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
同じ声は二つとありません。声は生まれ持った特性や環境によって形づくられ、長年にわたる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の進歩により、驚くほど高精度に声をクローンできるようになりました。わずか数分のオーディオがあれば、AIシステムは元の声に非常によく似た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紹介します。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、完成したクローンの活用方法を解説します。どちらの方法についても、手順に沿って進められる詳しいガイドを用意しました。
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利用できます。
- 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性のあるオーディオが必要です。
- プロフェッショナルボイスクローンには、最大3時間分の音声データが必要です。
- クローンを作成した後は、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？
ElevenLabsでは、異なる2種類のボイスクローン方法から選べます。
インスタントクローンでは、わずか数分で利用可能な音声を作成でき、声のクローンをすぐ実用的に活用できます。プロフェッショナルボイスクローンはより時間がかかりますが、非常に忠実度の高いモデルを作成できます。
最適な選択肢を選ぶためのクイックガイドをご紹介します。
これらのアプローチの違いを理解すれば、事前の時間を節約し、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
ElevenLabsの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選ぶ場合、準備しておくと役立つ基本事項がいくつかあります。特にインスタントの方法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、以下の点を確認してください。
- オーディオ品質の要件：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。最低限、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。
- 最小サンプル長：必要なオーディオ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、合計の再生時間です。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、提供された声を再現することを目指します。ゆっくりと単調に読めば、その特性が録音にも反映されます。感情やペースに変化をつけて、自然に話してください。ElevenLabsには、プロフェッショナルボイスクローン用のスクリプトが組み込まれています。
これらの準備に数分余分に時間をかけることで、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できています。ElevenCreativeは、自然な話し方の感情的なトーンとプロソディを再現しながら、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します。
ElevenLabsのインスタントボイスクローンの使い方は次のとおりです。
- Voicesを開く
- 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
各手順を詳しく見ていきましょう。
ステップ1：Voicesでインスタントボイスクローンのページを開く
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、いくつかのオプションから選択できます。
- 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
画面の案内に従って、事前に録音した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てください。この段階では、複数のファイルをエンジンにアップロードできます。ElevenLabsは、ボイスクローンの作成時に個々のファイル長ではなく、合計の再生時間を使用します。
少なくとも1〜2分間の、クリアで一貫性のあるオーディオ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用するといったベストプラクティスも表示されます。
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。この段階では、声をプレビューして音を確認し、名前を付けることができます。
言語、アクセント、性別、年齢などのラベルを追加して、クローンの情報を補足することもできます。説明欄には、この声を整理する際に役立つ情報や、自分用のメモを追加できます。
最後に、同意内容を読み、承諾したことを確認するために同意ボックスをクリックします。自分自身の声か他者の声かを問わず、扱う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、クローンをテキスト読み上げプレイグラウンドで使い始めます。ボイスクローンに話してもらう短いスクリプトを書いてください。実力をしっかり試すには、トレーニング用オーディオに含めていない文章を使いましょう。
ボイスクローンを選択してテキストを入力したら、ページ下部の「Generate speech」をクリック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、何かが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設定できるさまざまなスライダーがあります。
画面右側にある次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、一貫性があり予測しやすい声になります。低い値では表現力が増す一方、一貫性がやや失われる場合があります。ほとんどの用途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れだけ忠実に従うかを決めます。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： トレーニング用オーディオの表現力を強めたいですか？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を調整した後、もう一度「Generate speech」をクリックして、モデルがどのように変化するか確認してください。
この5つの手順を完了すれば、すぐに使えるElevenLabsのボイスクローンが完成します。
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には、インスタントの方法より時間がかかりますが、声を高精度で忠実に再現する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を開く
- オーディオをアップロードする
- サンプル長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向上させる
