ai-voice-design

AI Voice Design

ElevenLabs または Qwen3-TTS を使用して、ボイスクローニング、説明文によるデザイン、リップシンクを活用し、動画向けの AI 音声をデザインして生成します。

このスキルを使う場面

• ブランドボイスを作成する - キャンペーンの声のトーンを決める
• 既存の声をクローンする - 許可を得て声を再現する
• オリジナルの声をデザインする - 説明文から声を作成する
• 複数のキャラクター - 1 本の動画内で複数の声を管理する
• AI 動画のリップシンク - 声と唇の動きを同期させる
• ローカライズ - 声を複数の言語に適応させる

方法論の基盤

出典: ElevenLabs Documentation + Qwen3-TTS（Alibaba）+ PJ Ace workflow

基本原則: 「動画のインパクトの 50% は声で決まります。ElevenLabs はプレミアム品質を、Qwen3-TTS はオープンソースの柔軟性を提供します。どちらを選ぶかは、予算と求める制御性によって決まります。」

これが重要な理由: 適切でない声を選んだり、生成した声の品質が低かったりすると、AI 動画のリアリティが損なわれます。声とキャラクターの適切なマッチング、そしてプロ品質の音声が、「AI スロップ」と信頼できるコンテンツを分けます。

Claude が行うことと、あなたが決めること

Claude が行うこと	あなたが決めること
制作ワークフローを構成する	最終的なクリエイティブの方向性
技術的なアプローチを提案する	機材とツールの選択
テンプレートとチェックリストを作成する	品質基準
ベストプラクティスを特定する	ブランドや声に関する決定
台本の概要を生成する	台本の最終承認

このスキルでできること

1. TTS ソリューションを比較する - ElevenLabs と Qwen3-TTS
2. ボイスクローニングをガイドする - プロセスと要件
3. ボイスデザインを構成する - 声のテキストによる説明
4. 複数の声を管理する - 割り当てと一貫性
5. リップシンクを準備する - Kling/Veo との連携

使い方

広告用の声をデザインする

J'ai besoin d'une voix pour ma pub [produit]. Le ton doit être [description]. Aide-moi à la designer.

声をクローンする

Je veux cloner cette voix [description/échantillon]. Guide-moi à travers le process avec [ElevenLabs/Qwen3-TTS].

複数のキャラクターを管理する

J'ai 3 personnages dans ma vidéo: [descriptions]. Crée le casting vocal.

手順

Step 1: TTS ソリューションを選ぶ

## Comparatif ElevenLabs vs Qwen3-TTS

| Critère | ElevenLabs | Qwen3-TTS |
|---------|------------|-----------|
| **Prix** | $5-$330/mois | Gratuit (open-source) |
| **Qualité** | Excellente | Excellente |
| **Voice cloning** | 1-5 min audio | 3 sec audio |
| **Langues** | 29+ | 10 (EN, FR, DE, ES, IT, PT, RU, ZH, JP, KO) |
| **Latence** | ~200ms | 97ms (streaming) |
| **Self-hosted** | Non | Oui |
| **Voice design** | VoiceLab | Description textuelle |
| **API** | Cloud | Local ou cloud |

### Arbre de décision

**Q1: Budget disponible?**
- $0 (gratuit) → Qwen3-TTS
- $5-$100/mois → ElevenLabs Starter/Creator
- $100+/mois → ElevenLabs Pro

**Q2: Besoin de self-hosting?**
- Oui (données sensibles) → Qwen3-TTS
- Non → ElevenLabs ou Qwen3-TTS

**Q3: Langue requise parmi FR, EN, DE, ES, IT, PT, RU, ZH, JP, KO?**
- Oui → Les deux fonctionnent
- Non (autre langue) → ElevenLabs

**Q4: Latence critique (real-time)?**
- Oui → Qwen3-TTS (97ms)
- Non → Les deux

---

Step 2: 説明文によるボイスデザイン

## Template de Description de Voix

### Caractéristiques de base
**Genre:** [ ] Masculin [ ] Féminin [ ] Non-binaire
**Âge apparent:** [20s / 30s / 40s / 50s / 60s+]
**Registre:** [ ] Grave [ ] Medium [ ] Aigu

