ボイスクローンとは?仕組みと使うときの注意点

似た形の音声の波形を並べた画面とマイク。ボイスクローンの仕組みと注意点

この記事でわかること

  • ボイスクローンの一文の定義と、身近な言い換え
  • 少ない録音から声を写し取る2つの仕組み
  • ボイスクローンが使われる場面と使われない場面
  • 音声合成・吹き替えとの違い
  • 使うときに確かめたい同意となりすましの注意点

まず読む: AI吹き替えの仕組みとは?声ができるまでの4つの段階と限界

ボイスクローンとは?

ボイスクローンとは、ある人の声の特徴をAIに学ばせて、その人が実際には話していない言葉も、同じ声で話させる技術です。身近な言い方をすれば「声のコピー」です。文字を入れると、その人が読み上げているような音声ができあがります。

もともと、AIに文字を読ませる音声合成は、決まった何人かの声しか出せませんでした。ボイスクローンは、そこに「特定の人の声で」という条件を足したものです。機械学習の国際会議 NeurIPS 2018 で発表された研究は、冒頭で、ボイスクローンは人それぞれに合わせた音声の仕組みとして強く求められている機能だと述べています[1]。

一方で、同じ技術は、本人になりすます道具にもなります。便利さと危うさが同じ技術の表と裏にあることが、ボイスクローンという言葉を理解するときの大事なところです。

ボイスクローンで何ができる?

ボイスクローンでできることは、大きく分けて次の3つです。

  • 本人が録音しなくても、本人の声で話させる:原稿を直すたびに録り直さなくても、文字を変えるだけで同じ声の音声を作れます
  • ほかの言語でも、本人に近い声で話させる:吹き替えに使うと、日本語で話した人が英語で話しているように聞こえる音声を作れます
  • 声を失った人の声を残す:病気などで声が出にくくなる前に録音しておき、その声で話す手段として使う取り組みもあります

どれも「その人の声であること」に価値がある使い方です。逆に言えば、声がだれのものでもよい説明や案内では、ボイスクローンを使う理由はあまりありません。

ボイスクローンの仕組みは?

ボイスクローンは、たくさんの人の声で学んだ音声合成のAIに、目当ての人の声の特徴を覚えさせることで作ります。この研究は、少ない録音から人の声を作り出す仕組みを示し[1]、その方法として2つの考え方を比べました[1]。

仕組み何をするか特徴
話者適応(speaker adaptation)すでにある音声合成のAIを、目当ての人の録音で追加学習させる似せやすいが、学習に時間と計算がかかる
話者エンコード(speaker encoding)録音から「声の特徴を表す数値」を取り出し、それを手がかりに話させる追加学習が要らず、早く・軽く作れる

この研究は、どちらの方法でも、少ない録音から自然さと元の話し手への似かたの両方で良い結果が出たと報告しています[1]。少しの録音で似た声が作れるということは、使う側にとっては手軽さであり、声の持ち主にとっては、知らないうちに声を写し取られる心配でもあります。

ボイスクローンはどんな場面で使う?

ボイスクローンが使われるのは、声の主がはっきりしていて、その人の声であることに意味がある場面です。

  • 本人が登場する動画の言語を増やし、本人に近い声で話させたいとき
  • 同じナレーターの声で、原稿の修正版を何度も作りたいとき
  • ゲームやアニメなどで、決まった役の声を続けて使いたいとき

一方、社内研修・業務マニュアル・安全教育のように「内容を正しく伝えること」が目的の動画では、声がだれの声かは大きな問題になりにくいものです。こうした動画では、AIが用意した声で説明するほうが、同意の手間や権利の心配が少なく済みます。研修動画を多言語にする全体の流れは、研修動画の多言語化の方法にまとめています。

マイクとヘッドホンが置かれた録音室

音声合成・吹き替えとは何が違う?

ボイスクローンと混ざりやすい言葉を整理します。

言葉意味ボイスクローンとの関係
音声合成文字を声にして読み上げる技術全体ボイスクローンは、音声合成のうち「特定の人の声で」話させるもの
吹き替え動画の声を、別の言語の声に置きかえること吹き替えの声に、元の話し手の声をまねる方式と、まねない方式がある
ディープフェイクAIで本物そっくりの映像や音声を作ること声を使ったなりすましは、ボイスクローンの悪い使い方の一つ

とくに大事なのは、AI吹き替えがいつもボイスクローンとは限らないことです。AI吹き替えには、元の話し手の声に似せる方式と、AIの声の中から選んで話させる方式があります。仕組みのちがいはAI吹き替えの仕組みで詳しく書きました。

koevo は選ぶ方式です。動画に映っている人(話し手)の声を写し取って吹き替えを作ることはなく[3]、吹き替えの声は AI の声の中から言語ごとに自動で選ばれます[3]。実在の声優・ナレーター・タレントなど、特定の人の声に似せる機能もありません[3]。今後も、本人の同意なく声を再現する機能は作らないと決めています[3]。なぜそう決めたかは、koevo の声の考え方に書いています。

マイクと音声の波形の画面。合成音声ナレーションと吹き替えを比べる机

ボイスクローンを使うときの注意点は?

