音声クローン:短い録音を何度でも使える声に変える

音声クローンとは、実在する人の話し声の録音から合成音声を作り出す技術で、その声は実際には話していない文章も読み上げられるようになります。Muselyを含む最新のシステムでは、従来のシステムが必要としていた何時間ものスタジオ録音の代わりに、短いサンプル(わずか10秒で十分です)から音声を作成できます。

10秒から5分の間です。長さよりも音質のほうがはるかに重要です。話者は1人、背景ノイズは最小限に、BGMは入れないようにしてください。ノイズの多い5分間のサンプルよりも、クリアな30秒のサンプルのほうが良いクローンを生み出すことがほとんどです。

ご自身の声をクローンする場合はシンプルです。他人の声をクローンするには本人の許可が必要で、同意なく行うとパブリシティ権、生体データに関する法律、詐欺関連の法律に抵触する可能性があります(地域によって異なります)。Muselyでは音声の作成前に同意の確認を求めています。ご自身以外の声を使う場合は、必ず書面で許可を取得してください。

はい。1つのクローン音声で、39言語のいずれでもテキストを読み上げることができます。ただし、元のサンプルのアクセントはそのまま引き継がれるため、英語のサンプルでスペイン語を読み上げると、英語話者がスペイン語を話しているように聞こえます。その言語のネイティブらしい発音が必要な場合は、その言語のストック音声を選ぶほうが適していることが多いです。

音声の作成には200クレジットが一度だけかかります。クローン機能はCreatorプラン($19.9/月、アクティブな音声最大5つ)とBusinessプラン($99.9/月、最大20)に含まれています。FreeプランとProfessionalプランにはストック音声によるテキスト読み上げが含まれますが、クローン機能は含まれません。

歌うことはできません。言語ごとにアクセントが変わることもありません。叫び声や号泣、激しい演技表現など、感情の振れ幅が大きい表現は、まだ機械的に聞こえます。ナレーション、説明動画、会話調の読み上げがもっとも得意で、多くの方が必要とする用途はこれらでカバーされます。