「自分の声で、動画のナレーションを自由に読み上げてくれる仕組みが欲しい。」
ふとした閃きから始まったこの試みは、わずか数時間の作業で、私のMacの中に「ローカルで回数を気にせず使える専用ナレーションスタジオ」として現実のものになりました。
外部の大手クラウドサービスに毎月お金を払い続ける必要も、文字数制限に怯える必要もありません。手元のPCに原稿テキストを渡すだけで、私の落ち着いた声色とトーンで、小気味よくナレーション音声（WAV）が書き出されます。
しかし、最初にお伝えしておきたいのは、これは決して「完全無料の魔法」ではないということです。
プログラミングの専門知識がない私がこの仕組みを手に入れられた背景には、新時代の確固たる開発アプローチが存在します。本記事では、15秒のスマホ録音から専用TTS（Text-to-Speech）エンジンを構築し、数々の音質の壁を乗り越えて実用レベルへ引き上げた全プロセスと、そこから見えた「これからの個人とAIの付き合い方」を包み隠さず記録します。
1. サブスクの「消費者」から、ツールの「所有者」へ
動画制作や情報発信をしていると、必ず直面するのが「音声（ナレーション）のコスト」です。
現在、ElevenLabsをはじめとする高精度なAI音声生成サービスは数多く存在します。確かにクオリティは高いものの、使い続けるには毎月数千円から数万円のサブスクリプション費用がかかり、生成する文字数が増えるごとに追加課金が発生します。
「自分の声をもとにしたナレーションを作りたいだけなのに、なぜずっと家賃のように利用料を払い続けなければならないのか？」
この小さな違和感が、自前開発へのスタート地点でした。
目標は極めてシンプルです。
- 外部APIに頼らず、手元のMac（Apple Silicon Mシリーズ / メモリ8GB）ローカル環境で完結させること。
- 月額課金ゼロ、回数や文字数を気にせず手元で使い倒せる環境を持つこと。
- 動画編集にそのまま耐えうる、自然な日本語アクセントとクリアな音質を確保すること。
2. 幻想を捨てる：「完全無料」ではなく「数千円のAI投資」というリアル
ここで一つ、世の中に溢れる「完全無料で作るAI〇〇」という甘い言葉の裏にある真実をお話しします。
完成した音声生成システムそのものは、オープンソースの基盤モデル（XTTS-v2等）を活用しているため、今後の推論そのものにクラウドの従量課金は発生せず、ローカル環境で使い続けられます。
しかし、「プログラミング知識のない人間が、このシステムをゼロから組み上げるためのコスト」は無料ではありません。
| 開発手法 | 必要なコスト | 開発期間 | 特徴・所有権 |
|---|---|---|---|
| システム開発会社に外注 | 数十万 〜 数百万円 | 1〜2ヶ月 | 高額。仕様変更のたびに追加費用が発生する。 |
| プログラミングスクール | 数十万円 ＋ 数百時間 | 3〜6ヶ月 | 知識は身につくが、ツールが完成するまでに膨大な時間がかかる。 |
| AIエージェントとペアプロ | 数千円程度（私の実測値） | 数時間（半日） | 手元に完全なソースコードと実行環境（資産）が残る。 |
※注：Antigravity等の開発環境には無料枠もありますが、今回の私のケースでは、集中的に対話し試行錯誤したAIエージェントの利用コストが総額で数千円程度でした。
かつては数十万円を投じなければ手に入らなかった「自分専用の特注システム」が、AIという優秀なエンジニアを数千円で半日雇ってペアプログラミングする感覚で、その日のうちに自分の手元に納品される。
「数千円のコストで、ほとんどのものが作れる時代が来た」というのは、決して誇張ではない実感です。
3. 泥臭い実録：AIエージェントと二人三脚で挑んだ「音質の壁」
とはいえ、環境構築自体はコマンドを数回叩けば動くものの、動画で実用に耐えうる音質に仕上げるまでには、数多くの「泥臭い壁」がありました。
もしビギナーの私が一人で挑戦していたら、途中で挫折していたかもしれないトラブルを、AIエージェントと対話しながらどう解決していったのか、その試行錯誤の全記録がこちらです。
① 「日本語の固有名詞や英字で発音が不安定になる」問題
- 原因: XTTS-v2は公式に日本語（
ja）をサポートしている多言語モデルですが、私の手元環境では本文中に「AI」や「036Factory」などの英字・固有名詞が混ざると、意図した読みにならないケースがありました。 - 解決策: 日本語テキストをそのまま投入するのではなく、形態素解析やローマ字変換（
cutlet/fugashi等）を組み合わせた前処理パイプラインを構築し、問題のある語句を事前補正。
② 「AI」が「エアイ」「チュール」になる問題
- 原因: 「AI」をそのまま渡すと「え・あ・い」と平坦に読まれたり、後続の「ツール」と結合して口蓋化（舌足らずな発音）を起こす。
- 解決策: 正規表現で「AI」を自動的に「、えーあい、」へ置換。前後に微小なポーズを挟むことで、母音の引きずりをリセットし、日本人が自然に感じる頭高アクセント（「エーアイ」）へ強制補正。
