声でも、対象の声をクローンするための同意を得ていることが不可欠です。
ステップ4：インスタントボイスクローンをテストする
声を作成したら、My Voicesに移動して「Use voice」をクリックし、テキスト読み上げプレイグラウンドでクローンを使い始めます。ボイスクローンに読ませる短いスクリプトを書いてください。しっかりテストするには、トレーニング音声に含めなかった内容を書くようにしましょう。
ボイスクローンを選び、テキストを入力したら、ページ下部の「Generate speech」を押して音声を生成します。
ステップ5：モデルを調整して改善する
ボイスクローンを聞いて、何かしっくりこないと感じても、最初からやり直す必要はありません。ElevenLabsには、最終的なオーディオ出力を調整できるさまざまな設定スライダーがあります。
画面右側にある以下のコントロールを試し、ボイスクローンへの影響を確認してください：
- 安定性：安定性を高くすると、一貫性があり予測可能な声になります。低くすると表現力は増しますが、ばらつきが生じる場合があります。ほとんどのユースケースでは、中程度の設定が最適です。
- 類似性：ボイスクローンが、提供した音声サンプルにどの程度忠実かを決めます。このスライダーを上げると、より自分らしい声になります。歪みが聞こえる場合は、このスライダーを下げてください。
- スタイル：トレーニング音声の表現力を強調したいですか？このスライダーを上げてください。ただし、値が高すぎると最終サンプルが歪むことがあります。
これらのスライダーの値を調整したら、もう一度「Generate speech」を押して、モデルがどう変化するか確認してください。
この5つのステップを完了すれば、ElevenLabsのボイスクローンをすぐに利用できます。
ElevenLabsでプロフェッショナルボイスクローンを作成する方法
ElevenLabsで声をプロフェッショナルにクローンする場合、インスタントより時間はかかりますが、声を精密に再現する高精度なモデルを作成できます。
クリエイタープラン以上をご利用の場合は、以下の手順でElevenLabsのプロフェッショナルボイスクローンを作成できます：
- Voicesにアクセスする
- オーディオをアップロードする
- サンプルの長さに関するフィードバックを確認する
- オーディオサンプルを処理して品質を改善する
- セキュリティのために自分の声を認証する
- 声の微調整プロセスを待つ
- ボイスクローンを使用する
各ステップを詳しく見ていきましょう。
ステップ1：Voicesのプロフェッショナルボイスクローンページに移動する
ElevenLabsダッシュボードにログインし、左側のサイドバーでVoicesを選択してから、「Create Voice」をクリックします。ポップアップには、先ほどと同じ選択肢が表示されます。
今回は「Professional Voice Clone」を選択します。次のような幅広い推奨事項が表示されます：
- ポップフィルターを使用する
- ノイズのない環境で録音する
- 音響処理された部屋で録音する
- オーディオを前処理する
- 全体を通して音量を一定に保つ
- 少なくとも30分、理想的には3時間近い音声を用意する
ステップ2：オーディオをアップロードする
「Upload samples」をクリックして、録音済みのオーディオファイルを追加します。自分で録音し、ソフトウェアに直接アップロードすることもできます。広告、ナレーション、会話モデルなど、さまざまな用途に使えるスクリプトも用意しています。
これらのオーディオファイルには、話し声のみを含めてください。現在、入力・出力ともに歌唱には対応していません。
ステップ3：サンプルの長さに関するフィードバックを確認する
オーディオを正常にアップロードしたら、長さに関するフィードバックを必ず確認してください。インスタントボイスクローンでは1～2分で十分ですが、このサービスでは1～3時間のオーディオをアップロードすることをおすすめします。
さまざまな感情表現を含むオーディオファイルを用意してください。モデルに最適な情報を提供するため、スタジオ品質の多様なコンテンツを揃えることが重要です。
ステップ4：オーディオサンプルを処理して品質を改善する
プロフェッショナルボイスクローンのプラットフォーム内で、オーディオサンプルの品質を直接改善できます。バックグラウンドノイズの除去から話者の分離まで、ElevenLabsが高品質なオーディオ入力の作成を支援します。
必須ではありませんが、この段階で処理すると、最終的なボイスクローンモデルの品質が向上します。
ステップ5：セキュリティのために自分の声を認証する
ElevenLabsでは、プロフェッショナルボイスクローンの作成時に認証が必要です。すべてをアップロードした後、インターフェース上で短いクリップを直接録音するよう求められます。できる限りトレーニング録音と同じマイクと部屋の環境を使い、声のトーンや話し方のスタイルも近づけてください。
認証に失敗した場合は、24時間後に再試行できます。それより早く始める必要がある場合は、ElevenLabsサポートに直接お問い合わせください。
ステップ6：声の微調整プロセスを待つ
