音の設計図を先に描く理由
動画の出来を左右する要素として、多くの人は解像度やカット割りを思い浮かべます。しかし実際の視聴体験では、音は映像と同等か、それ以上に強い影響を持ちます。視聴者が動画を途中で離れる原因の大きな割合を占めるのが「ナレーションが聞き取りにくい」「BGMが映像と噛み合っていない」といった音の違和感です。逆に、話の間の取り方や音楽の盛り上がりが映像の切れ目と揃っているだけで、同じカットでも伝わる情報量は別物になります。
音響設計という言葉は大げさに聞こえるかもしれません。しかし動画制作における音の仕事は、次の三つに整理できます。
- 情報を正確に伝える（ナレーション、解説、インタビュー音声）
- 感情を誘導する（BGM、効果音、あえて作る静寂）
- 時間軸を整える（テンポ、シーンの切り替え、余韻の長さ）
AI音声合成とBGM生成が身近になったことで、この三つを個人や小規模チームでも扱えるようになりました。ただし、ツールを導入すれば自動的に理想の音響空間ができるわけではありません。先に設計の意図を決め、ツールはその意図を実現するために使う、という順序が結果を大きく左右します。
設計図を描くといっても、専用ソフトは必要ありません。動画の尺とシーン構成をメモし、各シーンに「どんな感情を」「どのくらいの強さで」置くかを一行ずつ書き出すだけで十分です。この一行があると、後工程での迷いが減り、修正の手戻りも小さくなります。
AI音声合成の基礎を押さえる
音声が生成されるまでの流れ
音声合成（TTS、Text to Speech）は、内部的にはいくつかの段階に分かれています。まず入力テキストが正規化され、数字や略語、記号が読み上げ可能な形に変換されます。次に音素へ変換され、アクセントやイントネーションの情報が付与されます。最後に音響モデルが波形を生成し、必要に応じて声色や速さが調整されます。
この流れを知っておくと、トラブルの原因が切り分けやすくなります。「数字の読み方がおかしい」なら正規化の問題、「アクセントが不自然」なら音素・韻律の問題、「声が機械的に聞こえる」なら音響モデルや後処理の問題です。原因が分かれば、テキストを書き換える、別の声を選ぶ、ポーズ記号を足すといった具体的な対処に進めます。
感情と抑揚を制御するパラメータ
現在の音声合成では、単に文章を読み上げるだけでなく、喜び・落ち着き・緊張・疑問といった感情のニュアンスをある程度制御できます。実務で効果が大きいのは、次のパラメータです。
- 話速：日本語のナレーションなら毎分280〜340文字が聞き取りやすさの目安
- ピッチ：全体を動かすより、文末だけを上下させるほうが自然に聞こえる
- ポーズ：句点で0.4〜0.7秒、読点で0.2〜0.3秒が基準。強調前は長めに
- 強調：重要な名詞と数字に絞る。文中で強調しすぎると平坦に感じられる
注意したいのは、感情パラメータを強く振りすぎると不自然になる点です。実際の人間は、感情が高ぶっても急に大声になったりしません。微妙な変化の積み重ねが自然さを生むため、最初は控えめに設定し、聞き返してから強めるのが安全です。
ナレーション・会話・キャラクターの使い分け
用途によって、求める声の性質は異なります。
- 解説ナレーション：明瞭さと安定感を優先。抑揚は控えめ、語尾を伸ばしすぎない
- 会話・対話：息継ぎや間を多めに入れ、話者ごとに声を変えて区別する
- キャラクターボイス：声色の個性を優先しつつ、尺に合わせて話速を調整する
- 広告・告知：一文を短くし、キーワードの直前に短い間を置く
同じ原稿でも、この分類を決めてから声を選ぶと収束が早くなります。逆に声を先に決めてしまうと、後から原稿を何度も書き直すことになりがちです。
BGM生成AIを思い通りに操る
プロンプトに含めるべき要素
音楽生成は、指示の粒度が仕上がりを大きく左右します。漠然と「明るい曲」と指定するより、複数の軸を組み合わせるほうが狙いに近づきます。
- ジャンルと編成：アコースティックギター中心、ピアノと弦楽、シンセポップなど
- テンポ：BPMで指定。カットの切り替え間隔と合わせると同期しやすい
- 感情：前向き、切ない、緊張感、穏やか、達成感など
- 時代感と質感：ローファイ、シネマティック、80年代シンセ、生楽器の質感
- 構成：イントロなし、盛り上がりを後半に、ループ可能な8小節など
特に有効なのは「イントロを付けない」「ループ可能」といった構造の指定です。動画では曲の頭から使うとは限らないため、切り出しやすい素材のほうが編集が楽になります。
尺・ループ・ステムの扱い
生成した音楽は、そのまま使うより編集前提で扱うほうが扱いやすくなります。目安として、次の点を確認してください。
- 尺：動画の該当シーンより2〜4秒長めに生成し、前後をトリムする
- ループ：冒頭と末尾の音量差が小さいものを選ぶと継ぎ目が目立たない
- ステム分離：ドラム・ベース・旋律を分けられると、ナレーションと衝突しにくい
