映像のクオリティが標準化された時代に、差がつくのは音
数年前まで、動画制作で最も大きな壁は「映像をどうやって作るか」でした。撮影機材、照明、編集ソフト、そして何より撮影そのものに時間と人手が必要でした。ところが生成技術の進歩によって、テキストから映像素材を作れるようになり、絵コンテさえあれば短時間で見栄えのするカットが手に入るようになりました。結果として、映像の見た目は急速に平均点が上がっています。
その一方で、多くの制作者が後回しにしてきた領域が音です。ナレーションは仮の読み上げで済ませ、BGMはフリー素材から雰囲気だけで選び、効果音はほぼ入れない。この状態でも動画は完成しますが、視聴者に残る印象は驚くほど弱くなります。逆に、映像がシンプルでも、声と音楽と環境音が丁寧に設計されていれば、作品は記憶に残ります。
音は三つの層に分けて考えると整理しやすくなります。第一層は「声」で、ナレーションやセリフが該当します。情報を伝え、物語を進める主体です。第二層は「音楽」で、感情の温度を決め、シーンの意味を補強します。第三層は「環境音と効果音」で、空間の広がりと出来事の実在感を作ります。この三層がそれぞれ別の役割を持ち、互いに衝突しないように設計するのがサウンドデザインの仕事です。
この記事では、AI音声合成と自動BGM生成を軸に、企画から公開までの音の作り方を一つのワークフローとして整理します。特定のサービスに依存しない形で、判断基準と手順を示します。
AI音声合成で「語り部」を設計する
AI音声は、もはや単純な読み上げではありません。トーン、話速、抑揚、間の取り方、息遣いまで制御できるようになり、ナレーターを起用したのと同じ密度の音声を、短時間で作れるようになりました。ただし、ボタンを押せば感動的な語りが生まれるわけではありません。設計が必要です。
感情パラメータを分解する
「感情を込めて読む」という指示は、AIにとっても人間にとっても曖昧です。実際には次の要素に分解すると制御しやすくなります。
- トーン：明るい、落ち着いた、切実な、淡々とした
- 話速：情報提示は速め、感情の頂点は遅め
- 抑揚の幅：抑えるほど内省的、広げるほど演劇的
- 間：文末の余白、話題転換前の沈黙
- 音量変化：ささやきから語気を強めるまでの幅
- 息遣い：驚き、ためらい、安堵の表現
たとえば「彼はもう戻らない」という一文でも、文末に0.6秒の沈黙を入れるだけで意味が変わります。逆に、感情の頂点で話速を上げてしまうと、内容が軽く聞こえます。台本の行ごとに、この六要素のどこを動かすかをメモしておくと、生成の試行回数を大幅に減らせます。
台本を音声向けに書き換える
読み上げ用の台本は、記事の文章とは別物です。次の点を意識して書き換えます。
- 一文を短くする。長い従属節は音では追いきれない
- 漢字の読みが割れる語は、ひらがなや送り仮名で補う
- 数字は読み方まで指定する。「一〇〇」か「ひゃく」かで印象が変わる
- 固有名詞は初出で一度ゆっくり読ませる
- 接続詞を残す。音では「しかし」「つまり」が道しるべになる
特に日本語は、同音異義語と数字の読みで誤読が起きやすい言語です。生成前に読み確認用の短いテストを作り、違和感のある箇所だけ表記を変える運用が現実的です。
声の一貫性を保つ
シリーズものや複数本の動画では、声の一貫性が信頼感に直結します。次の情報を「ボイス設定シート」として一枚にまとめておくと、後から同じ声を再現しやすくなります。
- 声質の方向性（年齢感、性別、ハスキーかクリアか）
- 基準となる話速と抑揚の幅
- 文末の処理（上げる／下げる／平坦）
- よく使う間の長さ
- 参照用のサンプル音声と、その生成条件のメモ
担当者が変わっても、このシートがあれば同じ「語り部」を呼び戻せます。
BGM自動生成の仕組みと使いどころ
音楽は、映像の意味を最も強く書き換える要素です。同じカットでも、明るい長調の音楽を敷けば希望の場面になり、低い持続音を敷けば不安の場面になります。自動生成はこの作業を高速化しますが、仕組みを理解していないと「なんとなく合わない音楽」が量産されます。
シーン文脈の読み取り
文脈認識型の生成では、映像の内容、尺、テンポ、そしてテキスト情報から、音楽の性格が推定されます。ここで重要なのは、入力する情報の質です。
- シーンの目的（導入、対立、解決、余韻）
- 感情のラベル（期待、緊張、喪失、達成）
