ボイスクローンのモデルは、対象となる声の音色、テンポ、アクセント、感情の癖といった「声の指紋」を学習します。最新のシステムなら、短いクリアな音声サンプルから、その声で新しいテキストを自由に読み上げるクローンを作れます。
責任を持って使えば、クリエイターにとって強力な武器になります。収録なしで新しい台本を音声にしたり、録り直さずに定番の動画を更新したり、声を失う可能性に備えて自分の声を残したりできます。使い方を誤ればディープフェイクのリスクになるため、声の持ち主の同意を必ず得てください。
クローンの作られ方
モデルはサンプルを聞き、その声らしさを決める要素を取り出します。声の高さの幅、響き、母音の形、リズム、息づかいです。サンプルの文そのものは保存しません。以後は音声合成モデルが、その特徴で新しいテキストを読み上げます。品質を左右するのは長さよりサンプルの質です。1人の話者、静かな部屋、音楽なし、自然な話し方のほうが、長くて雑音の多い録音より良い結果になります。
VlogMeでのボイスクローン
Audio Studioでは、1人のクリアな声を20〜60秒録音したサンプルからクローンを作ります。サンプルは端末からのアップロード（最大8MB）でも、Labからの選択でもかまいません。作成前に、話者の同意とその声をクローンする権利があることを確認します。作ったクローンはAI VoiceoverとVoice Changerの音声選択に、ElevenLabsのライブラリ音声と並んで表示されます。1つのアカウントで保存できるクローンは3つまでで、いつでも削除できます。
例：あるヨガ講師が、静かな部屋で落ち着いた文章を1分間読んで録音し、自分の声のクローンを作ります。毎週、次のクラスの導入部の台本を入力してクローンで音声を作り、自分のポートレートから作ったトーキングアバター動画に使います。録音は一度だけで、毎週動画を公開できます。
制限とリスク
- クローンが再現するのは声であって演技ではありません。落ち着いた話し声のサンプルでは、叫ぶ、歌う、泣くといった表現は自然になりません。必要な話し方でサンプルを録音してください。
- アクセントや感情はほかの言語には完全には引き継がれません。公開前にすべてのテイクを聞いて確認してください。
- クローンを作れるのは持ち主の許可がある場合だけで、使える用途、言語、期間も本人が同意した範囲に限られます。未成年の声や著名人の模倣は禁止されています（利用規約 第6条）。
- 本人が同意を撤回した場合は、クローンとそれを使ったプロジェクトを削除してください。
よくある質問
サンプルはどのくらいの長さが必要ですか？
VlogMeでは20〜60秒です。1人がはっきり話す1分間で十分で、長くて雑音の多いファイルは役に立ちません。
有名人や家族の声をクローンできますか？
本人の許可がある場合に限ります。声は個人的なものであり、著名人の声は肖像の一部として保護されることも多いため、同意なしにクローンを作ることはできません。
クローンした声でほかの言語も話せますか？
ElevenLabsの多言語モデルは、対応する言語をクローンの声で話し、声の特徴の多くを保ちます。公開前に、言語ごとの発音を確認してください。
