自宅で音声クローニング用のきれいなリファレンスを録音する方法

良いリファレンスにスタジオは必須ではありません。必要なのは、1人の話者を明確に捉えた音声です。高価な機材でも、強い反響、ファン、別話者を消すことはできません。

マイクより先に部屋を選ぶ

硬く空いた部屋は反響します。カーテン、カーペット、布製家具、本などがある部屋の方が有利です。候補の部屋で拍手と同じ文を録り、尾が短く子音が明瞭な場所を選びます。

ノイズを発生源で止める

ファン、エアコン、交通、PC fan、テレビ、音楽、会話を可能な範囲で止めます。ノイズ除去ソフトより先に環境を直します。

スマートフォンで十分な場合が多い

手持ちノイズを避け、距離を一定にし、近すぎてbreath/plosiveが強くならず、遠すぎてroom soundが主にならない位置を探します。

ノートPCでは距離に注意する

タイピングを止め、重い処理を閉じ、fan noiseを減らし、スマホ版と直接比較します。

外部マイクでも悪い部屋は直せない

pickup patternと推奨距離を守り、clippingを確認します。phoneの方が部屋の影響が少ないならphoneを選んでも構いません。

自然に話す

neutral narrationならneutralな会話音声を使います。叫び、ささやき、歌、極端なcharacter voiceは通常の基準にしません。

1人だけ録る

背景の短い相づちも避けます。品質と権利の両面から、許可された対象話者だけを含めます。

短いtakeを複数録る

通常、少しゆっくり、もう一度通常など数takeを録り、最も明瞭で一貫したものを選びます。

clippingを確認する

大きな音で割れるなら距離またはgainを調整します。後から音量を下げても壊れた波形は戻りません。

きれいな開始・終了を作る

語中から始めたり終えたりせず、少量のroom toneを残して過剰な無音だけtrimします。

BGMを入れない

リファレンスはモデル入力です。music、sound effect、reverb、radio filter、強いcompressionは完成音声側に後から追加します。

noise reductionは控えめに

強いisolationはmetallic edgeや子音欠落を作ることがあります。originalとlightly processedを比較し、両方悪ければ録り直します。

シンプルな形式で保存する

WAVやMP3など対応形式を使い、lossy変換を繰り返さず、narrator-reference-clean-01.wavのようにmasterを保存します。

2文でvalidationする

短い通常文で同一性、子音、反響、metallic感、無理な話し方がないか確認します。悪い場合は、モデルと文章を固定して別リファレンスだけ比較します。

チェックリスト

静かで柔らかい部屋、ノイズ停止、許可済み1話者、一定距離、自然発話、clippingなし、きれいな端、効果なし、複数take、短い生成テスト。この条件は自宅でも十分実現できます。