AIでクローン音声（クラウドvsローカル聞き比べ）
この動画を3行で要約
- ぼくの声をコピーした2つのAI音声を、実際に切り替えながら聞き比べます。
- クラウド型とローカル型のちがい、生成の速さ、料金、使い方をまとめて確認します。
- 実験はローカル、本番はクラウドという今の使い分けまで分かります。
章タイムスタンプ（7章）
この動画をテキストで読む（約3分）
この声はぜんぶAI
こんにちは、しゅうへいです。今日は、ぼくの声をコピーした2つのAI音声を、聞き比べるレビューです。
実はこのナレーション、場面ごとに2種類のAI音声を切り替えながら進みます。画面の右上に、いまどちらの声かを出しておくので、違いを探しながら聞いてみてください。
いま声が切り替わりました
はい、いま切り替わりました。ここからは、ローカルAIの声です。ぼくのパソコンの中だけで作られていて、料金はゼロ円です。
正直、どこが変わったのか、分からなかった人も多いんじゃないでしょうか。
クラウド型とローカル型のちがい
2つの違いは、声を作る場所です。クラウド型は、台本のテキストをネットの向こうのサーバーへ送って、できあがった音声を受け取ります。ローカル型は、外に何も送らず、手元のパソコンの中だけで完結します。
速さは、どちらも実用レベルです。30秒ぶんのナレーションなら、生成はどちらも10秒ほど。Apple SiliconのMacなら、ローカルでもじゅうぶん軽く動きます。
いつもの講義の声と料金
そして、いま。いつものクラウドの声に戻りました。ぼくが普段の講義で使っているのは、こっちです。MiniMaxというサービスに、ぼくの声を登録してあります。
気になる料金です。クラウド型は、1000文字あたり約15円。3分の講義1本で、約20円です。月に100本、講義を量産しても、数千円におさまります。
一方、ローカル型は、何本作ってもゼロ円です。ぼくの声のコピーに必要だったのは、たった25秒の録音だけ。追加の学習も、月額の契約も、いりません。
使い方とゼロショットのいま
使い方も、難しくありません。Claude CodeやCodexに、Irodori-TTSという無料AIを入れて、と頼めば、環境構築から生成まで、ぜんぶやってくれます。あとは、聞いた印象を伝えるだけで、調整が進みます。
ちょっとだけ、昔話です。少し前のボイスクローンは、長時間の録音と、面倒な学習が必要でした。いまは、短い参照音声を渡すだけの、ゼロショットという方式が主流です。ハードルは、この1年で一気に下がりました。
品質の検証と結論
品質はどうか。ぼくの検証では、200文字の台本を、どちらも読み間違いゼロで一発クリアでした。ただ、ローカル型は、たまにイントネーションが訛るという報告もあります。安定感では、実績のあるクラウド型が一歩リードです。
まとめます。費用の差は、講義1本あたり、たった20円。正直、誤差です。それより大きいのは、ゼロ円で何度でもやり直せる気軽さ。実験はローカルで、本番はクラウドで。これが今のところの、ぼくの結論です。
答え合わせ
ちなみに、この最後の挨拶は、ゼロ円のローカルの声でした。なお、この講義の音声はAIで生成しています。
次におすすめ
