短い動画にナレーションを入れる

短い動画と原稿があって、自分で録りたくはない — 静かな部屋がない、マイクがない、あるいは単に自分の声が乗るのを聞きたくない。欲しいのは、タイムラインに置けるナレーションのトラックです。

手順（最短）

1. 開く： テキスト読み上げツール。初回の訪問でモデル（約 64 MB）を一度ダウンロードします — その後はキャッシュされ、オフラインでも動きます。
2. 読ませたい一文を貼り付けます。1回の生成で最大500文字までです。
3. 19種類の声から1つを選ぶか、自分の短いサンプルから1つクローンします。
4. 生成して聴き、言い回しがうまく収まらなければ文面を直して、ダウンロードします。

アップロードはありません：モデルはあなたのブラウザ内で動くので、原稿も音声サンプルもマシンから出ません。公開前のクライアントの原稿であれば、それは使えるツールと使えないツールの差になります。

500文字とは実際どれくらいか

およそ80語、話し言葉で 30 秒ほどです。ショート動画なら1〜2回のパスで収まりますし、20分のドキュメンタリーには形が合いません。

それより長いものには、 カットごとに1行ずつ生成する こと — 原稿全体を1ファイルにするのではなく。これは制限を回避する裏技ではなく、そもそも音声はそうあってほしい形です。カット単位のファイルは個別に移動・尺調整・差し替えができ、一文を録り直すためにナレーション全体を作り直す必要がありません。

声をクローンする

このツールは短い録音を受け取って、その声で新しいテキストを話せます。差が出るのは次の点です：

• きれいなサンプル。 クローンは聞いたものをそのまま写します — 部屋のノイズやヒスノイズも含めて。サンプルにノイズがあるなら、まず ノイズ除去 に通してください — 2つのツールを組み合わせる使い方の中でも有用なほうです。
• 演技ではなく、普通の話し方。 クローンは音色だけでなく話し方も再現するので、ドラマチックな読みよりニュートラルな読みのほうが使える声になります。
• 数秒あれば十分で、長ければ良いとは明らかに言えません。まず短いサンプルで試してください。

より良い読みを得る

• 耳のために句読点を打つ。 読点は短い休止を、句点はより長い休止を買います。長い一文を2つに割るほうが、どの設定をいじるよりも速くテンポを直せます。
• 読みにくい語は、音のとおりに書く。 固有名詞、頭字語、単位は合成が最もよく失敗する場所で、書き換えるほうが格闘するより速いです。
• 1行を2回生成する。 出力は実行ごとにわずかに変わります。2回目のテイクのほうが欲しいものであることもあります。
• WAV でダウンロードする 編集ソフトへ持っていくならこちら。圧縮は最終書き出しに任せてください。

これが向かない場面

• 長尺のナレーション。 オーディオブックや長いドキュメンタリーは、何百回もの生成を意味します。それには、文書サイズの入力を受け取るサーバー側のサービスが適した形です。
• スマートフォンや古いマシン。 エンジンには SharedArrayBuffer と、それに見合う処理性能が必要です。一部のモバイルブラウザや組み込みの WebView はそれを提供しません。
• 細かい韻律の制御。 SSML も、音素エディタも、単語ごとのピッチ指定もありません。読みはテキストを書き換えることで操ります。
• 従量制の回線。 初回の読み込みは実際に 64 MB あります。

ナレーションから字幕を作成する

ナレーション録音で AI Speech to Text を開き、編集可能なトランスクリプトを作成し、ビデオ エディター用に SRT または VTT 字幕をエクスポートします。各ファイルの長さは最大 5 分です。

オープン AI Speech to Text

よくある質問

自分で録音せずに動画へナレーションを入れるには？

ナレーションをテキスト読み上げツールに打ち込み、声を選んで、タイムライン用に音声をダウンロードします。ブラウザ上のツールなら、アカウントなし、原稿のアップロードなしでこれができます — モデルはあなた自身の端末上で動きます。

一度にどれくらいのテキストを生成できますか？

1回の生成で最大500文字、およそ80語、話し言葉で30秒ほどです。もっと長い原稿なら、カットごとに1行ずつ生成してください。どちらにしても、長い1ファイルより編集しやすくなります。

自分の声を使えますか？

はい。ツールは短いサンプルから声をクローンし、そのサンプルが端末から出ることはありません。きれいで、素直に話した録音を使ってください — クローンは音色と一緒に、部屋のノイズや話し方も再現します。

生成したナレーションを商用利用できますか？

あなたが生成した音声に当社は何の制限も課さず、いかなる権利も主張しません。制約は声のほうにあります：実在の人物を同意なくクローンすることは、著作権とは別にパブリシティ権を侵害しうるということです。内蔵の声、または自分自身の声を使えばそれを避けられます。

初回の読み込みがこれほど大きいのはなぜ？

何かを生成する前に、モデルがあなたのブラウザへ届かなければならないためです — 約 64 MB、一度だけ、その後はキャッシュされます。そのダウンロードこそが、アカウントも上限もアップロードも要らないツールを手に入れる対価です。