音声・ナレーション生成AIの費用。人の声とどう使い分けるか

動画のナレーション、電話の自動応答、社内研修の音声。人の声が必要な場面は多いが、収録には時間と費用がかかる。修正のたびに録り直しが必要になる点も負担だ。

音声生成AIは、この制約をどこまで外せるのか。費用と、人の声を使うべき場面との使い分けを整理する。

1. 音声生成AIの現在地

数年前の合成音声は、聞けば機械だと分かるものだった。現在は用途によっては人の声と区別がつかない水準に達している。

ただし「どんな場面でも人の代わりになる」わけではない。実力を用途別に整理する。

実用水準にある用途

説明・解説のナレーション。淡々と情報を伝える音声。研修動画、マニュアル、商品説明。違和感なく使える。

定型的な案内。電話の自動応答、施設内アナウンス、注意喚起。

多言語版の音声。同じ内容を複数言語で。ネイティブ話者を手配するより圧倒的に速い。

下読み・仮ナレーション。本番収録の前に、尺やタイミングを確認する用途。

大量のコンテンツ。商品ごとの説明音声など、本数が多いもの。

まだ人の声が必要な用途

感情を伝える表現。喜び、驚き、共感。細やかな感情表現は不自然になりやすい。

ブランドの顔となる声。CMのナレーション、企業の代表的なメッセージ。

掛け合い・対話。複数人の自然な会話。

長時間の視聴。30分を超えると、微妙な不自然さが疲れにつながる。

信頼が重要な場面。重要な契約説明、医療情報の案内。

2. 費用の比較

10分のナレーションを制作する場合。

声優・ナレーターへの依頼

項目	費用
ナレーター費用	3万〜15万円
スタジオ費用	1万〜5万円
ディレクション・編集	2万〜8万円
合計	6万〜28万円
修正時の追加	1万〜10万円（再収録）
期間	1〜3週間

音声生成AI

項目	費用
サービス利用料	月1,000円〜3万円（使い放題または従量）
10分の生成	数十円〜数百円
原稿調整の工数	1〜3時間
期間	数分〜数時間

修正が容易な点が最も大きい違いだ。原稿を1行直すだけで、その部分を再生成できる。人の収録では再度スケジュールを押さえる必要がある。

3. 声の種類をどう選ぶか

既製の音声

サービスが提供する声を選ぶ。数十〜数百種類から選択できる。

費用：月1,000円〜3万円 利点：即日使える。費用が安い。 制約：他社と同じ声になる可能性がある。

自社専用の音声（声のクローン）

特定の人物の声を学習させ、その声で読み上げる。

費用：初期10万〜50万円 + 月額数千円〜2万円 必要な素材：10〜60分程度の音声収録 利点：一貫した声で運用できる。ブランドの声として使える。 制約：本人の同意と、利用範囲の整理が必要。

