こんにちは。
「生成AIを可能な限り取り入れて」ショート動画を制作している人です。

目的は
「溢れているAIサービスの中から本質的な即戦力を発見し、日々アップデートし続ける」ことです。

今回はナレーション音声、テキスト読み上げ（Text to Speech）の生成AIについて見ていきます。

1. テキスト読み上げツールについて

ぱっと出てくるところでもたくさんありますよね。

• VOICEVOX(ずんだもんとか。)

• CapCutの読み上げ機能(TikTok御用達)

• 音読さん(ブラウザお手軽)

• GoogleやMicrosoftのTTS

• OpenAI TTS

etc..
今回は、OpenAI TTS、実際どうなん？という所を見たかったので
実際に使用して、ショート動画の制作をしていきます。

「日本語は違和感がある。」
「外国人の日本語っぽいイントネーション」
これ系の口コミを見かけますが、果たして実情はいかに！

2. Open AI TTSについて

とりあえず概要を共有しますね。

• 安い（$0.015 / 1000 文字）

• 6パターンの声質から選べる

2.1 費用について

今回6パターンの声サンプルを出して、更にショート動画1本分のナレーションを生成してみたのですが、Daily Costsは$0.01でした。1.5円くらい…?

2.2 6パターンの声質

• alloy

• fable

• echo

• onyx

• shimmer

• nova

この6種類です。
実際に聞いた方が早いと思うので、全パターン生成してみました。

お気に召したパターンはありましたか？

確かに、ちょっとイントネーションが外国人っぽさありますね。
実際動画にしてみると感じる違和感はどの程度なのか。

今回は、雑学・豆知識系のショート用ナレーションとして
渋めの声、onyx兄貴で行きたいと思います。

3. いざ、生成

順番に1つずつ生成していきます。

• GPTsでショート動画用テーマ選定

• GPTsで決定したテーマに沿った台本生成

• GPTsで台本に沿った画像生成

• OpenAI TTSで台本にそったナレーション生成

ということで、台本をぶち込んだだけでナレーションができました。
一部読み間違い箇所もあったので軽く修正だけしました。
（「放った」を「ほおった」と呼んでいたのでひらがな「はなった」に記載変更、など）

ということで出来たのがコチラ。
※一部自動文字おこしでテロップ間違いあります…!

どうでしょう。
「ん～ちょっと実用化厳しいレベルかな」
「意外といけてるか？」
…
人によって感想わかれそうではありますね。

個人的に、このナレーションで闘えるのか！？を確認したい感あるので
もうちょっとonyxをこすってショート出してみたいと思ってます。

動画編集 × AIを学ぶ同志の方いらっしゃいましたら、
フォローいただけると嬉しいです…!感謝の極み…!情報交換しましょう…!

かけだしのX(旧Twitter)アカウントは：こちらです。