ElevenLabs Eleven v3でAIで声をクローンする方法

録音やアップロードを行う前に、声の持ち主から明確な書面での同意を得ましょう。ElevenLabsは自分自身の声をクローンする際に本人確認を求めており、Astorieも同じ方針に従っています。インスタント音声クローン(10秒のサンプルで数秒後に利用可能、下書きや短いナレーション向け)と、プロフェッショナル音声クローン(30分以上のクリーンなスタジオ音声が必要で24時間後に利用可能、長編コースやオーディオブック、ブランドのナレーター音声に使える唯一のモード)のどちらかを選びます。サンプルが30秒程度のスマートフォン録音であれば、選べるのはIVCだけです——PVCは低品質な入力を受け付けません。録音セッションを自分でコントロールできるなら、雑音のない30分分の多様な台本コンテンツを用意しましょう。この一度の手間が、何千回生成しても崩れない声を手に入れる投資になります。

インスタント音声クローンでは、静かな部屋で10秒間の自然な話し言葉を録音します——BGMなし、エアコンの音なし、他の話者の声も入れません。クローンした声にどう話してほしいかを意識して話しましょう。落ち着いたナレーターのペースで話せば落ち着いたクローン音声になり、興奮気味に読めば興奮気味のクローンになります。プロフェッショナル音声クローンには30分以上のスタジオ品質の録音が必要です。内容にバリエーションを持たせ(語りの段落、会話調のセリフ、専門的な読み上げ、感情の振れ幅など)、モデルが話し方の全域を捉えられるようにしましょう。アップロードする音声はすべて44.1kHzのWAVか320kbpsのMP3に変換してください。ヒスノイズ、部屋の反響、口の音、息継ぎの音が入った音声はそのままクローンに反映されてしまい、あとから取り除くことはできません。

オーディオノードを追加し、ElevenLabs Eleven v3(英語以外の作業ではMultilingual v2)を選択して、音声選択リストから新しくクローンした声を選びます。サンプルに含まれていなかった音を使う30秒のテスト文を生成してみましょう——「s」を含む単語、疑問形のイントネーション、数字の羅列、感嘆表現などです。ここがIVCのクローンが崩れやすく、PVCのクローンが安定を保てるポイントです。IVCのクローンが疑問文や数字でうまくいかない場合、それがこのティアの限界です——より多様な内容で録音し直すか、PVCにアップグレードしましょう。テストに合格すれば、クローンした声はプロジェクト内のすべてのオーディオノードで再利用でき、リップシンクノード(OmniHuman、Kling LipSync)に接続してトーキングヘッド動画にも使えます。

クローンした声にも演出は欠かせません。Eleven v3は[whispers]、[laughs]、[sighs]、[excited]、[pause]といったインラインタグを理解し、効果を与えたい単語の近くに置くことで反映されます。コースの導入部分であれば、「Hi everyone, [excited] welcome to module three!」のようにタグを入れると、タグなしの同じ文よりも明らかに温かみのある話し方になります。タグは少なめに、局所的に使いましょう——60秒のナレーションであれば3つ程度で十分です。10個も入れるとタグ同士がぶつかり合い、読み上げが不安定になります。句読点も間の作り方を左右します。三点リーダーは考え込むような間を、ダッシュは鋭い転換を生み、短い文は長い文より速く自信に満ちたテンポで読まれます。