AIナレーションの作り方——原稿から音量まで10の手順

自分の声を出したくない。合成音声で語りを作れますが、出来を決めるのは声の種類ではなく原稿です。話し言葉になっていない原稿をそのまま読ませると、内容がよくても途中で聞かれなくなります。この記事では、尺から文字数を決めるところから、音を消して確かめるところまでを10手順で示します。人柄で選ばれる商売など、合成音声にしないほうがよい場合も最後にまとめます。

AIナレーション（合成音声で作る語り）の出来は、声選びではなく原稿で決まります

声を選び直しても、原稿が書き言葉のままなら不自然さは消えません。 手を入れる順番は、原稿が先、声はあとです。

合成音声が「機械っぽい」と感じられる原因は、多くの場合その声の質ではありません。原稿が読み物の文章のままだからです。「〜となります」「〜における」といった書き言葉は、人が読み上げても不自然に聞こえます。合成音声はそれをそのまま、抑揚をつけずに読みます。

顔を出さない方法の選び方そのものは顔を出さずに動画を出す4つの方法に整理しています。この記事は、そこで「撮影せずに作る」を選んだ人が、今日1本ぶんの語りを用意するための手順です。

全体の流れ（10の手順）

先に道具を選びたくなりますが、原稿が先です。 道具を決めるのは8番目で足ります。

この記事は、この順番どおりに進めます。

手順1〜2：尺から総文字数を決める

先に文字数の上限を決めます。 これをやらないと、原稿を書いたあとに「尺に入らない」で全部書き直しになります。

基準にする話速は1秒あたり5.9字です。当社が台本を作るときにこの速度でカットの秒数を逆算していて、合成音声の原稿でもそのまま使えます。

手順1：動画の尺を決める。 30秒か60秒から選んでください。迷ったら30秒です。短いほうが最後まで聞かれます。

手順2：尺から総文字数を出す。 計算はこうです。

1カットの秒数 ＝ そのカットのセリフの文字数 ÷ 5.9 ＋ 0.8秒（息継ぎ）

1カットは長くて8秒にしてください。それを超えると、同じ画のまま話が続いて飽きられます。上の式で逆算すると、1カットに入るセリフは42字が上限です。動きのない画なら3秒以内、つまり13字前後に抑えます。

尺ぜんぶの文字数は、息継ぎのぶんを引いてから計算します。

※ 上の式（5.9字/秒・息継ぎ0.8秒）から出した計算値です。カット数が増えれば息継ぎも増えるので、文字数は減ります。

手順3〜5：原稿を話し言葉に直す

書いた原稿を、声に出して読める形に直します。 ここが仕上がりを一番大きく変えます。

手順3：言いたいことを1つに絞って原稿を書く。 1本に入れるメッセージは1つだけです。「今日はこれだけ覚えて帰ってほしい」を1つ決めて、それ以外を落とします。詰め込むほど何も残りません。

手順4：声に出して読み、話し言葉に直す。 実際に読んで、つっかえた場所を書き換えます。直す観点は3つです。

• 語尾を話し言葉にする。「〜になります」→「〜なんです」「〜してみてください」
• 専門用語を、見ている人がそのまま真似できる言葉に置き換える。「表面のキューティクルを閉じる」→「表面を整える」
• 前置きを削る。「みなさんこんにちは」「今日は〇〇について話します」は全部消します。1文目から本題に入ります

手順5：1文を短く割り、1カット1文にする。 長い説明は次のカットに割ります。1つのカットに2文入れると、画面と話がずれていきます。

読点でつないだ長い文は、必ず切れます。「〜で、〜なので、〜すると」の形を見つけたら、そこで文を終わらせてください。

手順6：読みが割れる語をひらく

合成音声は漢字を読み間違えます。 これは道具の良し悪しではなく、日本語の性質です。

手順6：読みが割れる語をひらく。 生成する前に、原稿を上から見て次の語を探します。

読み仮名を別に指定できる仕組みがあるなら、そちらを使ってください。 表示は漢字のまま、読みだけを直せます。表示まで全部ひらがなにすると、画面に出す文字が読みにくくなるためです。

なお、画面に出す文字のほうは漢字をひらくのが正解です（「出来る」→「できる」、「事」→「こと」）。読み上げの都合と、読みやすさの都合が、たまたま同じ方向を向きます。

手順7：間は原稿の改行で作る

間は音声の設定ではなく、原稿の改行で作ります。 設定でまとめて空けると、文の途中にも間が入って不自然になります。

手順7：文の切れ目で行を分ける。 1文＝1行にして、カットが変わる場所で1行空けます。合成音声は行の切れ目で息を置くので、これだけで間が整います。

間について守ることは2つです。

• 間を置くのは、話が切り替わるところだけ。 文の途中に間が入ると、読み間違えて止まったように聞こえます
• 冒頭に間を作らない。 0秒から声が出ている状態にします。最初の1秒が無音だと、その時点で送られます