使い分け

社内向けなら既製の音声で十分だ。対外的に継続発信するなら、自社専用の音声に価値がある。

4. 品質を上げる原稿の書き方

音声生成の品質は、原稿で大きく変わる。技術的な調整より、原稿の改善のほうが効果的だ。

一文を短くする。長い文は不自然な息継ぎになる。40〜60文字を目安にする。

読み方の指定が必要な語を減らす。数字、英字、固有名詞。読み間違いが起きやすい箇所は、ひらがなで書くか、読み方を指定する。

句読点で間を作る。読点の位置が間の長さを決める。声に出して読み、自然な位置に置く。

接続詞を減らす。書き言葉では自然でも、話し言葉では冗長になる。

同音異義語を避ける。「開始」と「回시」など、文脈で判断が必要な語は誤読の原因になる。

箇条書きは文章に直す。箇条書きをそのまま読ませると不自然になる。

数字の表記を統一する。「1,000」を「せんこ」と読むか「いっせん」と読むか。指定が必要な場合がある。

5. 電話応答への活用

音声生成AIの用途として増えているのが、電話の自動応答だ。

一次受付。営業時間、場所、基本的な案内。定型的な質問への回答。

用件の振り分け。内容を聞き取り、適切な担当につなぐ。

折り返し予約。混雑時に用件を記録し、後から折り返す。

時間外対応。営業時間外の受付。

費用：初期100万〜500万円、月額3万〜20万円

注意点：音声認識の精度が課題になる。騒音環境、方言、早口。日本語の電話応答は、想定より難易度が高い。PoCでの検証が必須になる。

そして、人につながらないことへの不満は根強い。「担当者と話したい」という要求には、すぐ応じる設計が必要だ。

6. 法的・倫理的な確認事項

本人の同意。声をクローンする場合、書面での同意を得る。利用範囲、期間、退職後の扱いを明記する。

なりすましの防止。他人の声を無断で複製することは、権利侵害にあたる可能性がある。

AI音声であることの明示。用途によっては明示が求められる。電話応答では、冒頭で伝えるのが一般的だ。

録音の同意。電話応答で通話を録音する場合、事前の告知が必要になる。

声優との契約。既存の収録音源を学習に使う場合、契約上の可否を確認する。

これらは技術ではなく運用の問題であり、導入前に整理しておく必要がある。

7. 費用対効果の試算

社内研修動画に導入する場合

導入前：年20本 × ナレーション費用8万円 = 年160万円 導入後：サービス利用料 月1万円 = 年12万円 + 原稿調整 年40時間 = 12万円

年136万円の削減。加えて、内容の更新が容易になる効果がある。

多言語展開に導入する場合

導入前：5言語 × 1本あたり20万円 = 100万円/本 導入後：翻訳費用 + 音声生成 = 15万円/本

1本あたり85万円の削減。年10本なら850万円になる。

効果が大きいのは、本数が多い場合と多言語の場合である。年数本なら、人に依頼するほうが品質面で有利だ。

8. 導入の進め方

第1段階（1週間・無料〜数千円） 実際の原稿でサンプルを作る。社内の複数名に聞いてもらい、違和感の有無を確認する。

第2段階（1〜2か月・月1,000円〜3万円） 社内向けコンテンツで運用する。研修動画、マニュアル。品質への要求が緩い用途から。

第3段階（2〜3か月） 対外的なコンテンツへ展開する。この段階で、自社専用の音声を検討する。

第4段階 電話応答など、リアルタイム性のある用途へ。ここは別途PoCが必要になる。

サンプルを社内で聞いてもらう工程を飛ばさない。 担当者が良いと思っても、他の人が違和感を持つことは多い。

9. 聞き手の受け止め

技術的な品質と、聞き手の受容は別の問題だ。

慣れの効果。最初は違和感があっても、繰り返し聞くうちに気にならなくなる。社内向けでは特にそうだ。

用途による期待の差。研修動画では受け入れられても、顧客向けの重要な案内では不信感につながることがある。

明示の影響。「AI音声です」と明示すると、かえって受け入れられやすいという傾向もある。隠すより誠実だ。

年代による差。若い層のほうが抵抗が少ない傾向がある。対象者を考慮したい。

小規模に試して反応を見るのが確実だ。

10. よくある失敗

原稿をそのまま読ませた。書き言葉のまま生成し、不自然な音声になる。

確認を省いた。固有名詞の読み間違いが本番で発覚する。

尺を長くしすぎた。30分の音声は聞き続けられない。

BGMや効果音を入れなかった。合成音声だけが続くと単調になる。適度な音楽が違和感を和らげる。

本人の同意なく声を複製した。法的なリスクに加え、信頼の問題になる。

電話応答で人につながらない設計にした。不満が蓄積し、かえって評判を落とす。

11. まとめ

音声生成AIは、説明ナレーション、定型案内、多言語版、大量コンテンツで実用段階にある。人への依頼と比べ、費用は10分の1以下、期間は数分〜数時間で済む。

一方、感情表現、ブランドの顔となる声、対話、長時間の視聴では、まだ人の声が必要になる。

品質を左右するのは技術より原稿の書き方だ。一文を短く、読み間違いの起きやすい語を整理し、句読点で間を作る。これだけで印象が変わる。

そして、声をクローンする場合は本人の同意と利用範囲の整理を先に行う。技術的な検討より優先すべき論点になる。

自社の場合の費用はAI開発費用の無料診断で確認できる。音声AI全般の相場は音声AIの費用相場、映像とあわせた活用はAIアバター・デジタルヒューマン制作の費用で解説している。