ボイスクローンの心配は、技術が良くなるほど大きくなります。アメリカの連邦取引委員会(FTC)は、音声合成のAIの進歩によって、ボイスクローンの技術がますます高度になっていると説明しています[2]。FTC はボイスクローンの害から消費者を守るための取り組みを募る公募を行い、その目的として、詐欺や、生体の情報・創作物の悪用といった害を挙げました[2]。そのうえで、ボイスクローンなどのAIの危うさは、技術だけでは防げないとしています[2]。

技術だけで防げない以上、使う側の決まりが大切です。会社でボイスクローンや声を使うAIを扱うときは、次の点を確かめてください。

  • 声の持ち主の同意を取る:何に使い、どこで公開し、いつまで使うかを説明してから了承を得ます。koevo でも、動画に映っている人(声・姿)から、多言語にすることへの同意を事前に得るようお願いしています[3]
  • AIの声だと伝える:見る人が本人の肉声だと思い込まないように、必要に応じてAIで作った音声だと伝えます。koevo も利用者にそうお願いしています[3]
  • 他人の声を素材にしない:声優・ナレーターの演技や番組の音声を、許可なく学習や吹き替えの素材にしないでください
  • 声だけの依頼をうのみにしない:上司や家族の声で、お金や情報を求める連絡が来たら、別の手段で本人に確かめる習慣を社内で共有します

研修やマニュアルの動画なら、そもそも声を写し取らない方式を選ぶことも、注意点を減らすいちばん確実な方法の一つです。

よくある質問

ボイスクローンは何秒くらいの録音で作れますか?

方式によって違います。研究では少ない録音からでも似た声を作れると報告されていますが、必要な長さや仕上がりは技術やサービスごとに異なります。使うサービスの説明を確かめてください。

ボイスクローンを使うのに本人の同意は要りますか?

本人の声を写し取る以上、声の持ち主から事前に同意を得るのが基本です。社内の動画でも、映っている人・話している人に、何に使うかを説明して了承を得てから使ってください。

AI吹き替えはすべてボイスクローンですか?

いいえ。話し手の声に似せる方式もあれば、AIが用意した声の中から選んで話させる方式もあります。koevo は話し手の声をまねず、AIの声から言語ごとに自動で選ぶ方式です。

自分の声がまねされた音声に気づくにはどうすればよいですか?

見た目や声だけで見分けるのは難しくなっています。お金や個人情報に関わる依頼が声だけで届いたら、別の連絡手段で本人に確かめる習慣が役に立ちます。

ボイスクローンは、少ない録音からでも人の声を写し取り、その声で話させる技術です。本人の声に意味がある場面では役に立ちますが、同意のない利用やなりすましの心配もあります。使うときは声の持ち主の同意を取り、AIの声だと伝えることが基本です。内容を伝えることが目的の動画なら、声を写し取らない方式を選ぶのも一つの答えです。

おわりに

ボイスクローンの仕組みと注意点について、いかがでしたか?少ない録音から似た声を作れるようになった反面、声の持ち主の同意と、AIの声だと伝えることが欠かせない、というお話でした。

ちなみにスリーでは、「koevo」というサービスを提供しています。日本語の動画から、翻訳・字幕・吹き替えをまとめて作る動画の多言語化の仕組みです。研修やマニュアルの動画を、母国語の声で届けられます。研修やマニュアルの動画を、母国語の声で吹き替えて届けたいときにお使いいただけます。よろしければ、サービスページものぞいてみてください。

koevo のサービスページを見てみる

よくある質問

ボイスクローンは何秒くらいの録音で作れますか?

方式によって違います。研究では少ない録音からでも似た声を作れると報告されていますが、必要な長さや仕上がりは技術やサービスごとに異なります。使うサービスの説明を確かめてください。

ボイスクローンを使うのに本人の同意は要りますか?

本人の声を写し取る以上、声の持ち主から事前に同意を得るのが基本です。社内の動画でも、映っている人・話している人に、何に使うかを説明して了承を得てから使ってください。

AI吹き替えはすべてボイスクローンですか?

いいえ。話し手の声に似せる方式もあれば、AIが用意した声の中から選んで話させる方式もあります。koevo は話し手の声をまねず、AIの声から言語ごとに自動で選ぶ方式です。

自分の声がまねされた音声に気づくにはどうすればよいですか?

見た目や声だけで見分けるのは難しくなっています。お金や個人情報に関わる依頼が声だけで届いたら、別の連絡手段で本人に確かめる習慣が役に立ちます。

参考文献

論文 1公的資料 1自社の一次資料 1

この記事は 3 本の出典をもとに書いています。うち 3 本は、引用した文が出典のページにあることを確かめています(2026年11月20日)。

  1. Arik et al. (2018) Neural Voice Cloning with a Few Samples. Advances in Neural Information Processing Systems 31 (NeurIPS 2018)論文
  2. Federal Trade Commission「The FTC Voice Cloning Challenge」公的資料
  3. koevo の声について自社の一次資料

この記事を書いた人

動画の多言語化に毎日向き合っている koevo のチームが書いています。数字や制度は、元の資料へのリンクを付けています。