- 尺とカット割りの速さ
- ナレーションの有無と密度
ナレーションが密な区間では、音楽は控えめであるべきです。逆に余韻のシーンでは、音楽が主役になります。生成の前に「この区間で音楽に何を担当させるか」を一行で書いておくと、選定のぶれが減ります。
シーン遷移とクロスフェード
音楽が途切れる場所と映像が切り替わる場所がずれると、作品は一気に素人っぽくなります。基本は次の三つです。
- 映像の切れ目より0.3〜0.8秒早く音楽を切り替える
- 感情の落差が大きい場面では、あえて無音を挟む
- 同じ曲を使い続ける場合は、楽器の層を足し引きして変化を作る
無音は失敗ではなく、最も強い演出のひとつです。とくに、それまで音楽が鳴っていた場面で音を落とすと、視聴者の注意は自然と映像と声に向きます。
楽器・テンポ・キーを揃える
動画全体でキーがばらつくと、耳が疲れます。複数のBGMをつなぐ場合は、キーを統一するか、近い調に揃えます。テンポも、極端に違う曲を並べると継ぎ目が目立ちます。楽器編成は、ナレーションの帯域とぶつからないものを選びます。具体的には、人の声は概ね200Hzから4kHzに主要なエネルギーがあるため、この帯域を埋め尽くすような厚いシンセや歪んだギターは、ナレーションと競合します。
実践ワークフロー：絵コンテから完成音源まで
ここからは、実際の作業順序を示します。ポイントは「音を後回しにしない」ことです。音を先に設計すると、映像編集の判断も速くなります。
ステップ1 感情アークを表にする
まず、動画全体を10〜20のブロックに分け、それぞれに感情のラベルと強度を割り当てます。表の列は「時間」「シーンの内容」「感情」「音の担当（声／音楽／環境音）」「強度1〜5」とします。この表があると、どこで山を作り、どこで休ませるかが一目で分かります。
ステップ2 ナレーションを先に作る
映像を組み上げる前に、ナレーションの尺を確定させます。読み上げ時間は、日本語の落ち着いた語りで1分あたり約300〜350文字が目安です。早口の解説調なら400文字程度まで伸びます。台本の文字数から尺を逆算し、映像のカット割りをそれに合わせます。この順序にすると、映像を切ってから台本を削る手戻りがなくなります。
ステップ3 BGMを敷く
ナレーションの波形を見ながら、声が集中する区間には音楽を薄く、余韻の区間には厚く配置します。音量は言葉で決めず、メーターで確認します。目安として、ナレーション区間では音楽を声より12〜18dB下げると、言葉が明瞭に聞こえます。
ステップ4 環境音と効果音を足す
環境音は「そこに空間がある」と感じさせるための層です。街のざわめき、風、室内の空調、キーボードの打鍵。小さくても、あるのとないのとでは没入感が変わります。効果音は出来事の瞬間に置きますが、多用すると安っぽくなるため、1シーンにつき1〜2点までと決めておくのが安全です。
ステップ5 ミックスとラウドネス調整
最後に全トラックをまとめます。YouTubeなどのプラットフォームでは、ラウドネスが正規化されるため、過度に音量を上げても効果はありません。総合ラウドネスを-14 LUFS前後に揃え、トゥルーピークを-1dB以下に抑えるのが一般的な目安です。スマートフォンのスピーカーでも聞こえるかを必ず確認します。
ダイアログ・ナレーション・音楽のバランス設計
音の衝突は、多くの場合「同じ帯域に同じ強さの音が重なる」ことで起きます。解決策は三つあります。
帯域を譲り合う
音楽側の2〜4kHzを軽く下げると、声の明瞭度が上がります。逆に、声の低域を軽く下げると、音楽の土台が聞こえやすくなります。派手な加工は不要で、数dBの調整で十分なことが多いです。
音量を動かす
ナレーションが入る瞬間だけ音楽を下げる処理は、最も基本的なテクニックです。急に下げると不自然なので、0.2〜0.5秒かけて滑らかに変化させます。
時間で分ける
もっとも単純で強力な方法は、声と音楽を同時に鳴らさないことです。文の切れ目で音楽を立ち上げ、語りが始まると引く。この呼吸を作るだけで、プロフェッショナルな印象になります。
つまずきやすいポイントと修正手順
声が機械的に聞える
原因は多くの場合、抑揚の幅が一定すぎることです。文ごとに強弱を割り当て、疑問文と断定文で処理を変えます。句読点の位置に0.2〜0.4秒の間を入れるだけでも改善します。
BGMが主張しすぎる