声を認証すると、ElevenLabsがモデルの微調整を開始します。通常は3～6時間かかりますが、他のプロフェッショナルボイスクローンが多数待機している場合は、さらに長くかかることがあります。
クローンのステータスを確認するには、My Voicesに移動します。声のモデルが利用可能になった時点で、通知もお送りします。
ステップ7：ボイスクローンを使用する
おめでとうございます。これで完全に機能するプロ仕様のボイスクローンが完成しました。完成したモデルはMy Voicesに表示され、テキスト読み上げ、Studio、ダビング、API、音声エージェントなど、ほかのすべてのElevenLabsプロダクトで利用できます。
開始するには、ボイスピッカーダッシュボードで声を選択してください（作成時に付けた名前で表示されます）。
ElevenLabsボイスクローンのベストプラクティス
上記の手順に沿えば、インスタントまたはプロフェッショナルボイスクローンを作成できますが、事前に実施できる追加のステップもあります。これらのヒントでは、録音ツールや戦略に小さな調整を加え、ボイスクローンの品質を高める方法を紹介します。
以下のAIボイスクローンのベストプラクティスは、インスタントとプロフェッショナルのどちらにも適用できます：
- 室内音響とバックグラウンドノイズ：オーディオのクリアさは、最終的な品質に直接影響します。バックグラウンドノイズや反響のない場所で録音してください。プロ仕様の録音には録音ブースが最適です。スタジオを予約せずにその品質を求める場合は、近くのコワーキングスペースに利用できる防音ポッドがないか確認してみましょう。
- マイクとの距離：話すときは、マイクから拳2つ分ほど離れるのが目安です。これは有効なルールですが、詳しくはマイクの仕様を確認してください。
- 感情表現の幅をサンプルに含める：AIモデルは、声が持つ自然なプロソディや発話の特徴を利用します。平坦な話し方では、モデルの表現も同じように乏しくなる可能性があります。さまざまな状況での自然な話し方を示す、幅広い感情のサンプルを含め、十分に表現してください。
- 文のバリエーションとスクリプトの読み上げ：スクリプトを声に出して読むことは、より長いサンプルを用意するための良い出発点ですが、練習したような不自然な印象になることがあります。特に初めて読む場合、文に求められる感情のニュアンスを正確に表現できないかもしれません。バランスを取るには、より会話的な話し方で、異なるスクリプトの文章を幅広く提供してください。
これらのベストプラクティスに従うことで、ElevenLabsにより高品質な入力を提供できます。その結果、あなたの声のアイデンティティをより正確に再現するボイスクローンを作成できます。
ElevenLabsのボイスクローンはどのように使えますか？
ElevenLabsでプロフェッショナルまたはインスタントのボイスクローンを作成すると、その声はMy Voicesに表示されます。そこから、ほかのすべてのElevenLabsプロダクトで利用できます。
ElevenLabsのボイスクローンは、次の場所で使用できます：
- アプリ内のテキスト読み上げ：ElevenLabsのテキスト読み上げプレイグラウンドでは、声を選択し、入力したあらゆるテキストを読み上げられます。ボイスオーバーやポッドキャストのイントロなど、単発の音声生成に利用できます。リアルタイム設定でスタイル、類似性、安定性を調整し、できるだけ意図どおりの声にしてください。
- API経由：List Voices APIエンドポイントを使用すると、API呼び出しで利用できるすべての声のリストを取得できます。各声には固有のvoice IDがあり、ElevenAPIを接続する場所で利用できます。
- 音声エージェントで：ElevenLabsのボイスクローンをエージェントに接続すれば、話す際に自分の声を使えます。特に複数のプラットフォームで一貫した声の存在感を求める企業にとって、エージェントにブランドらしい一貫性を持たせるのに役立ちます。
- 多言語で：ボイスクローンは32言語に対応しており、コンテンツを翻訳して自分の声で制作できます。その言語の音声サンプルがなくても、ElevenCreativeは異なる言語でも話し方のプロソディや感情的な特徴を忠実に再現します。
すべてのプロダクトで活用すれば、あなたの声を生かしながら、高品質なコンテンツを大規模に制作できます。
ElevenCreativeで声をクローンする
動画制作を加速したいコンテンツクリエイターにも、自分の声を残したい方にも、ElevenLabsのボイスクローンはシンプルで高速、かつ効果的です。
インスタントボイスクローンはスタータープランで利用でき、わずか数分で完了します。クリエイタープランでは、プロフェッショナルボイスクローンを始められます。ElevenLabsのボイスクローンについて詳しく確認するか、登録して、今日から声をクローンしましょう。
よくある質問
Jack LimebearはGrowthチームに所属し、ブログやインサイトページのコンテンツライター兼ストラテジストとして活躍しています。ElevenLabsに入社する前は、急成長中のSaaSスタートアップからFortune 500企業まで、さまざまな組織で10年以上にわたりコンテンツ戦略をリードしてきました。ケンブリッジ大学で英文学の修士号を取得しています。