### Qualités vocales
**Texture:**
[ ] Lisse/Veloutée [ ] Rauque/Gravelly
[ ] Nasale [ ] Claire [ ] Résonante

**Énergie:**
[ ] Calme/Posée [ ] Dynamique [ ] Intense
[ ] Chaleureuse [ ] Froide/Distante

**Rythme:**
[ ] Lent/Délibéré [ ] Modéré [ ] Rapide
[ ] Varié (storytelling)

### Accent/Origine
**Accent:** [Ex: Français neutre, British RP, Southern US, etc.]
**Particularités:** [Ex: légèrement rauque le matin, sourire dans la voix]

### Contexte d'utilisation
**Marque/Produit:** ________________________________
**Ton de la campagne:** ________________________________
**Personnage (si fiction):** ________________________________

### Exemples de référence (optionnel)
**Voix similaire à:** [Célébrité, personnage, pub connue]
**Éviter:** [Ce qu'on ne veut pas]

説明文の完全な例:

## Voice Brief: Pub NeuroBoost

**Profil:**
Homme, 40s, registre grave-medium

**Qualités:**
- Texture résonante et autoritaire mais pas intimidante
- Énergie posée, confiante, légèrement inspirante
- Rythme délibéré avec pauses stratégiques

**Accent:**
Français international (pas d'accent régional marqué)
Diction parfaite, articulation claire

**Références:**
- Similaire à: Morgan Freeman mais version française
- Éviter: Ton commercial agressif, urgence artificielle

**Notes:**
Cette voix doit incarner l'expertise et la confiance.
Le spectateur doit sentir qu'il reçoit un conseil d'un
mentor plutôt qu'un pitch de vendeur.

---

Step 3: ボイスクローニング

ElevenLabs

## Process de clonage ElevenLabs

### Instant Clone (1-5 min audio)
**Qualité:** Bonne (80% fidélité)
**Usage:** Tests, itération rapide

1. Préparer audio source:
   - 1-5 minutes de parole claire
   - Pas de musique de fond
   - Qualité minimum: 128kbps
   - Formats: MP3, WAV, M4A

2. Dans ElevenLabs:
   - Voice Lab → Add Voice → Instant Clone
   - Upload audio
   - Nommer la voix
   - Tester avec phrase sample

### Professional Clone (30+ min audio)
**Qualité:** Excellente (95%+ fidélité)
**Usage:** Production commerciale

1. Préparer corpus audio:
   - 30-60 minutes idéalement
   - Variété d'émotions et tons
   - Phrases complètes, pas de mots isolés
   - Studio quality (256kbps+, pas de bruit)

2. Soumettre pour training
   - Délai: 24-48h
   - Coût: Inclus dans plan Pro+

### Paramètres de génération
- **Stability:** 50-70% (naturel) / 80%+ (consistant)
- **Clarity:** 75%+ recommandé
- **Style:** 0-100% selon expressivité souhaitée

Qwen3-TTS

## Process de clonage Qwen3-TTS

### Zero-shot Clone (3 sec audio)
**Qualité:** Très bonne
**Usage:** Toute production

1. Préparer référence:
   - 3-10 secondes de parole claire
   - Pas de bruit de fond
   - Émotion neutre ou représentative