音楽の音量ではなく、楽器の密度が原因であることが多いです。ドラムが常時鳴っている曲は、ナレーションと相性が悪くなります。パーカッションが控えめなアンビエント系に変えるか、曲のイントロ部分だけを使います。
シーンの切り替えで音が途切れる
音を切る位置が映像と同時になっているのが原因です。切り替えを0.3〜0.8秒先行させ、フェードを短くかけます。逆に、あえて完全な無音を挟むと、切り替えが演出として機能します。
全体が平坦に聞こえる
山が一つしかない、あるいは山が多すぎる状態です。最も強い感情の場面を一つ決め、それ以外は意図的に抑えます。音量の最大値と最小値の差を作ることが、印象に残る作品の条件です。
ツール選定の判断基準
音の制作に関わるツールは、大きく四つに分かれます。
- 音声合成：感情制御の粒度、読みの修正可否、出力形式、商用利用の条件
- 音楽生成：尺の指定、キーとテンポの指定、ステム分離の有無
- 編集ソフト：マルチトラック、フェード処理、ラウドネス計測
- 補助ツール：ノイズ除去、声の明瞭化、書き出し形式の変換
選定では、機能の数よりも「やり直しのしやすさ」を見ます。読みの修正が一文字単位でできるか、同じ条件で再生成できるか、書き出しが軽いか。この三点は、作業時間に直結します。
ジャンル別サウンド設計のケーススタディ
ドキュメンタリー調の解説動画
声は落ち着いた中音域、話速はやや遅め。音楽は弦の持続音やピアノの単音を中心に、情報密度の高い区間ではほぼ無音にします。環境音は控えめに、時折挿入して場面転換を印象づけます。
商品紹介の短尺動画
冒頭1秒で耳を引く必要があります。短い効果音とリズミカルな音楽から入り、商品名を出す瞬間に一度音を落とします。ナレーションは速め、文は短く、1文10〜15文字程度に刻みます。
縦型のストーリー動画
スマートフォンの小型スピーカーでは低域が再生されにくいため、低音に頼った演出は避けます。中高域に情報を集め、声の明瞭度を優先します。音楽は控えめに、感情の変化は話速と間で作ります。
公開前チェックリスト
- スマートフォンのスピーカーで聞いたか
- ヘッドホンで聞いたか
- 声が音楽に埋もれている区間はないか
- 無音の区間が意図的に作られているか
- シーン切り替えと音楽の切り替えが揃っているか
- 全体の音量が一定で、急に大きくなる箇所がないか
- 冒頭3秒で音が始まっているか
- 最後の余韻が切れていないか
冒頭の3秒は特に重要です。無音で始まる動画は、視聴者が音を切ったまま見ている可能性を高めます。
よくある質問
ナレーションと音楽、どちらを先に作るべきですか
ナレーションを先にします。声の尺が決まれば、映像のカット割りと音楽の配置が自動的に決まります。逆順にすると、音楽に合わせて台本を削る作業が発生し、内容が痩せます。
音楽は何曲くらい用意すればよいですか
5分程度の動画なら、2〜3曲とその派生で十分です。曲数を増やすより、同じ曲のアレンジ違いやステムの重ね方を変えるほうが、統一感が保てます。
生成した声が自分の求める声質になりません
一度にすべてを変えようとせず、話速、抑揚、間のうち一つずつ調整します。複数パラメータを同時に動かすと、どれが効いたのか分からなくなります。
無音の区間はどのくらいが適切ですか
短い動画なら0.5〜1秒、長尺なら2〜3秒が扱いやすい長さです。長すぎると視聴者が離脱するため、無音の後には必ず新しい情報か音の変化を置きます。
ラウドネスの目標値は決まっていますか
配信先ごとに正規化の基準が異なります。迷った場合は-14 LUFS前後に揃え、トゥルーピークを-1dB以下に抑えておけば、多くの環境で破綻しません。
環境音はフリー素材でも問題ありませんか
問題ありませんが、同じ素材を多用すると既視感が出ます。数種類を組み合わせ、音量と定位をずらすだけで、オリジナルに近い印象になります。
まとめ：音の設計は、感情の設計である
映像を作る技術が広く手に入った今、作品の差を生むのは「何を感じさせたいか」を音で具体化する力です。声で語り、音楽で温度を決め、環境音で空間を作る。この三層を意識するだけで、同じ映像から全く違う体験が生まれます。
作業の順序はシンプルです。感情アークを表にし、ナレーションの尺を確定し、音楽を敷き、環境音を足し、最後に全体の音量を揃える。この流れを一度作ってしまえば、次の作品はもっと速く、もっと深く作れます。まずは短い1本で、この手順を最後まで通してみてください。
