要約

ボイスクローンに音声をアップロードする前に、そのサンプルで良いクローンが作れるかを確認しましょう。この無料チェッカーは、サンプルの長さ、ノイズフロア、ピークレベル、録音環境、マイク、内容、加工、話し方を入力すると、0〜100点のスコア、わかりやすい判定、そして最も点数に効く3つの修正点を返します。採点はオーディオブック制作に近い -60 dBFS のノイズと -3 dBFS のピークを目安にしており、音楽や別の声が混ざっている場合は致命的な欠陥として扱います。すべての処理はブラウザ内で完結します。

ボイスクローン用のサンプル、そのまま使えますか？

アップロードする前に録音を採点しましょう。長さ、ノイズフロア、機材を入力すると、0〜100点のスコアと効果の大きい3つの修正点が表示されます。

サンプルをチェック

ボイスクローン用サンプルをチェック

ボイスクローンにアップロードする音声の長さ、ノイズレベル、録音環境を入力してください。入力に合わせてスコアと上位3つの修正点が更新されます。

0 100点満点

    これらはボイスクローンの実践から得た経験則であり、公開された規格ではありません。スコアが示すのは、クローンがどれだけの材料を持てるかであり、どう聞こえるかではありません。

    仕組み

    チェッカーが実際に採点する項目

    長さとレベル

    サンプルの長さは25点満点で、クリーンな発話が3分あれば満点です。ピークは10点で、-12〜-3 dBFSが満点、0 dBFSはクリッピングとして扱います。

    ノイズと空間

    ノイズフロアは20点、部屋の響きは15点です。-60 dBFS以下で20点満点になります。何もない部屋や屋外では、残響もクローンされるため15点のほとんどを失います。

    音源と内容

    マイク、話者の内容、事前の加工、納品形式で残りの30点を分けます。音声に音楽や別の声が含まれると致命的な欠陥となり、他の入力に関係なくスコアは49点で頭打ちになります。

    ボイスクローンの前に、4つのステップで確認

    1. 1

      サンプルを録音または選ぶ

      1人の声の、ドライな（残響の少ない）録音を使います。普段言うような文章を読んでください。質問文、短い文、長い文を混ぜましょう。

    2. 2

      2つの数値を測る

      多くのDAWや無料のメーターで、ピークとノイズフロアを確認できます。ノイズフロアは無音区間を、ピークは最も大きい単語を選んで測ります。

    3. 3

      修正点を3つ読む

      チェッカーは、点数への効果が大きい修正点だけを表示します。通常は長さとノイズフロアが最初に来るので、そこから始めてください。

    4. 4

      録り直してからアップロード

      85点以上を目指しましょう。そのうえでボイスクローンにサンプルをアップロードし、長い文と質問文を含むテスト音声を生成してください。

    サンプルの質がモデルより大事な理由

    ボイスクローンは、聞こえたものを何でもコピーします。意図していないものも含めてです。ヒスノイズは息の質感になり、何もない部屋はすべての行にうっすらとした残響として乗り、ピークの割れは大きな語にきつい角を付けます。より大きいモデルに替えても、これらはほとんど直りません。直せるのはサンプルです。セッションメモ：クローンに出してほしい距離で録音してください。近接効果と部屋の暗騒音は、音色と一緒にコピーされます。

    • 約3分のクリーンな発話があれば、クローンは声の音域全体を捉えられます。
    • -60 dBFS以下のノイズは、オーディオブックの上限であり、クローンにも良い目標値です。
    • -12〜-3 dBFSのピークは、ノイズを上げずにヘッドルームを確保します。
    • サンプルに音楽や別の声が入っていると、きれいに分離できません。
    USBオーディオインターフェースのゲインノブを回す手と、その横のスタジオ用ヘッドホン

    サンプルのクローンに関する質問

    これはここで私の声をクローンするツールですか？
    いいえ。ボイスクローンにはサーバー上で動く学習済みの音声モデルが必要ですが、このページはすべてブラウザ内で動きます。チェッカーが確認するのは、どのクローナーに音声を渡す前でも自分で管理できる部分、つまりサンプルがよくクローンできる品質かどうかです。スコアが高くなったら、AnyVoiceや他のクローナーにサンプルをアップロードしてください。
    ボイスクローンのサンプルはどのくらいの長さが必要ですか？
    クリーンな発話で約3分が目安です。インスタントクローナーは1分未満でも受け付けることが多いですが、長いほど安定します。3分あれば、クローンは声の音域全体、いくつかの文の形、そして子音を正しい位置に置くのに十分な材料を学習できます。
    クローンの前にどのくらいのノイズフロアが必要ですか？
    単語の間の無音区間で測って、-60 dBFS以下を目指してください。これはオーディオブックの配信会社が求める上限と同じです。それより大きいノイズはクローナーでは取り除かれません。ヒスノイズや部屋の響きは、学習される声の一部になります。
    なぜ強いノイズ除去は減点されるのですか？
    強いノイズ除去は、子音や息の音に水っぽく揺れるようなアーティファクトを残します。クローナーはそれを声の一部とみなして再現します。ノイズフロアの低い生の録音は、後から強く処理したノイズの多い録音に勝ります。
    スマートフォンのボイスメモからクローンできますか？
    できます。ただし、そのコストがスコアに表れます。スマホやノートPCのマイクは高域が落ち、部屋の反射を拾います。スマホしかない場合は、口から10〜15 cmの距離で、クローゼットや柔らかい家具の多い部屋で録音してください。
    これらの重みと閾値はどこから来ていますか？
    ボイスクローンの実務から得た経験則であり、公開された規格ではありません。-60 dBFSのノイズフロアと-3 dBFSのピーク上限は、一般的なオーディオブックの納品仕様に従っています。各項目の配点は、それぞれがクローン品質をどれだけ左右しやすいかを反映しています。スコアは保証ではなく、修正の指針として使ってください。
    何かがサーバーに送信されますか？
    いいえ。採点はブラウザ内で行われ、入力した内容がページの外に出ることはありません。ただし、このサイトがどのツールが使われているかを見るための匿名の利用カウンターは例外です。

    サンプルの準備ができたら、AnyVoiceでクローンしましょう

    AnyVoiceはサンプルから声をクローンし、8つの感情スライダーで話し方を調整できます。思いどおりに操作できるクローンを作れます。

    AnyVoiceを試す
    声をCloneする