③ 「サ行（さ・し・す・せ・そ）」が耳障りにシャリつく問題
- 原因: 高周波帯域（4kHz〜8kHz）の空気の擦れ音（歯擦音 / Sibilance）がAI生成時に強調されてしまう。
- 解決策: 二重ディエッサー（Double-Guard De-Esser）を実装。参照する元音声自体のサ行を事前平滑化し、生成後にもサ行のトゲが出た瞬間だけをピンポイントで抑えるダイナミックEQを適用。
④ 「ドラム缶の中で喋っているようなこもり音」の罠
- 原因: 音のトーンを変えようとして適用したプログラム的なピッチシフト（位相ボコーダー）が、波形の位相干渉（フェーズキャンセル）を引き起こしていた。
- 解決策: 不自然な周波数加工を完全撤廃。サンプリングパラメータ（Temperature）の値を慎重に調整しながら生成の安定性と声の自然さを両立させるピュア生成方式へ戻すことで、クリアな抜け感を回復。
⑤ 1文ごとの「プチッ」とした途切れ感
- 原因: 自動文分割処理によって文と文の間に「振幅0の完全無音ギャップ」が発生し、さらにノイズリダクションが文末の余韻を「雑音」と誤認して切り落としていた。
- 解決策: 自動分割を廃止し、1本の流れるような一息の文脈（シームレス・フロー）として推論。文末にはミリ秒単位のスムースフェードを適用。
⑥ 「036Factory」などの長い固有名詞でモタつく
- 原因: 文字密度の高いカタカナや英字展開語（ゼロサンロクファクトリー等）を通常の速度で読むと、間延びして聞こえる。
- 解決策: Pacing Optimizer（適応型テンポ自動最適化）を開発。文章内のカタカナや長音の比率を自動スキャンし、モタつきやすいフレーズだけを自動で1.16x〜1.19xにテンポアップする仕組みを内蔵。
⑦ 高音の抜け感（空気感）の復元
- 原因: ノイズやサ行を抑えるために高域全体を削りすぎた結果、布を一枚挟んだようなこもり感が生じていた。
- 解決策: Pro Air Masteringを適用。8.5kHz〜11kHzの高域倍音（エアバンド）を優しく引き上げ、サ行のトゲだけを消しながら、マイクの直前で喋っているような透明感・空気感を復元。
4. 人間の役割は「コードを書くこと」ではなく「違和感に気づくこと」
この一連の開発を通じて、強く実感したことがあります。
「AI時代における人間の価値は、コードを書く能力ではなく、違和感に気づく『耳と感性』にある」ということです。
今回、Pythonのコードを書いたり、DSP（デジタル信号処理）のフィルター数式を組んだり、エラーログを解析したのはすべてAIエージェントです。
しかし、
- 「サ行の音が擦れて耳障りだ」
- 「エーアイの発音が不自然だ」
- 「なんだかドラム缶の中で喋っているように聞こえる」
- 「感情を無理に入れるより、フラットな方が自然だ」
- 「036Factoryの読み出しがモタついている」
という「微細な違和感」を察知し、妥協せずにフィードバックを与え続けたのは人間の耳であり、感性でした。
人間が「違和感」を言葉にし、AIがそれを「技術」で即座に具現化する。
このキャッチボール（ペアプログラミング）を繰り返すことで、市販の汎用TTSとは違い、自分自身の耳が納得できるところまで調整した専用エンジンが完成しました。
5. まとめ：自分の閃きを数千円で具現化する生き方
完成したスクリプトは、現在 scripts/generate_my_voice.py としてプロジェクト内に鎮座しています。
チャット上で「この原稿を僕の声でナレーションにして」と投げるだけで、数秒後にはサ行のトゲがなく、透明感のある落ち着いたナレーションWAVが手に入ります。
今後は、この音声を使って動画制作のナレーションを効率化するだけでなく、036FactoryのバリスタAI「Ann」やテックロボ「Nano」（VOICEVOX）との3者掛け合い解説動画をレンダリングするパイプラインへと合流させていく予定です。
既存のWebサービスに毎月お金を払い続ける「消費者」で居続ける必要はありません。
もしあなたの中に「こういうツールがあったらいいのに」という閃きがあるなら、ぜひAIエージェントを相棒にして、数千円の自己投資から始めてみてください。
数時間後、あなたのPCの中には、手元に残り続ける自分専用のローカル環境が完成しているはずです。
【※ ライセンスについての注意書き】
本記事で検証・構築に利用した「XTTS-v2」は、Coqui Public Model License（CPML）が適用され、モデルおよび生成物は非商用利用に限定されています。個人の学習・実験・趣味用途などを想定したライセンスであり、収益化したYouTube動画、広告・アフィリエイトを含むコンテンツ、商品・サービスの宣伝など、収益につながる用途への利用には注意が必要です。商用利用を前提とする場合は、商用利用が明示的に許可された別のTTSを選択してください。