AI英会話のアプリから流れてくる声が、どこかで聞いた既製の声ではなく「そのサービスにしかない声」であることがある。これを作る仕掛けがカスタム音声だ。
名前だけ見ると、手本の音声を何本か渡せば似た声が出てくる機能のように思える。
公式の仕様書を開くと、そうではない。
申請、声の持ち主の同意、台本の中身の配分、録音の数値、トレーニングの方式。
越えるべき関門が順番に並んでいる。
この記事では、AIの部品を売っている会社の開発者向けドキュメントに書かれている条件だけを材料にして、その関門を1つずつ開けていく。
扱うのは Microsoft Learn のカスタム音声の概要と、その配下にある録音とトレーニングの手引きである。
サービスの順位づけや比較はしない。
仕組みの話だけをする。
【結論】AI英会話のカスタム音声は、審査を通った人だけが300発話から作れる
先に答えを置いておく。
公式ドキュメントは、この機能を「アプリ用の独自の合成音声を作れるテキスト読み上げ機能」と位置づけたうえで、利用の入口に2つの関門を置いている。
| 関門 | 公式が求めていること |
|---|---|
| 使う資格 | 適格性と使用条件に基づいてアクセスが制限されており、入力フォームから利用を申請する |
| 声の持ち主 | ボイス タレントが同意を読み上げた録音を提出してから、微調整に進む |
| 材料の量 | モデルの学習に使う発話を少なくとも300個選ぶ |
| 品質の担保 | アップロード時に品質チェックが自動で走り、エラーを全部直してから再送信する |
⇒ 技術の話に入る前に、申請と同意という事務の関門が先に立っている。
「AI英会話のアプリが独自の声を持っていない」ことが多いのは、能力の問題というより、この入口を通るコストの問題として読める。
AI英会話のカスタム音声①｜標準音声と何が違うのか
公式は、独自の声が要らないなら標準音声で用は足りる、とはっきり書いている。
初期設定のままでも、対応言語ごとに用意された標準音声で音声合成は動く。
そしてドキュメントは、一意の音声が必要でない場合、標準音声はほとんどの読み上げ用途で十分に働くという趣旨の一文を置いている。
Azure Speech の機能一覧のほうも、音声の選択肢を2つに分けて整理している。
- 標準音声＝すぐ使える自然な声から選ぶ。音声ギャラリーで実物のサンプルを聞いて決める。
- カスタム音声＝ブランドや製品に固有の、見分けがつく声を作る。非公開であり、競争上の優位になりうると書かれている。
- どちらの場合も、SSML（音声合成マークアップ言語）でピッチ・発音・読み上げ速度・音量を細かく動かせる。
⇒ カスタム音声の値打ちは「うまく喋ること」ではなく「他が持っていない声であること」に置かれている。
AI英会話のカスタム音声②｜声が出るまでに通る3つの部品
文字が音になるまでの道筋は、公式が3段に分けて説明している。
| 順 | 部品 | そこで何が起きるか |
|---|---|---|
| ① | テキスト アナライザー | 入ってきた文を、音素のシーケンスという形に変える |
| ② | ニューラル音響モデル | その音素の並びから、音声信号を決める音響の特徴を予測する |
| ③ | ニューラル ボコーダー | 音響の特徴を、耳に聞こえる波に変換する |
ここで言う音素とは、ある言語において、ある単語を別の単語と区別するための最小の音の単位だと定義されている。
②で予測される音響の特徴として、ドキュメントは音色、話し方、速度、イントネーション、強勢パターンを挙げている。
つまり「誰の声に聞こえるか」を決めているのは、主に②の音響モデルの側である。
英語学習者の耳から見ると、①の出来が発音の正しさに、②の出来が話し手らしさに、③の出来が音の生々しさに、それぞれ効いてくる構図になる。
AI英会話のカスタム音声③｜声の主の同意は、録音で提出する
この機能でいちばん特殊なのは、同意の取り方だ。
公式の手順は、プロの声を微調整する作業に入る前段として、ボイス タレント本人の同意を述べた声明の録音を、先に送っておくことを求めている。
この記録は、音声データを微調整に使うことへの同意文を、その本人が読み上げたものだと説明されている。
書面にサインするのではなく、声そのもので同意を出させる形になっている。
モデルをトレーニングする画面でも、トレーニング データの話者に対応するスピーカー ファイルを選ぶ操作が手順に組み込まれている。
作業の前段では、音声サンプルの録音ガイドが、役割を4つに分けて置くことを勧めている。
- ボイス タレント＝その人の声が、できあがるカスタム音声の土台になる。
- 録音エンジニア＝機材を操作し、録音の技術面を見る。
