Irodori-TTSでボイスクローンを作る

情報この手順でできるようになること

私の事例で紹介しているIrodori-TTS（自分の声を複製する音声合成モデル）を、実際に自分の手で動かす手順です。VOICEVOX（操作手順）が用意されたキャラクターの声を使うのに対し、Irodori-TTSは短い参照音声から任意の声（自分の声）を複製します。

Irodori-TTSとは

Irodori-TTSは、短い参照音声（10〜30秒程度、クリアな録音）を1つ以上用意するだけで、その声のクローンを作り、任意のテキストを読み上げさせるゼロショットボイスクローンです。プログラミングは怖くないで触れている通り、環境構築のコマンド操作は自分で行わず、AIコーディングエージェントに任せて進めます。

前提

AIコーディングエージェント（Claude Code等）が使える環境が必要です。ターミナル・VSCode拡張機能・アプリ、どの入り方でも構いません。実際にコマンドを打つのはAIなので、自分でターミナルを操作する必要はありません。まだ導入していない場合はVSCodeの導入方法またはCLIをインストールするを参考にしてください。

セットアップ

Irodori-TTSをAIにセットアップしてもらう

Irodori-TTSの導入は、リポジトリの取得（git clone）とライブラリのインストール（uv sync）を組み合わせる必要があり、パソコンの環境によって選ぶオプションも変わります。ここは自分で逐一コマンドを打つのではなく、AIコーディングエージェントに一括で頼みます。

例AIへのプロンプト例

「GitHubのAratako/Irodori-TTSをセットアップして。　https://github.com/Aratako/Irodori-TTS 用意した参照音声（ファイルパス）から自分の声のクローンを作れる状態にして」

AIが git clone からライブラリのインストールまでを順に進めてくれます。

参照音声を用意する

本人の同意なく他人の声を複製・使用しないでください。なりすまし・詐欺等の悪用を防ぐため、複製する声は自分自身のものか、本人の許可を得たものに限定してください。

自分の声（または複製したい声）を、30秒程度、雑音の少ない環境でクリアに録音します。スマートフォンのボイスメモアプリで構いませんが、録音アプリの音質設定だけ確認しておきます。 iPhoneなら「設定 → アプリ → ボイスメモ → 録音オプション → オーディオの品質」を「ロスレス圧縮」にします。

読み上げのトーンもそのまま複製されます。落ち着いた読み方をすれば落ち着いた音声に、元気に読めば元気な音声になるので、仕上げたい雰囲気で読んでください。

Irodori-TTSは「ゼロショット」というやり方の音声合成です。この参照音声を使ってモデルを学習（トレーニング）させる作業は必要ありません。参照音声として録音したファイルは、次の「使い方②AIに生成を指示する」で、毎回そのまま読み込ませて使います。

使い方

① 読ませたい原稿を用意する

音声にしたい文章を用意します。原稿そのものをAIに書かせても構いません。

② AIに生成を指示する

参照音声のファイルパスと原稿を渡して、音声にするよう伝えます。コマンドを打つのはAIなので、こちらは頼むだけです。

例AIへのプロンプト例

「参照音声（ファイルパス）を元に、用意した原稿の読み上げ音声を作って」

AIが音声ファイルを書き出してくれます。

③ 出来上がった音声を確認する

書き出された音声ファイルを再生して確認します。

できたばかりの音声は、音が割れていたり、こもって聞こえたりすることがあります。よくあることなので、AIに直してもらってください。

例AIへのプロンプト例

「音が割れないように音量を整えて、こもりを取って、少し速くして」

あとから直せるのは、速さ・音量・声の明るさ・声の高さです。一方で、話し方のテンションは変えられません。参照音声の話し方がそのまま複製されるためです。元気な読み上げにしたい場合は、参照音声そのものを元気に録り直します。

発展：動画のナレーションに組み込む

HyperFrames（ツール紹介）で動画を作る際のナレーションに、この手順で作った音声を使った事例を私の事例で紹介しています。