- キー：複数シーンで同じ調に揃えると、曲をまたいでも統一感が出る
ステムが使えるツールなら、ナレーションの帯域（日本語なら概ね300Hz〜3kHz）と重なる旋律を少し下げるだけで明瞭度が上がります。
映像のキーフレームと音楽を同期させる
同期の基本は、映像側の「変えたい瞬間」と音楽側の「変わり目」を揃えることです。シーン転換、テロップの出現、被写体の動作の起点など、視聴者の注意が動く点をタイムライン上でマークし、BPMから逆算して拍の位置を合わせます。
例えばBPM90なら1拍は約0.67秒、4拍で約2.67秒です。カットを2.67秒間隔に揃えると、音楽のフレーズと映像のリズムが一致します。すべてを揃える必要はなく、要所の3〜5か所を合わせるだけで「作り込まれている」印象になります。
実践ワークフロー：台本から完成まで
ここからは、実際の制作手順を順番に説明します。尺は3〜5分の解説動画を想定しています。
1. 音の設計図を作る
最初に、シーンごとの感情の強さを0〜10で書き出します。導入は2、問題提起で5、解決策で7、締めで3、といった具合です。この数値が、後のナレーションの抑揚とBGMの音量設計の基準になります。
同時に、動画全体で「音を出さない区間」をひとつ決めておきます。無音は失敗ではなく、直後の音を際立たせる装置です。
2. 台本を「耳で理解できる文章」に整える
読み上げ用の原稿は、黙読用の文章とは別物です。次の加工を施します。
- 一文を40〜60文字に収める
- 同じ語尾が三回以上続く箇所を書き換える
- 漢語の連続を避け、必要ならひらがなに開く
- 数字は読み方の揺れをなくす（「3日」を「みっか」と読ませたいならひらがなで書く）
- 強調したい語の直前に読点を入れて間を作る
この工程を省略すると、どれだけ高性能な音声合成でも不自然な仕上がりになります。逆にここを丁寧にやると、ツールの差が小さく見えるほど品質が安定します。
3. 声と話速を決める
対象視聴者に合わせて声を選びます。専門知識を伝えるなら落ち着いた中低音、親しみやすさを出すなら明るめの声が向いています。話速は毎分300文字前後から始め、聞き返して調整します。
判断に迷ったら、1分だけ書き出して通しで聴いてください。文字数ではなく、疲れずに聴き続けられるかどうかが基準です。
4. 感情カーブを割り当てる
設計図の数値を、実際の文単位に落とし込みます。すべての文に感情を指定する必要はありません。山場となる5〜10文に絞って強弱を付けるほうが、抑揚が際立ちます。
ここで有効なのが、段落の先頭だけ少し強くする手法です。聴き手は段落の変わり目で注意を回復させるため、起点にわずかな変化を置くと構成が伝わりやすくなります。
5. BGMのラフを作る
シーンの感情に合わせて、2〜3パターンの短い尺を生成し、仮当てします。この段階では音量バランスを詰めず、曲調とテンポの相性だけを確認します。
確認するのは次の三点です。ナレーションと周波数帯がぶつかっていないか、シーン転換とフレーズが噛み合っているか、動画全体を通して雰囲気が破綻していないか。
6. 映像と音を同期させる
タイムライン上で、ナレーションの開始位置とBGMの拍を合わせます。映像のカットが音楽の拍から外れている場合は、カット側を数フレーム動かすほうが作業量が少なく済みます。
テロップや図解の出現も、同じ拍に寄せると統一感が増します。細かく合わせるのは冒頭30秒と締めの部分だけで十分です。中盤は緩やかに追従させれば、視聴者は気づきません。
7. ミックスして書き出す
最後に音量バランスを整えます。ナレーションを基準に置き、BGMは邪魔にならない範囲で下げます。書き出し形式は、映像編集ソフトに渡すならWAV・48kHz・24bitが扱いやすい選択です。
ミキシングの基本と数値目標
ラウドネスとピーク
動画配信では、平均ラウドネスの目安として-14 LUFS前後が広く使われています。ピークは-1dB程度に抑え、クリッピングを避けます。数値を守るだけで、他の動画と並べたときの音量差が目立たなくなります。
EQとハイパスフィルタ
音声には80〜120Hz以下のハイパスフィルタをかけ、不要な低域を落とします。逆にBGMは、ナレーションの帯域（300Hz〜3kHz）を2〜3dB下げると、声が前に出ます。音量を上げるより、ぶつかる帯域を下げるほうが自然に聞こえます。
ダッキングでナレーションを前に出す
ナレーションが入る区間でBGMを自動的に下げる処理をダッキングと呼びます。下げ幅は6〜12dB、復帰時間は0.3〜0.5秒が扱いやすい目安です。下げすぎると音楽の存在感が消え、戻りが速すぎると音量が揺れて耳につきます。
ノイズ・部屋鳴り・無音の処理
収録音声を使う場合は、ノイズ除去をかけすぎないことが重要です。強くかけると声がこもり、歯擦音が不自然になります。軽くかけて違和感が残るなら、除去よりマイク位置や部屋の見直しを優先したほうが結果が良くなります。