2. API Python:
```python
from qwen3_tts import Qwen3TTS

tts = Qwen3TTS()

# Cloner depuis référence
voice = tts.clone_voice(
    reference_audio="reference.wav",
    voice_name="my_voice"
)

# Générer avec la voix clonée
audio = tts.generate(
    text="Texte à synthétiser",
    voice=voice,
    language="fr"
)
audio.save("output.wav")

テキストによるボイスデザイン

# Créer une voix sans référence audio
voice = tts.design_voice(
    description="A warm, confident male voice in his 40s, \
    with a slight French accent, speaking slowly and \
    deliberately with gravitas."
)

audio = tts.generate(
    text="Votre texte ici",
    voice=voice
)

詳細設定

• emotion: "neutral", "happy", "sad", "angry", "surprise"
• speed: 0.5（遅い）から 2.0（速い）
• pitch: -10 から +10（半音）

---

### Step 4: Multi-personnages

複数キャラクターのボイスキャスティング

キャスティングのテンプレート

キャラクター	説明	声	ソース
[名前]	[外見・性格の説明]	[声の仕様]	[クローン/デザイン/ストック]

例: 3 人のキャラクターが登場する広告

キャラクター	説明	声	ソース
CEO Emma	35 歳、自信に満ちたリーダー	女性、中音域、威厳があり温かい	デザイン: "Confident female executive..."
Dev Tom	28 歳、熱意あふれるギーク	男性、中高音域、早口	ストック: "Young professional male"
Client Marc	50 歳、懐疑的だが、やがて納得する	男性、低音域、ためらいがちから自信のある声へ	デザイン: "Skeptical older businessman..."

差別化のルール

• 音域に変化をつける: 低音、中音、高音
• 話すテンポを変える: ゆっくり対速く
• アクセントを区別する: 文脈に適している場合
• エネルギーに対比をつける: 落ち着いた声対活気のある声

複数の声を使うワークフロー

1. 各セリフを個別に生成する
2. ファイル名を付ける: P1_Emma_Line01.wav
3. 音声タイムラインに組み立てる
4. 音量の一貫性を確認する（-6dB に正規化）

---

### Step 5: Lip-sync et intégration vidéo

AI 音声と動画の連携

オプション A: Veo 3.1（音声をネイティブ生成）

音声は動画と一緒に Veo が生成します。

Prompt incluant audio:
"[Scene description]. The character says:
'[Dialogue exact]'. Voice: confident male, 30s,
warm tone. Ambient: office sounds."

制限事項: 声を細かく制御するのが難しくなります。

オプション B: Kling 2.6 Motion Control

「ドライビング」動画からリップシンクを作成します。

1. 自分でセリフを録音する
2. ドライビング動画を使って Kling を利用する
3. リップシンクはあなたの演技に合わせて動きます
4. ポストプロダクションで音声を AI 音声に差し替える

Workflow:
You → Record driving video with dialogue
Kling → Transfer lips to AI character
Post → Replace audio with ElevenLabs/Qwen voice

オプション C：個別に生成＋ポスト同期

最大限のコントロールが可能です。

1. 音声なしで動画を生成する（Runway、Pika）
2. 音声を別途生成する
3. ポストプロダクションで同期する
4. 必要に応じてタイミングを手動で調整する

同期ツール：

• DaVinci Resolve（無料）
• Adobe Premiere
• D-ID（自動同期）

リップシンクのチェックリスト

• 音声のタイミングが唇の動きと合っている
• 自然な間が揃っている
• 音量が環境音とバランスよく調整されている
• 目に見えるズレがない（最大2～3フレーム）

---

### Step 6: Export et spécifications audio

最終的な音声仕様

出力形式

• コーデック： AACまたはWAV
• サンプルレート： 48kHz（動画の標準）
• ビット深度： 24-bit（WAV）または256kbps（AAC）
• チャンネル： 用途に応じてステレオまたはモノラル

推奨レベル

• ナレーション： ピーク時-6dB～-3dB
• 会話： -12dB～-6dB
• 環境音： -18dB～-12dB
• 音楽： -12dB～-9dB（声より小さく）

基本的なマスタリング

1. すべての音声クリップを-6dBにノーマライズする
2. 軽いコンプレッションを適用する（比率2:1）
3. EQ：80Hz以下をカットし、2～4kHzを少しブーストする（明瞭さを高める）
4. クリッピングを防ぐため、-1dBにリミッターを設定する

納品物

📁 Audio_[Project]/
├── voiceover/
│   ├── VO_final_master.wav
│   └── VO_stems/
│       ├── P1_lines.wav
│       ├── P2_lines.wav
│       └── ...
├── sfx/
│   └── [sound effects]
├── music/
│   └── [background music]
└── mix/
    └── final_mix.wav

## Examples

### Example 1: Voice design pour pub premium

**Context**: Marque de montres de luxe, pub cinématique 30s

**Input**:
> J'ai une pub pour une marque de montres haut de gamme. Style très premium, inspiré des pubs Omega ou Rolex. Je veux une voix qui incarne l'excellence et l'héritage.

**Output**:

## Voice Brief: Montres Heritage Collection

### Profil cible

ジャンル：男性 年齢：55～65歳 声域：低く、深みがある

### Caractéristiques détaillées

質感：響きがあり、滑らかで、わずかな経年感がある （上質な木材やヴィンテージレザーのような質感）

エネルギー：落ち着いていて、思索的で、決して急がない 一語一語を選び、間にも意図が込められている

リズム：非常にゆっくり、慎重 ひと呼吸に4～5語 文と文の間に1～2秒の間を置く

発音：完璧で、気取らず気品がある 子音は明瞭に、母音は豊かに

### Prompt ElevenLabs (Voice Design)

60代の気品ある男性の声を作成してください。 深く響く、自然な威厳を備えたバリトン。 話し方：ゆっくり、慎重で、思索的。 わずかな温かみのあるイギリス標準発音。 熟成したウイスキーのような質感――滑らかで深みがある。 多くの経験を積み、 大切なことだけを語る人物の声。

### Prompt Qwen3-TTS
```python
voice = tts.design_voice(
    description="""
    Distinguished older gentleman, 60s, deep baritone.
    British accent, RP. Speaking very slowly and
    deliberately, with natural authority and warmth.
    Voice texture is rich and resonant, like aged oak.
    Contemplative, never rushed. Each word carries weight.
    Think: nature documentary narrator meets luxury brand.
    """
)