- ディレクター＝台本を用意し、読み方を指示する。
- エディター＝音声ファイルを仕上げ、アップロードできる形にする。
同じガイドは、声の仕事の負荷にも触れていて、多くのボイス タレントは1日に2〜3時間しか録音できないとし、セッションは週3〜4日に抑え、あいだに休みの日を入れるよう勧めている。
AI英会話のカスタム音声④｜台本は中身の配分まで決められている
読ませる文を適当に集めてよいわけではない。
録音ガイドは、台本に入れる文の種類ごとに、占めるべき割合を示している。
| 文の種類 | 台本に占める割合 | 補足 |
|---|---|---|
| ステートメント文 | 70〜80% | 台本の主役になる |
| 短い単語・語句 | 約10% | 1件あたり5〜7語。読み手が区切れるようコンマで割る |
| 質問文（省略可） | 10〜20% | うち上昇調5〜10%、下降調5〜10% |
| 感嘆文（省略可） | 10〜20% | 感嘆を声に乗せたいなら要る |
文の長さにも目安があり、2〜15秒、ラテン語系の言語なら5〜30語、そうでない言語なら4〜80語とされている。
同じ文を2回入れてはいけない、という条件も別に置かれている。
量の話では、たとえば2,000文を録るなら、半分を一般的な文、もう半分を対象分野やアプリの用途に沿った文にする、という配分例が出ている。
もうひとつ、読み手用の台本と学習用の台本は別物になる場合がある、という注意もある。
- 略語は、字面のままではなく読み下した形にそろえる（
BTWではなくby the way）。 - 数字は1桁ずつ離す（
911ではなく9 1 1）。 - 頭字語も1文字ずつ離す（
ABCではなくA B C）。 - 記号や通貨は言葉に直す（
50%は「50 パーセント」、$45は「45 ドル」）。
⇒ 録音と台本の文字列が食い違うと、そのぶんモデルの学習材料が濁る。だから正規化が手順に入っている。
AI英会話のカスタム音声⑤｜録音の質は数値で線が引かれている
ここは感覚の話ではなく、全部が数字で書かれている。
| どこを見るか | 公式が示している値 |
|---|---|
| 音の細かさ | 24 KHz で、16 ビットの PCM |
| 静かさ | SNR が 35 dB を超えていること |
| 大きさ | ピークで -3 dB から -6 dB のあいだ |
| 話す前の雑音 | -70 dB を下回ること |
| 前後の間 | 200 ミリ秒までに収める。推奨は 100 ミリ秒 |
| 入れ物 | モノラルの wav ファイル |
SNR については、専門のスタジオで録れば35以上に届くのが普通で、20を下回ると生成された声に耳で分かるノイズが混じりうる、と補足されている。
より高い設定で録ること自体は禁じられていない。
48 KHz・24 ビットのような形式で録ってもよく、その場合は微調整の段階で 24 KHz・16 ビット PCM へ自動的に落とされる、と書かれている。
ただし逆方向は厳しく、サンプリング レートが 16 KHz を割っているファイルは、よくあるエラーの一例として名指しで挙がっている。
AI英会話のカスタム音声⑥｜トレーニング方法は5つに分かれる
データがそろったあと、どう学習させるかでさらに枝分かれする。
モデルをトレーニングする手順のページは、選べる方法を次のように整理している。
- ニューラル – HD＝LLM ベースで、動きのある会話向けに最適化されていると説明される方式。
- ニューラル＝学習データと同じ言語の声を作る、いちばん素直な方式。
- ニューラル – 多言語＝1言語のデータから、複数の言語を話す声を作る。第2言語ぶんのデータは用意しなくてよい。
- ニューラル – マルチ スタイル＝追加データなしで複数のスタイルや感情を持たせる。カスタムのスタイルを足すなら、1スタイルにつき100発話以上のサンプルを添える。
- 言語をまたぐ方式＝学習データとは別の言語を話す声を作る。テスト用の台本のほうは、目的の言語で書く必要がある。
所要時間も書かれていて、プロの音声の微調整には平均でおよそ10時間かかるとされている。
同時に走らせられる本数にも上限があり、Standard（S0）のリソースでは4つの音声を並行してトレーニングできる、とある。
データの持ち込みにも枠があり、トレーニング データセットを追加するページには、S0 では同時にアップロードできるデータ ファイルが5個、サブスクリプションあたりの上限が 500 の .zip ファイルだと書かれている。
学習が終わるたびに、既定の台本で確かめるためのサンプル音声が100本、自動で生成される仕様にもなっている。
