合成音声を聞いて「機械だ」と気づかなくなった瞬間が、この数年のどこかにあった。その転換点を作った会社の名前を一つ挙げるなら、多くの人が ElevenLabs と答えるだろう。2022年に元 Google の技術者と元 Palantir の二人が始めた会社で、今では評価額が1兆円規模と報じられるまでになった。音声合成という地味な領域で、これほど短期間に基準そのものを塗り替えた例は珍しい。
何が違うのかというと、抑揚と間の取り方だ。従来の読み上げは、文字を音に変換していた。ElevenLabs は文章の意味を踏まえて、どこで息を継ぎ、どこを強め、どこを流すかを決めている。だから同じ文章でも、問いかけには問いかけの調子が付き、説明には説明の落ち着きが乗る。聞いていて疲れないのは、この自然さのおかげだ。
使う場面は広い。動画のナレーション、記事の読み上げ、ゲームやアプリの音声、視覚に頼れない場面での情報伝達。既製の音声は1万を超えて用意されていて、性別も年齢も雰囲気も選べる。自分の声を登録して複製することもでき、短いサンプルから作る手軽な方式と、時間をかけて精度を上げる方式の両方がある。映像の吹き替え機能もあり、元の声色を保ったまま言語だけ差し替えられる。
日本語も70以上の対応言語の一つとして扱われている。実際に読ませると、名前や専門用語の読み間違いは起きるものの、地の文の自然さは実用水準にある。読み間違いは表記を変えることで大抵回避できるので、原稿側で少し工夫する前提で考えておくといい。ただし日本語専用の細かな調整機能があるわけではないので、アクセントを一音ずつ詰めたい用途には物足りなさが残る。
見落とされがちな条件が一つある。無料枠の扱いだ。**無料プランで作った音声は商用利用ができない**。個人の練習や検証には使えるが、YouTube の収益化動画や仕事の納品物には使えない。月に1万クレジット(おおむね1万文字ぶん)が付くが、繰り越しもできない。試すぶんには十分でも、実務に持ち出す時点で課金が必要になる設計だ。
料金は月6ドルの Starter から。年払いなら実質5ドル相当まで下がる。この価格で商用ライセンスと音声の複製機能が解禁されるので、費用対効果は高い。3万クレジットが付き、原稿にすると3万文字ぶん。動画のナレーションなら月に何本も作れる分量だ。
もう一つ触れておくべき点がある。声を複製できる技術は、悪用の危険と背中合わせだ。過去には政治家の音声を偽造した事件も起きている。だからこのサービスは、本人の許諾がある声しか登録しないよう規約で縛っている。使う側も、他人の声を勝手に複製しないという当たり前の線を守る必要がある。便利さの裏にある責任として、意識しておきたい。
向いているのは、音声を継続的に使う人だ。動画を毎週出す、記事を音声化する、アプリに音声を組み込む。単発で一本だけ必要なら外注のほうが早いかもしれないが、繰り返し必要になるなら、月6ドルは驚くほど安い投資になる。
まずは無料枠で、自分がいつも書いている文章を読ませてみてほしい。そこで「これなら人に聞かせられる」と思えたなら、あとは商用ライセンスを買うだけの話だ。
実際の作業手順としては、原稿を段落ごとに分けて生成し、あとでつなぐやり方が扱いやすい。長い文章を一度に流すと、途中で調子が単調になったり、直したい箇所のためだけに全体を作り直すことになったりする。段落単位なら、気に入らない部分だけ作り直せる。
音声の選び方にもコツがある。1万を超える選択肢を上から順に聞いていくと日が暮れるので、最初に用途に近い雰囲気で絞り、候補を三つ程度に減らしてから同じ原稿を読ませて比べるのが速い。声の良し悪しは単独で聞いても分からず、比較して初めて差が見える。
結論として、音声合成をこれから始めるなら最初に触るべき一本だと思う。基準になっている道具を知っておけば、他を試したときに何が足りないのかが分かる。無料枠で自然さを確かめ、必要になった時点で月6ドルを払えばいい。