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

音声クローニングに使える良いリファレンスを作るために、必ずしもスタジオは必要ありません。重要なのは、1人の話者の声をできるだけ明確に捉え、モデルが「何が話者の特徴で、何が部屋や機材の影響なのか」を迷わない録音にすることです。

高価なマイクでも、強い反響、近くのファン、BGM、別の人の声まで自動的に消してくれるわけではありません。静かで柔らかい家具のある部屋でスマートフォンを適切に使った方が、悪い環境で高価なマイクを使うより良いリファレンスになることがあります。

IndexTTS Onlineでは短いリファレンス音声を使うため、目標は長い番組を録ることではなく、数秒から数十秒のきれいで安定した音声を得ることです。

マイクより先に部屋を選ぶ

自宅録音では、最初に改善すべき要素は機材より部屋であることが多いです。

キッチン、浴室、階段、家具の少ない部屋のように硬い面が多い場所は、声を反射して目立つ残響を作りやすくなります。一方、カーテン、カーペット、布張り家具、寝具、本などがある部屋は反射を抑えやすいです。

簡易的な確認で十分です。候補の部屋を2〜3か所選び、手を一度たたいて残響の長さを聞き、その後同じ普通の一文をスマートフォンで録音します。

子音が明瞭で、声の後ろに長い「尾」が残らない部屋を選びます。専用ブースを作ることより、迷いの少ない環境を選ぶ方が重要です。

連続ノイズは発生源で止める

最初からノイズ除去ソフトに頼らず、消せる音は録音前に止めます。

代表的な家庭ノイズには次があります。

• 扇風機やエアコン
• 開いた窓からの交通音
• 高負荷時のPCファン
• 冷蔵庫や家電
• 机の振動
• テレビや音楽
• 別の人の会話

録音を始める前に10秒ほど静かに聞いてください。普段は脳が無視している音でも、ヘッドホンでははっきり分かることがあります。

空調を長時間止める必要はありません。短いリファレンスを録る数分だけ静かな状態を作れば十分です。

スマートフォンで十分な場合が多い

最近のスマートフォンは、距離が適切なら十分に明瞭な音声を録れます。

手で持つと擦れや移動ノイズが入る場合があるため、できれば安定した場所に置き、マイク部分を塞がないようにします。

近すぎると息、破裂音、口のノイズが強くなり、遠すぎると部屋の音が増えます。同じ一文を2〜3種類の距離で録り、「近いがまだ自然」に聞こえる位置を選ぶのが実用的です。

ノートPCでは距離とファンに注意する

ノートPCのマイクも使えますが、通常のPC位置は口から遠く、キーボード音、ファン、机の反射を拾いやすいです。

使用する場合は、録音中に入力作業を止め、重い処理を閉じ、ファン音を抑え、マイク方向に一定の姿勢で話します。そして同じ文をスマートフォンでも録り、直接比較してください。