指示を含む台本

[PAUSE 2s]

"Time..." [PAUSE 1.5s]

"...is not measured." [PAUSE 1s]

"It is crafted." [PAUSE 2s]

"Heritage Collection." [PAUSE 1s]

"Since 1892."

技術パラメーター

• 安定性：85%（高級感を出すため、非常に安定させる）
• 速度：0.7x（ゆっくり）
• 声の下に音楽を流さない（最初は声のみ、その後に音楽）

これが効果的な理由：高級感を演出するには、控えめな表現が効果的です。低く、ゆっくりと落ち着いた声は、信頼感と時代を超えた魅力を伝えます。間が緊張感と価値の認識を高めます。

---

例2：複数キャラクターのコメディ

コンテキスト：3人のキャラクターが登場する、シットコム風の型破りなSaaS広告

入力：

『The Office』風の広告で、キャラクターは3人です。無能な上司、うんざりしている女性社員、熱意がありすぎるインターンです。声のキャスティングを作成してください。

出力：

声のキャスティング：「Office Chaos」広告

キャラクター1：Michel（上司）

Profil:
- Homme, 50 ans
- Confiant mais incompétent
- Parle trop fort et trop vite
- S'interrompt lui-même

Voix:
- Medium-aigu (pas grave malgré l'autorité voulue)
- Nasale légèrement
- Volume variable (starts loud, gets louder)
- Phrases inachevées

Prompt ElevenLabs:
"Middle-aged man who thinks he's charismatic but isn't.
Slightly nasal voice, medium-high pitch. Speaks too
loudly and too fast, often interrupting himself.
French accent, corporate buzzwords enthusiast.
Michael Scott energy."

キャラクター2：Sophie（うんざりしている社員）

Profil:
- Femme, 35 ans
- Compétente, fatiguée
- Sarcasme subtil
- Soupirs audibles

Voix:
- Medium, légèrement grave pour femme
- Sèche, précise
- Monotone quand exaspérée
- Soupirs comme ponctuation

Prompt Qwen3-TTS:
"Professional woman in her 30s, tired of everything.
Dry, slightly deadpan delivery. French, neutral accent.
Subtle sarcasm in every line. Occasional audible sighs.
The straight man in every comedy duo."

キャラクター3：Théo（インターン）

Profil:
- Homme, 22 ans
- Trop enthousiaste
- Voix qui monte en fin de phrase
- Acquiesce à tout

Voix:
- Medium-aigu
- Énergique, rapide
- Upspeak (fin de phrase montante)
- Ponctué de "super!", "génial!"

Prompt:
"Young man, early 20s, overly enthusiastic intern.
High-medium pitch, speaks quickly with upward
inflection at end of sentences. French, sounds
like he just discovered coffee. Every statement
sounds like an excited question."

会話の例

MICHEL: (loud) "Bon, l'équipe! J'ai une GRANDE nouvelle—
        enfin, moyenne—non, grande!"

SOPHIE: (flat) "[soupir] ...C'est la réunion quotidienne."

THÉO: (excited) "Oh WOW! Une grande nouvelle? C'est GÉNIAL!"

MICHEL: "Théo comprend, LUI. Donc, on va—
        comment ça s'appelle—pivoter!"

SOPHIE: "...On a pivoté hier."

THÉO: "RE-pivoter! J'ADORE re-pivoter!"