AI英会話のカスタム音声⑦｜完成した声にも、あとから手が入る
できあがった声は、固まった音源ではない。
公式は、学習に使ったボイス タレントの演技と録音の質によって、モデルのスタイルや癖が決まると前置きしたうえで、合成のたびに SSML で調整を入れられると書いている。
調整できる中身として挙がっているのは、ピッチ、速さ、イントネーションの変更と、発音の修正である。
複数のスタイルを持たせて学習させてあれば、SSML でスタイルの切り替えもできる。
使い道のほうも、標準音声と同じように扱えると説明されていて、その場で文字を声に変えることも、文字を入れてオフラインで音声コンテンツを作ることも、どちらも想定されている。
呼び出し口は REST API、Speech SDK、Speech Studio の3つが並記されている。
AI英会話のカスタム音声が、学習者の耳に届くとき
仕様の話を、アプリを触っているときの感覚に置き換えておく。
- 他のアプリと同じ声に聞こえる＝標準音声を使っている可能性がある。公式自身が、独自の声が不要ならそれで足りると書いている領域だ。
- キャラクターの声が一貫している＝録音ガイドが、ボイス タレント選びでいちばん大事な要素として一貫性を挙げている部分に対応する。
- 特定の単語だけ読み方が変＝音素へ変換する段の問題として整理でき、SSML の発音修正が当てられる範囲に入る。
- 同じ声が別の言語も話す＝多言語や言語をまたぐ方式で学習させた場合に起こる。第2言語ぶんの録音は不要だと明記されている。
- 声の追加や更新が遅い＝微調整は平均で約10時間、並行して回せるのは4本、という上限が効いてくる。
どれも英語力の話ではなく、音声の作り方の話である。
AI英会話のカスタム音声｜よくある質問
Q. 自分の声を登録して、AI英会話の相手にできるのか。 A. 仕組みの上では、自分の声をボイス タレントとして微調整することは想定されている。ただし公式は、適格性と使用条件に基づいてアクセスが制限されており、入力フォームから申請する必要があると書いている。誰でもすぐ使える機能ではない。
Q. 録音は何本くらい要るのか。 A. カスタム音声を作るには少なくとも300個の発話を選ぶ、と公式ドキュメントに書かれている。
特殊な話し方のペルソナが必要な場合は、1000、できれば2000の発話を用意してスタジオで録ることが勧められている。
Q. データを増やせば増やすほど自然になるのか。 A. そうとは書かれていない。
録音ガイドは、多くの言語では学習データを積み増しても声の自然さがそれに比例して上がるわけではない、という趣旨の検証結果を載せている。
そのうえで、単語の種類を広く含むデータが増えれば、不出来な箇所の比率を下げられる見込みは高くなる、という言い方をしている。
Q. スマートフォンで録った音声でも通るのか。 A. 公式が挙げている目安は、モノラルの wav、24 KHz、16 ビット PCM、SNR は 35 dB 超である。
さらに、サンプリング レートが 16 KHz を下回るファイルは、よくあるエラーとして列挙されている。
数値で線が引かれているので、機材より先にこの条件を見ることになる。
Q. 作った声は他社にも使われるのか。 A. 機能一覧のページは、カスタム音声はプライベートであり、競争上の利点になりうると書いている。
作った側に閉じる前提で説明されている。
まとめ｜AI英会話のカスタム音声は「声を作る」より「条件を満たす」仕事
もう一度、関門の順に整理しておく。
- 入口は申請と同意。アクセスは制限されており、声の持ち主の同意は読み上げた録音で提出する。
- 材料は300発話から。文の種類の配分も、長さも、重複の禁止も、あらかじめ決まっている。
- 録音は数値で合否が決まる。24 KHz・16 ビット・SNR 35 dB 超というラインが引かれている。
- 学習方法は5通り。多言語やマルチ スタイルを選べば、1言語ぶんのデータから守備範囲を広げられる。
- できたあともSSMLで動かせる。ピッチ・速さ・イントネーション・発音、そしてスタイルの切り替えが残っている。
⇒ AI英会話のアプリが独自の声を持っているかどうかは、技術の有無というより、この関門を通す体力があったかどうかの表れとして読める。
声が既製品に聞こえたとしても、それは手抜きではなく、公式が「それで足りる」と書いている選択肢を採っただけかもしれない。
※本記事の一次ソースは、各公式ドキュメントを2026-09-20に取得した生テキストで確認した。
仕様は更新されるため、最新は各公式ドキュメントで確認してほしい。
声・話速・発音の上書きを公式ドキュメントから分解した記事です。
英語の音声合成まで分解した記事
Comments