権利とライセンスでつまずかないために
商用利用と収益化の確認
生成した音声や音楽を広告付き動画で使う場合、商用利用の可否と収益化の条件を必ず確認します。「個人利用は無料、商用は別条件」という構成は珍しくありません。利用規約は短くても、対象範囲と再配布の扱いだけは目を通してください。
音声クローンと同意
実在の人物の声を再現する機能は、本人の明示的な同意なしに使うと、法的にも倫理的にも重大な問題になります。自分の声を複製する場合でも、公開範囲と用途をあらかじめ決めておくと後の判断がぶれません。
プラットフォーム側の申告
動画投稿サイトによっては、合成音声や生成音楽の使用について申告欄が設けられています。申告を忘れると、後から公開停止や収益化の見直しが発生することがあります。制作時のメモとして、使用したツール名と生成日を残しておくと安心です。
よくある失敗と回避策
実際の制作で頻発する問題と、その対処をまとめます。
- 抑揚が平坦：原稿の句読点が少なすぎる。読点を足し、段落先頭を少し強くする
- 早口に聞こえる：話速を毎分20文字下げ、句点の間を0.1秒延ばす
- BGMが大きすぎる：ナレーション区間で-12dBまで下げ、復帰を緩やかにする
- 映像と音楽がずれる：カット側を数フレーム調整し、拍に寄せる
- 声色が場面に合わない：シーン単位で声を分けず、動画全体で1〜2種類に絞る
- 書き出しで音質が落ちる：映像編集ソフトへは非圧縮WAVで渡す
多くの失敗は、原稿と音量の二か所で発生します。迷ったら、この二点に戻って確認すると解決が早くなります。
ツールを選ぶときの判断基準
ツールは機能の多さではなく、自分の工程に合うかどうかで選びます。確認すべき項目は次のとおりです。
- 音声の自然さ：長文を読ませたときに抑揚が破綻しないか
- 感情・話速・ポーズの制御：数値指定できるか、記号で挿入できるか
- 多言語対応：同じ原稿を複数言語へ展開する予定があるか
- 出力形式：WAVやステム分離に対応しているか
- 連携方法：手動書き出しで足りるか、自動化が必要か
- ライセンス：商用利用と再配布の条件が明記されているか
- 学習コスト：チーム内で再現できる手順に落とせるか
判断に迷ったら、実際に使う原稿の一部で試すのが最短です。デモ音声は整った文章が多いため、自分の原稿で試さないと実力は分かりません。
用途別の組み合わせ例
- 解説動画：安定したナレーション音声＋控えめなループBGM。話速は遅め、BGMは導入と締めのみ
- 商品紹介：明るめの声＋テンポの速いBGM。カット割りを拍に合わせる
- ストーリー系：会話形式の音声＋展開のある音楽。無音区間を意図的に作る
いずれの場合も、音の設計図を先に作り、それに合うツールを後から選ぶ順序を守ると、選定の迷いが減ります。
よくある質問
AI音声は不自然に聞こえませんか
短文では自然でも、長文になると抑揚のパターンが繰り返し不自然さが出ることがあります。対策は、段落ごとに文の長さを変えること、同じ語尾を連続させないこと、句点の間を明示的に指定することです。この三点を整えるだけで、聞き手の違和感は大きく減ります。
BGMは動画のどこに敷けばいいですか
全面に敷く必要はありません。導入、転換点、締めの三か所に絞ると、音楽の効果が際立ちます。逆に全編に流し続けると、ナレーションとの衝突が増え、聞き疲れの原因になります。
多言語展開はどう進めますか
日本語で作った原稿をそのまま翻訳すると、音声合成では息継ぎの位置がずれます。言語ごとに文の長さと話速の基準が異なるため、翻訳後に読み上げ用へ再調整する工程を必ず入れてください。
生成した音源の権利はどうなりますか
生成物の扱いはツールごとに異なります。商用利用の可否、再配布の制限、収益化の条件を確認し、判断に迷う場合は規約の該当箇所を記録しておくと、後から確認しやすくなります。
無料の範囲だけで完結できますか
短尺の動画であれば、無料の範囲でも十分な品質が得られる場合があります。ただし書き出し形式の制限や、長尺での品質低下が生じることがあります。まず無料で試し、工程のどこがボトルネックになるかを特定してから範囲を広げるのが現実的です。
まとめ：小さく試して型を作る
音響空間の設計は、特別な機材や大規模な体制がなくても始められます。重要なのは、音を後付けの作業ではなく設計の対象として扱うことです。感情の強さを数値で書き出し、原稿を耳で理解できる形に整え、音量と帯域を数値目標で整える。この順序を一度経験すると、以降の制作は驚くほど安定します。
最初からすべてを完璧にしようとせず、30秒の短い動画で一巡してみてください。ナレーションの間、BGMの入る位置、書き出し形式の三つを決めるだけで、あなたの動画の音は一段階変わります。その型ができてから、扱うツールや尺を広げていけば、遠回りに見えて最も速い上達になります。