よりきれいな方を使えばよく、複雑な機材を使うこと自体には価値はありません。

外部マイクでも悪い部屋は直せない

USBやXLRマイクは制御しやすい一方、感度が高いため部屋の残響まで多く拾う場合があります。

指向性と推奨距離を守り、話者位置を一定にし、大きな音節でクリッピングしていないか確認します。

外部マイクが「プロっぽく」聞こえても、スマートフォンより部屋の反響が目立つなら、音声クローニング用にはスマートフォンの方が適している可能性があります。

モデルが必要としているのは高価な周波数特性ではなく、明確な話者同一性の手がかりです。

目的に合う自然な声で話す

生成したい声に近い話し方で録音します。

中立的なナレーションが目的なら、普通の会話に近い声を使います。叫び、ささやき、歌、泣き声、強いキャラクター演技などは、話者の通常の基準としては適しません。

2〜3の自然な節を含む、無理なく読める一文か二文が使いやすいです。

次のような内容だけで構成されたリファレンスは避けます。

• 数字だけ
• 固有名詞だけ
• 略語だけ
• 同じ短語の繰り返し
• 不自然に暗記した宣伝文句

自然につながった発話の方が、話者の通常の声を代表しやすくなります。

話者は1人だけにする

別話者は、インタビューのように明白な場合もあれば、別の部屋からの短い相づちのように小さい場合もあります。

アップロード前に最初から最後まで聞き、別の声が含まれていたら録り直すか、その部分を除いてください。

これは品質だけでなく権利の問題でもあります。自分の声、または明確に使用許可を得た声だけを使います。

短いテイクを複数録る

最初の1回を完璧にする必要はありません。

例えば次の3つを録ります。

• 通常の自然な読み
• 少しゆっくりだが自然な読み
• 少し休んだ後のもう一度の通常読み

ヘッドホンで比較し、演技の強さではなく、明瞭さ、残響、背景ノイズ、音量の安定、話者らしさで選びます。

クリッピングを確認する

入力が録音系の限界を超えるとピークがつぶれ、強い音節がザラついたり割れたりします。

大きな語で歪むなら少し距離を離すか、設定できる場合は入力ゲインを下げます。

一度クリッピングした波形は、後から音量を下げても元に戻りません。録り直す方が安全です。

逆に小さすぎる録音も、後で持ち上げたとき背景ノイズまで増えてしまいます。自然な余裕を残したレベルを狙います。

開始と終了をきれいにする

最初の子音が途中から切れたり、単語の途中で突然終わったりしないようにします。

最初と最後に少量のルームトーンを残し、必要なら後で長すぎる無音だけをトリミングします。

クリック、キーボード、椅子、マイクや端末を触る音が端に入らないようにしてください。

BGMは入れない

リファレンスは完成コンテンツではなくモデルへの入力です。

BGMはモデルが判断する必要のない別信号を増やします。声はドライに録り、音楽は合成音声を作った後の編集工程で追加します。

効果音、リバーブ、ラジオ風フィルター、強いコンプレッションも同じ考え方です。

ノイズ除去は控えめにする

少量の定常ノイズなら軽い処理が役立つことがあります。しかし強い音声分離やノイズ除去は、金属的な縁、水っぽい質感、子音の欠落を作ることがあります。

可能なら、最もきれいな原音と軽く処理した版を直接比較します。自然な声をよく保つ方を使ってください。

両方悪いなら再録音します。悪い元音を何度も補修するより、10分かけて録り直す方が後工程を大きく減らせます。

シンプルな形式でmasterを保存する

対応しているならWAVやMP3など一般的な形式で十分です。同じクリップを何度も有損形式の間で変換するのは避けます。

採用した音声はmasterとして保存し、例えば次のように分かりやすく命名します。

narrator-reference-clean-01.wav

後のA/Bテストで同じリファレンスを使えるため、比較が意味のあるものになります。

2文で最終validationする

リファレンスを基準として保存する前に、普通の短い2文を生成して確認します。

聞く項目は次です。

• 話者同一性が安定しているか
• 子音が明瞭か
• 部屋の残響が出力に現れていないか
• metallicやbuzzyな質感がないか
• 発話が不自然に苦しそうでないか

結果が悪ければ、テキストとモデルを固定したまま別リファレンスだけを試します。複数条件を一度に変えないことで、元録音が原因かどうかを判断できます。

自宅録音チェックリスト

アップロード前に確認します。

1. できるだけ静かで柔らかい面のある部屋
2. ファン、音楽、テレビ、近くの会話がない
3. 許可された1人の話者だけ
4. マイク距離が安定している
5. 自然な会話に近い発話
6. 明らかなクリッピングがない
7. 開始と終了がきれい
8. 不要な効果処理がない
9. 複数テイクを録って比較した
10. 採用テイクを短い生成で検証した

目標はスタジオ品質ではありません。モデルに「この話者は普段どう聞こえるか」という問いへの、1つの明確な答えを与えることです。

簡単な機材でも、録音環境と選び方を丁寧にすれば自宅で十分実現できます。