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
同じ声は二つとしてありません。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。
最近まで、こ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。わずか数分のオーディオから、元の声に非常によく似た音声をAIシステムが生成できます。
このガイドでは、ElevenLabsで声をクローンする具体的な方法をご紹介します。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について説明します。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、明確な同意が必要です。ElevenLabsでは、これらのサービスを利用する前に同意の確認が求められます。
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つ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的な用途で使い始められます。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。
最適な選択肢を選ぶための早見ガイドはこちらです：
それぞれ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ボイスクローンとインスタントボイスクローンのどちらを選ぶ場合でも、準備しておくと便利な基本事項があります。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、次の点を確認しましょう：
- オーディオ品質の要件：プロ仕様の録音用マイクを使うと、大きな違いが生まれます。最低要件は、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ことです。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：必要なオーディオデータの長さを確認してください。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、提供された声の再現を目指します。ゆっくり単調に読めば、録音にもその特徴が反映されます。感情や話す速さに変化をつけ、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向けのスクリプトが組み込まれています。
数分かけてこれらを事前に準備することで、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、静かな場所にいれば、声をクローンする準備は整っています。ElevenCreativeなら、自然な話し方の感情表現やプロソディを再現した声のデジタルレプリカを作成し、32以上の言語で利用できます。
ElevenLabsのインスタントボイスクローンの使い方：
- 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
各ステップ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に移動する
まず、ElevenLabsの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を選び、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
画面の指示に従って、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ます。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、合計の再生時間が使用されます。
クリアで一貫性のあるオーディオを、少なくとも1〜2分間用意してください。
ここでは、騒がしい環境を避ける、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。この段階では、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することもできます。説明欄には、この声を整理するため、または後で思い出すために役立つ情報を追加できます。
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します。自分の声でも他人の声でも、扱う声のクローンを作成するには必ず同意を得る必要があります。
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。ボイスクローンに話させる短いスクリプトを書いてください。十分にテストするには、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び、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、どこか不自然だと感じても、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。
画面右側にある次のコントロールを調整し、ボイスクローンにどのような影響があるか試してみてください：
- 安定性： 値を高くすると、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、ばらつきが出ることがあります。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の程度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近づきます。歪みが聞こえる場合は、値を下げてください。
- スタイル： トレーニング用オーディオの表現力を強調したい場合は、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可能性があります。
これらのスライダーの値を調整したら、もう一度「Generate speech」をクリックして、モデルの変化を確認してください。
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使い始められます。
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でプロフェッショナルに声をクローンするには、インスタント版より時間がかかりますが、自分の声を忠実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、次の手順で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向上させる
- セキュリティのために自分の声を認証する
- 音声の微調整プロセスを待つ
- ボイスクローンを使う
各ステップ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に移動する
ElevenLabsのダッシュボードにログインし、左側のサイドバーでVoicesを選んでから「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
- 録音中は一貫した音量を保つ
- 最低30分、理想的には3時間に近い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、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、会話モデルなど、目的別に使えるさまざまな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、歌唱は入力・出力ともにサポートしていません。
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には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の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は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、この段階を行う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、インターフェースで短い音声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設定を使い、声の調子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：音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、先にほか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に移動します。音声モデルの準備が完了すると、通知も届きます。
ステップ7：ボイスクローンを使う
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、吹き替え、API、音声エージェントなど、ほかのすべてのElevenLabsプロダクトで使用できます。
まずは、音声ピッカーダッシュボードから、作成時に付けた名前の声を選択してください。
ElevenLabsのボイスクローンに関するベストプラクティス
上記の手順に従えば、インスタントボイスクローンでもプロフェッショナルボイスクローンでも作成できます。さらに、事前にいくつかの手順を加えることもできます。録音ツールや戦略を少し調整するだけで、ボイスクローンの品質を向上できます。
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：
- 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同等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探してみましょう。
- マイクとの距離： 話すときは、マイクから拳二つ分ほど離れるのが目安です。これは有用なルールですが、詳細はマイクの仕様も確認してください。
- サンプルに含める感情の幅： AIモデルは、声の自然なプロソディや発話の特徴を活用します。表現が平板だと、モデルの話し方も単調に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て、しっかり表現してください。
- 文章の多様性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、長めのサンプルを用意する出発点として有効ですが、練習したような不自然な印象になることがあります。特に初めて読むスクリプトでは、文章に必要な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、会話に近い話し方で、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、あなたの声らしさをより正確に再現した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う使える？
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、My Voicesに自分の声が表示されます。そこから、ほかのすべてのElevenLabsプロダクトでアクセスできます。
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、単発の音声生成に使用できます。音声をできるだけ自然に仕上げるため、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：ElevenLabsのボイスクローンをエージェントに接続すると、エージェントが話す際に自分の声を使えます。さまざまなプラットフォームで一貫した声の存在感を保ちたい企業にとって、ブランドに沿ったエージェントを構築するのに役立ちます。
- 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は言語をまたいで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に展開すれば、自分の声を活かし、大規模に高品質なコンテンツを制作できます。
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たい方にも、ElevenLabsのボイスクローンはシンプルで、迅速かつ効果的です。
インスタントボイスクローンは無料プランで利用でき、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。詳しくは、ElevenLabsのボイスクローンまたは登録をご確認のうえ、今すぐ声をクローンしてください。
.jpg&w=3840&q=80)