- セキュリティのため自分の声を確認する
- 声の微調整プロセスを待つ
- ボイスクローンを使う
各手順を詳しく見ていきましょう。
ステップ1：Voicesでプロフェッショナルボイスクローンのページを開く
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、先ほどと同じオプションが表示されます。
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う
- 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時間近くのオーディオを用意する
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、事前に録音したオーディオファイルを追加します。自分で録音して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、会話モデリングなど、用途に応じて使えるさまざまなスクリプトを用意しています。
これらのオーディオファイルは話し声のみとしてください。現在、歌唱を入力または出力ソースとしてサポートしていません。
ステップ3：サンプル長に関するフィードバックを確認する
オーディオのアップロードが完了したら、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には1〜2分で十分ですが、このサービスでは1〜3時間分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。
感情表現に幅のあるオーディオファイルを含めることを忘れないでください。モデルが最大限に活用できるよう、多様でスタジオ品質のコンテンツを用意しましょう。
ステップ4：オーディオサンプルを処理して品質を向上させる
プロフェッショナルボイスクローンプラットフォームでは、オーディオサンプルの品質を直接向上させられます。バックグラウンドノイズの除去から話者の分離まで、ElevenLabsは高品質なオーディオ入力の作成をサポートします。
必須ではありませんが、この段階を行うと最終的なボイスクローンモデルの品質を向上できます。
ステップ5：セキュリティのため自分の声を確認する
ElevenLabsでは、プロフェッショナルボイスクローンを作成する際に認証が必要です。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。可能であれば、トレーニング用録音と同じマイクと部屋のセットアップを使い、声のトーンや話し方のスタイルもできるだけ合わせてください。
認証に失敗した場合は、24時間後に再試行できます。それより前に開始す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
声の認証後、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、先に待機しているプロフェッショナルボイスクローンが多い場合は、さらに時間が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に移動してください。声のモデルが使用可能になったら、通知もお送りします。
ステップ7：ボイスクローンを使う
おめでとうございます。これで、完全に機能するプロ品質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ElevenLabsプロダクト全体で使用できます。
まずは、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のボイスクローンに関するベストプラクティス
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の手順に従えばクローンを作成できますが、事前に追加で行えることがいくつかあります。ここで紹介するヒントは、録音ツールや戦略を少し調整して、ボイスクローンの品質を向上させるものです。
次の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両方に適用できます。
- 部屋の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得たい場合は、近くのコワーキングスペースに防音ポッドがないか調べてみてください。
- 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。これは有用な基本ルールですが、詳細はマイクの仕様も確認してください。
- 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話し方の特徴を使用します。表現が平板だと、モデルも同じように表現力に欠けるものになる可能性があります。さまざまな文脈での自然な話し方を示す、幅広い感情のサンプルを含め、力を出し切ってください。
- 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有用な出発点ですが、リハーサルしたような不自然な印象になりがちです。特に初めて読む場合は、文に求められる微妙な感情表現を正確に伝えられないことがあります。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用意してください。
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、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、声が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、入力したテキストを読み上げさせることができます。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。声をできるだけ適切に聞かせるため、リアルタイム設定でスタイル、類似性、安定性を調整してください。
- API経由： List Voices APIエンドポイントを使用すると、API呼び出しで利用可能なすべての声の一覧を取得できます。各声には固有のvoice IDがあり、ElevenAPIを接続する場所ならどこでも実装できます。
- 音声エージェント内：ElevenLabsのボイスクローンをエージェントに接続すれば、エージェントが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音声の存在感を求める企業では、エージェントにブランドらしいアプローチ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は異なる言語間で、話し方のプロソディや感情的な特性を忠実に再現します。
すべてのプロダクトに展開すれば、声に命を吹き込み、高品質なコンテンツを大規模に制作する準備が整います。
ElevenCreativeで声をクローンする
ビデオ制作を加速したいコンテンツクリエイターにも、単に自分の声を残しておきたい方にも、ElevenLabsのボイスクローンはシンプル、高速、効果的です。
インスタントボイスクローンは無料プランで利用でき、所要時間はわずか数分です。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見るか、登録して、今すぐ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。