制作メモ

• 各キャラクターを個別に生成する
• Michel：3～4kHzをブーストする（より「前に出る」声にする）
• Sophie：ルームリバーブをわずかに加える（感情的な距離感）
• Théo：ピークを抑えるためにコンプレッションをかける

これが効果的な理由：3人の声は、声域、リズム、エネルギーによってすぐに聞き分けられます。対比がコメディを生み出します――Michelの混乱、Sophieの冷静さ、Théoの過剰な熱意です。

---

チェックリストとテンプレート

音声デザインのチェックリスト

## Validation Voice Design

### Brief complet
- [ ] Genre et âge définis
- [ ] Registre spécifié (grave/medium/aigu)
- [ ] Texture décrite (lisse/rauque/etc)
- [ ] Énergie et rythme indiqués
- [ ] Accent précisé
- [ ] Références incluses

### Génération
- [ ] Prompt testé avec phrase sample
- [ ] Qualité audio vérifiée (pas de glitches)
- [ ] Volume normalisé
- [ ] Cohérence avec brand voice

### Multi-personnages
- [ ] Voix suffisamment distinctes
- [ ] Registres variés
- [ ] Énergies contrastées
- [ ] Test d'écoute ensemble

---

音声ブリーフのテンプレート

## Voice Brief: [Projet]

### Identité
**Projet/Marque:** ________________________________
**Type de contenu:** [ ] Pub [ ] Explainer [ ] Narration [ ] Dialogue
**Durée totale:** __________ secondes

### Profil vocal
**Genre:** [ ] M [ ] F [ ] Non-binaire
**Âge:** _______ ans
**Registre:** [ ] Grave [ ] Medium [ ] Aigu

### Caractéristiques
**Texture:** ________________________________
**Énergie:** ________________________________
**Rythme:** ________________________________
**Accent:** ________________________________

### Contexte émotionnel
**L'auditeur doit ressentir:** ________________________________
**Éviter:** ________________________________

### Référence
**Similaire à:** ________________________________

### Solution technique
[ ] ElevenLabs (budget: $_____/mois)
[ ] Qwen3-TTS (self-hosted)
[ ] Clone d'une voix existante

### Script

[間の指示を含む台本を貼り付ける]

---

コスト比較

## Budget TTS

### ElevenLabs
| Plan | Prix/mois | Caractères | Équivalent |
|------|-----------|------------|------------|
| Free | $0 | 10k | ~2 min |
| Starter | $5 | 30k | ~6 min |
| Creator | $22 | 100k | ~20 min |
| Pro | $99 | 500k | ~100 min |

### Qwen3-TTS (Self-hosted)
| Composant | Coût |
|-----------|------|
| GPU (RTX 3090) | ~$800 one-time |
| Cloud GPU (A10) | ~$1/heure |
| Hébergement | Variable |
| Génération | Illimité |

### Recommandation par volume
- < 5 min/mois → ElevenLabs Free + Qwen3-TTS
- 5-20 min/mois → ElevenLabs Creator ($22)
- 20-100 min/mois → ElevenLabs Pro ($99)
- > 100 min/mois → Qwen3-TTS self-hosted

スキルの範囲

このスキルが得意なこと

• 音声制作のワークフローを構成する
• 技術的なガイダンスを提供する
• 品質チェックリストを作成する
• クリエイティブなアプローチを提案する

このスキルでできないこと

• 音響エンジニアリングの専門知識に取って代わること
• 主観的なクリエイティブ上の判断を行うこと
• 音声ファイルに直接アクセスしたり編集したりすること
• 商業的な成功を保証すること

参考資料

• ElevenLabs Documentation
• ElevenLabs Voice Cloning
• Qwen3-TTS GitHub
• Qwen3-TTS Blog
• MKTG Skills - Étude Écosystème Vidéo IA

関連スキル

• ai-video-prompting - Veo プロンプトへの音声の統合
• ai-video-qa - 音声品質の確認
• copywriting-ogilvy - ナレーション原稿の執筆

---

スキルのメタデータ

• モード: cyborg

name: ai-voice-design
category: video
subcategory: production
version: 1.0
author: MKTG Skills
source_expert: ElevenLabs + Qwen3-TTS + PJ Ace
source_work: TTS Documentation
difficulty: intermediate
estimated_value: $500-2000 (voice design + production)
tags: [video, ai, voice, tts, elevenlabs, qwen, cloning, audio]
created: 2026-01-25
updated: 2026-01-25