男女の声を分ける手作業はもういらない？Irodori-TTSとHeyGenでポッドキャスト動画づくりを自動化した話

本ページはプロモーション（広告）を含みます。

❓ 男女の会話動画、作るのが大変じゃない？

2人が会話するポッドキャスト動画って、作るのがけっこう大変なんです。会話の音声は、男女の声が1本のトラックにまとまってしまうので、リップシンク動画を作るには、男性の声と女性の声を手作業で分ける必要がありました。僕はこれまで何本も作ってきましたが、毎回この作業に時間を取られていました。

声を分けるだけで、そんなに大変なの？聞いていると、ただ切り分けるだけに思えちゃうけど。でも、1本の動画で何十回も話者が入れ替わるなら、確かに気が遠くなりそうね。何かいい方法はなかったの？

🎙️ 話題のIrodori-TTSと、30秒の壁

そこで目をつけたのが、話題の日本語TTS「Irodori-TTS」です。自分のPCの中で動くのに、日本語がとても自然なんです。ただ、試してみるとひとつ制限がありました。1回に生成できる音声が、30秒までなんです。10分のポッドキャストを丸ごと読ませる、というわけにはいきません。

えっ、30秒だけ？それじゃあ、長いポッドキャスト動画には使えないってこと？せっかく自然な声なのに、もったいないわね。10分の動画を作るなら、何回も区切って作り直さないといけないじゃない。

💡 発話ブロックなら、30秒で十分だった

僕も最初はそう思いました。でも台本を見直して気づいたんです。会話は「Kennyが話す」「エリカが答える」のくり返しで、ひとつの発話は長くても30秒ほど。発話ごとに声を作り、順番に並べて、相手が話す部分を無音で埋めれば、男性だけ、女性だけのトラックが最初から完成するんです。

なるほど、最初から別々に作っちゃえば、あとで分ける必要がないのね。30秒の制限が、逆にちょうどいい区切りになっているなんて面白いわ。じゃあ、その2本のトラックから、どうやって動画にするの？

🎬 台本から動画まで、ひとつのアプリに

それぞれのトラックでアバターの口を動かせば、男女のリップシンク動画ができます。リップシンクにはHeyGenのAPIを使いました。設計はChatGPTに相談し、実装はCodexに任せて、台本の入力から完成動画の書き出しまでを、ひとつのデスクトップアプリにまとめたんです。オープニングとクロージングも付けられます。

そのアプリで作った動画、私も見たわ。オープニングで同時に話すところ、2人の息がかなりずれてたけど、クロージングでは息ぴったりで安心しちゃった。でも、どうやって作ったのか気になるわね。

👉 技術選定や苦労話は、noteで公開中

アプリの技術選定や仕様、そして作ってみて苦労したところは、noteの記事にまとめています。なぜデスクトップアプリにしたのか、Canvaのような編集画面にした理由、Irodori-TTSで僕の声が急におじいさんになってしまった話まで、具体的に書きました。完成した動画も、記事の中で見られます。

おじいさんの声の話、すごく気になる！AIの声って、自然なら何でも安定して読めるわけじゃないのね。自分でもポッドキャスト動画を作ってみたい人や、AIでアプリを作ってみたい人は、ぜひ続きを読んでみてね。

👉 元記事を読む
【Irodori-TTS】話題の日本語TTSとHeyGen-APIでリップシンクのポッドキャスト動画を全自動で作ってみた
https://note.com/gentle_hawk873/n/n3caaa9e760c4