音声生成AIの使い方：台本からMP3ナレーションを作る

音声生成AIを使えば、元の録音がなくても文章から話し声を作れます。Pipe2.aiのAudio Generatorは、台本を受け取り、ダウンロードできるMP3を返します。音声モデルと声を選び、読み方を指定したら、実際に聞いて調整してからナレーションとして使いましょう。

台本を音声にする5つの手順

1. Audio Generatorを開き、モデルを選びます。 標準のGemini 3.8 Flash TTSは、130以上の言語でスタジオ品質のナレーションを生成します。Gemini 3.8 Flash-Lite TTSは、下書き向けのより速く低コストなGeminiモデルです。最も表現力が高いのはEleven v4で、MiniMax Speech 2.8 TurboとHDも利用できます。
2. テキスト欄には、読み上げる言葉だけを入力します。 音声にしたい言語で書いてください。演技や読み方の指示は音声指示欄に入れ、台本の一部にならないようにします。
3. モデルに対応する声を選びます。 GeminiではAutoまたは名前の付いたプリセット音声を選べます。MiniMaxでは、用意された声を明示的に選んでください。音声合成でAutoは使えません。
4. 読み方を指定します。 Geminiには「温かいチュートリアルの語り、落ち着いたテンポ、やさしい強調」など、具体的に書きます。MiniMaxではまず「slow, calm」を試してください。対応する指示は速度と感情です。
5. 生成したMP3を確認します。 読み落とし、発音、間、声の調子を聞きます。一度に変える点を1つに絞り、必要なら別のテイクを生成します。

現在の出力仕様、2026年10月6日確認： Audio Generatorは文章から話し声のMP3を生成します。選べる声や読み方の指示は、モデルによって異なります。

台本全体の前に短いナレーションを試す

Geminiで最初のテイクを作るなら、Gemini 3.8 Flash TTSとKoreを選び、次の2つを別々に入力します。

• テキスト： 「ワークショップへようこそ。今日は、シンプルなアイデアを、みんなに共有できる形にしていきます。それでは始めましょう。」
• 音声指示： 「チュートリアル向けの落ち着いたナレーション。温かい声の調子で、ゆったりとしたテンポ。文と文の間には、はっきりと間を取る。」

生成前にGemini向けの読み方の指示を整えたい場合は、プロンプト補強を有効にしておきます。指示を変更せずに使いたい場合は無効にします。GeminiでAutoを選び、補強を無効にすると、声は自動選択されずKoreになります。MiniMaxでは、対応する速度や感情の指示がそのまま使われます。

これは練習用の台本であり、実測した生成結果や決まった長さを保証するものではありません。長い文章を入力する前に、声とリズムが用途に合うか判断するために使ってください。

求める読み方に合わせてモデルを選ぶ

Geminiには30種類の名前付きプリセット音声があり、短いスタイル指示と、<laugh>や<short pause>などテキスト内に置く音で読み方を指定できます。Flash-Lite TTSは素早い下書き向け、Flash TTSはスタジオ品質のナレーション向けのモデルです。Eleven v4は[whispers]などのタグで最も幅広い感情表現ができます。Pipe2のMiniMax Speech 2.8では5種類のプリセット音声を利用できます。Turboは速い音声合成、HDは仕上げのナレーション向けです。異なるモデル系列の声は相互に使えません。

MiniMaxは英語の指示語slow、fast、quickと、対応する感情のいずれか1つを解釈します。感情はhappy、sad、angry、fearful、disgusted、surprised、calmです。アクセントや場面を自由に説明しても、Geminiと同じように制御できるとは限りません。指定したアクセントは保証されません。

実行前に、現在のクレジット見積もりを確認してください。Geminiは実際に生成された音声に対して、MiniMaxとEleven v4は文字数に応じて課金されます。Eleven v4ではテキストと一緒に送るオーディオタグも文字数に含まれ、プロンプト補強を使うとその処理の料金も加わります。短い抜粋なら、長文の読み上げにクレジットを使う前に、読み方を評価できます。

キャラクターに合う声と演技を選ぶ

キャラクターが語る導入や物語では、使いたい言語の短い同じセリフで、2つのプリセット音声を聞き比べます。まず声の響きで選び、その後Geminiの音声指示で感情やテンポを調整しましょう。Audio Generatorは声のクローンや、特定の声優の声を提供する機能ではありません。

たとえば「鍵が見つかった。これで扉を開けられる。」を、「静かな喜び、落ち着いたテンポ」という指示で試します。次のテイクでは声とセリフを変えず、指示だけを「不安そうに、早口で」に変えてみてください。これは入力の提案であり、生成結果を検証した録音ではありません。感情の違いを聞き、すべての言葉が聞き取れるか確認します。

会話ではキャラクターごとに声を明示的に選び、セリフを別々に生成します。各MP3と一緒にモデル、声、台本、指示を保存しておけば、セリフを直す際に設定を再現できます。採用する前に、前後のテイクを続けて聞いてください。同じ設定でも、まったく同じ演技になるとは限りません。

自然に聞こえる文章を用意する

短い文と句読点で間を示し、実際の音声で確認します。名前、略語、日付、価格は個別に聞いておきましょう。読みに違和感がある場合は、略語を正式な言葉にしたり、発音しやすい表記に直したりします。

長さを調整するスライダーはありません。台本の分量と話す速度でナレーションの長さが決まります。動画の決まった尺に合わせる場合は、サンプルの長さを測り、台本を調整してください。長いナレーションは内容の区切りごとに生成すると、全体を作り直さずに1段落だけ差し替えられます。各部分は選択したモデルの入力上限に収めます。

別言語版を作るときは、先に台本を翻訳して推敲します。Audio Generatorは入力された文章から言語を判定します。読み方の指示は翻訳依頼ではありません。

MP3を独立したナレーション素材として使う

採用するテイクをダウンロードし、台本と一緒に保管します。クリップに加えるには、Video Reelのナレーション音声として渡してください。BGMが必要ならMusic Generatorで別に作り、最終的なミックスで話し声が聞き取りやすいか確認します。

クリップとナレーションの組み立てにはAIでリールを作る方法、BGMの準備にはAIで音楽を生成する方法が参考になります。声と音楽を分けておくと、後から変更しやすくなります。