生成した音声を聞いて「全体にもたついている」と感じたら、無音の部分を詰めて再生速度を少し上げてください。道具によっては素の読み上げが遅く、そのままでは尺に収まりません。目安は先ほどの5.9字/秒です。原稿の文字数を音声の長さ（秒）で割れば、いま何字／秒かはすぐ出ます。

手順8〜9：道具を選び、音声を作って、音量を整える

道具は「◯◯が一番いい」では選べません。 原稿をそのまま読ませられるかで選びます。

手順8：次の4点を満たす道具を選び、音声を作る。

1. 原稿を一字一句そのまま読むか。 要約したり言い換えたりする方式だと、練った言い回しが崩れます。表現に気をつけて選んだ言葉も勝手に変わります
2. 読み仮名を別に指定できるか。 手順6で見つけた語を直せます
3. 間の長さを調整できるか。 行や記号で間を作れるか
4. 商用利用が許可されているか。 仕事で使うなら必ず利用条件を確認してください

手順9：通しで1回聞いて、音量を整える。 部分だけ聞いて判断しないでください。通しで聞くと、読み間違いと不自然な間はほぼここで見つかります。

音の整え方は3点です。

• 語りが主、音楽は従。 音楽はあとから足し、語りが聞き取れる大きさまで下げます
• スマホのスピーカーで、音量を小さめにして聞く。 イヤホンで聞くと必ず聞き取れてしまいます
• 効果音は足さないほうが無難。 当社が分類して数えたリールでは、手順を教える回19本のうち効果音を使っていたものは0本でした。一方、日常の記録型は8本中7本が使っています。型によって正解が逆になるので、真似する相手を1本決めてから合わせてください

手順10：画面に出す文字を付けて、音を消して見る

リールの大半は音を出さずに見られます。 文字だけで意味が通らなければ、語りの出来は関係ありません。

手順10：画面に出す文字を付け、音を消して最初から見る。 意味が取れなければ、文字を直します。

文字の規格は、当社が分析したリールで型を問わず一致していたものがあります。

画面に出す文字の規格（当社の検証で使っているもの）

項目	値
見た目	白い太ゴシック体＋黒フチ
位置	中央
1画面の文字数	15字前後・2行まで
1行の長さ	全角10〜12字以内
強調	1色だけ。キーワードのみ
出すタイミング	声と同時に出す

※ 当社の制作で使っている設定値です。業界標準ではありません。

改行は自分で入れてください。 意味の切れ目（文節）で割ります。「逆効果か／も」のように語の途中で割れているのは設計ミスです。自動で折り返るに任せると、必ずここが崩れます。

冒頭は文字でも支えます。当社が調べた勝ったリール26本のうち25本が、0秒の位置に大きな文字を置いていました。語りの1文目と同じ言葉を、大きく出してください。

合成音声が向かない場合

次に当てはまるなら、合成音声にしないほうが結果が良くなります。 手間を減らすつもりが、指名される理由を消してしまうためです。

とくに1つ目が大きい。 声を合成にすると、動画から「誰がやっているか」がほぼ消えます。手元だけを写して自分の声で語る形なら、顔を出さずに人柄は残ります。顔を出す・出さないと、声を出す・出さないは別の判断です。

使うと決めた場合も、次の2点は確認してください。

• 実在の人物と誤認させる使い方をしない。 他人の声に似せる、本人が話しているように見せる、といった形は避けます
• AIで作った音声である旨を出すかどうかを決めておく。 出す場所（キャプション・画面の隅）も先に決めます

自動化しても投稿が続かない場合は、原因が語りではなく企画側にあります。どこまでが道具で減る作業で、どこからが残る判断かは動画編集をAIで自動化すると、どこまで時間が減るのかに整理しています。

まとめ

• 合成音声の出来を決めるのは声の種類ではなく原稿。直す順番は原稿が先、声はあと
• 先に文字数の上限を決める。1カットの秒数＝文字数÷5.9＋0.8秒。1カット8秒まで＝セリフ42字が上限
• 尺の目安は30秒で約150字・60秒で約300字（カット数が増えれば減る）
• 原稿は声に出して読んで直す。語尾を話し言葉に、専門用語を素人の言葉に、前置きを全部削る
• 漢字は読み間違えられる。数字＋助数詞・同じ表記で読みが2つある語・固有名詞をひらくか、読み仮名を別に指定する
• 間は原稿の改行で作る。1文＝1行、カットの変わり目で1行空ける。冒頭に無音を作らない
• 道具は一字一句そのまま読むか／読み仮名を指定できるか／間を調整できるか／商用利用できるかの4点で選ぶ
• 最後は音を消して最初から見る。文字だけで意味が通らなければ、語りの出来は関係ない
• 人柄で選ばれている商売・感情が中身の回・本人の指名が売りの場合は、合成音声にしない。顔を出さずに声だけ自分、という形が残っている