【声はAI、判断は自分】富士山ナレーションで気づいたこと

みなさんこんにちは、旅する大家のヨネヤです。

いつも旅行に行くと Vlog 動画を作成して YouTube で公開しています。先日公開した富士宮ルートの登山動画から、ナレーションの作り方を少し変えてみました。

ElevenLabsというサービスで自分の声を登録すると、テキストを入力するだけで、自分そっくりの声でナレーションを作れるようになります。チャットからAPIを呼び出して、感情もタグで指定できるという仕組みです。

早速試してみたのですが、一つだけ、笑ってしまう出来事がありました。

「靴下を忘れた」というくだりで、ため息の感情タグを入れてみたところ、なんとも言えない、微妙な違和感のあるため息になってしまったんです。

▼【富士宮ルート登山動画】
※1分06秒あたりの、なんともぎこちないため息に注目してみてください

実はこれ、今回のテーマである「AIは”それらしく”はできるが、完璧ではない」にも通じる話なんです。

ここからが、今日の「学びのコーナー」です。

正直に言うと、驚くほどよくできています。

声質も話し方の癖も、かなりの精度で再現されていて、動画を見た方から「本人の声っぽい」と言ってもらえるくらいです。

実は今回、ついでにAIアバターも作ってみました。自分の姿でしゃべらせることもできて、これもまた、パッと見はかなり自然です。

ただ、今回の「変なため息」のように、感情がこもるはずの場面ほど、微妙にズレることがあります。

これは、以前このメルマガでもお伝えした「情報の話か、人の話か」という線引きと同じだと感じました。

「何を話すか」「どう説明するか」といった情報の部分は、AIにどんどん任せて構いません。実際、ナレーション作成の手間は劇的に減りました。

でも、「ここは感情を込めたい」「この一言だけは、らしさを出したい」という人間らしさの部分は、最後まで自分の耳で確認する必要があります。

■ それでも、僕は使い続けます

「じゃあ、まだ粗削りなうちは使わない方がいいのか」というと、僕の答えは逆です。

むしろ、今のうちから使い続けます。

理由はシンプルで、この精度はこれからどんどん上がっていくと思っているからです。変なため息も、アバターの微妙な違和感も、おそらく数ヶ月後には笑い話になっているはずです。

「今は完璧じゃないから様子見する」のではなく、「今のうちから使い倒して、変化についていく」方が、結局は得だと思っています。

ここで、みなさんに質問です。

Q：「まだ粗削りな部分もあるのに、使い続けて大丈夫なんですか？」

A：大丈夫です。大事なのは、「作ってもらったものを、そのまま出さない」ことです。今回のため息のように、AIが作ったものを一度自分の耳で聞いて、「これは違うな」と思ったら手直しする。この最終チェックの一手間さえ怠らなければ、多少粗くても使い続ける価値は十分にあります。

自分の声、自分の姿。AIはそこまで再現できる時代になりました。

今はまだ、完璧ではありません。でも、だからこそ今のうちから付き合っていく。そうすれば、精度が上がった時、一番使いこなせているのはきっと自分だと思っています。

それでは、また次回お会いしましょう。ヨネヤ