mcpField
A
audiobook-production

audiobook-production

github.com/calesthioクリエイティブ・メディア221102 回インストール15 週間前に更新
リポジトリ

audiobook-production について

長編オーディオブック制作向けの、特定プロバイダーに依存しないスキルです。主に生成音声の制作工程を扱い、朗読用原稿、声の一貫性、章ごとの管理、発音辞書、納品前の品質確認を支援します。

主な機能

  1. 01朗読向けの原稿調整
  2. 02一人語り・複数話者の設計
  3. 03長時間音声での声の一貫性維持
  4. 04章単位の音声生成と管理
  5. 05書籍全体の発音辞書作成
  6. 06音声品質と納品メタデータの確認

活用シーン

  1. 01ノンフィクション原稿を朗読用に調整
  2. 02生成音声で章立てされたオーディオブックを制作
  3. 03シリーズを通じて固有名詞の発音と登場人物の声を統一

インストール

コマンドをコピーしてターミナルで実行します。

$npx skills add https://github.com/calesthio/generative-media-skills --skill audiobook-production

インストール後、Claude Code で/audiobook-productionを入力して読み込まれたか確認します。

同梱ファイルEVAL.md

詳細

オーディオブック制作

オーディオブックは、長い TTS クリップではありません。章ごとに分割された多数のファイルで構成される納品物であり、各ファイルは自動のラウドネス／ノイズ基準をクリアし、適切なメタデータを備え、第 1 章の冒頭と同じ演者の声に聞こえる必要があります。この作業で大きな問題となるのは、10 時間にわたる声の変化、固有名詞の読み間違いが 40 回繰り返されること、読み上げると意味が通じない脚注、ノイズフロアが -58 dB のために却下されるファイル、AI ナレーションをひそかに禁止しているプラットフォームなどです。これらは短いクリップの音声合成にはありません。このスキルは、良い一文をひとつ生成することではなく、数時間に及ぶ制作を管理するためのものです。

これは特定のプロバイダーに依存しない、制作技術のスキルです。生成音声ツールについては、ブランドではなく機能（発音辞書、SSML 対応、シード／一貫性の制御、章ごとの再生成）を基準に扱います。具体的なツールや販売プラットフォームの名前は、説明用の例、または日付を明記したポリシーの事実としてのみ挙げます。

以下では、次のラベルを使用します。

  • [事実] — 一次資料または公式資料で文書化されており、出典が引用されています。
  • [標準] — 業界で確立された技術標準です。
  • [経験則] — 経験豊富な制作者が用いる制作上の判断であり、規則ではありません。
  • [ポリシー — 日付付き] — 記載の日付に確認された、変更される可能性のあるプラットフォームポリシーです。

1. まず制作ルートを決める

制作ルートは 3 つあり、費用、権利、品質の上限、販売できる場所がそれぞれ異なります。原稿に手をつける前に選んでください。ルートによって原稿の準備方法が変わるためです。

  1. 人間によるナレーション — 演者が本を読み上げます。品質の上限が最も高く、一部の販売業者では必須です。演者とスタジオ品質の音声が必要です。
  2. 著者／制作者主導の生成ナレーション — テキストを TTS システムに入力し、発音とペースを調整して、自分で出力音声をマスタリングします。すべてのファイルを管理でき、完成した音声を幅広く配信できます。
  3. プラットフォームの自動ナレーション — 販売業者が独自の閉じたシステム内で電子書籍からオーディオブックを生成します（例：Amazon の Virtual Voice、Google Play Books の自動ナレーション、Apple Books のデジタルナレーション）。手間は最も少ない一方で、制御の余地も最も少なく、配信先がそのプラットフォームに限定されることもよくあります。

このスキルの残りの部分は、主にルート 2（エージェントが実際の制作作業を行うルート）を対象とし、§10 でルート 3 のプラットフォームに関する事実を紹介します。

2. ナレーション用に原稿を準備する

印刷物のテキストは、目で読むために書かれています。ナレーション用のテキストは、見返すページがなくても、耳で聞いて理解できる必要があります。オーディオブックの品質は、原稿の準備段階で大きく左右されます。この工程は音声ツールよりも前に行います。

巻頭・巻末資料 — 既定にせず、判断する

[経験則] 巻頭・巻末資料の各要素を独立した短いセグメントとして扱い、含めるか省くかを明示的に決めます。

  • タイトルページ／著作権表示 — 通常は簡潔に読み上げます。アクセシビリティを重視した制作（§12 を参照）では、著作権表示、タイトル、セクション名をすべて読み上げます。商業向けの販売用制作では、短縮されることがよくあります。[事実] アクセシビリティのガイダンスでは、各セクションの冒頭でそのタイトル（「著作権」、「第 1 章」など）を読み上げるよう推奨しています。(NNELS のオーディオブックナレーター向けアクセシビリティガイドライン、2026-07-10 に確認)
  • 献辞、エピグラフ、謝辞、著者の他の著作の一覧 — 含める場合は、それぞれ独立した短いセグメントにします。商業向けの音声では省略されることもよくあります。作品ごとに判断します。
  • 冒頭・末尾のクレジット — 販売プラットフォームではこれらが求められます（§9 を参照）。冒頭のクレジットではタイトル、著者、ナレーターを伝えます。末尾のクレジットでは締めくくりを伝えます（「お聴きいただいたのは……」に続けて、タイトル、著者、ナレーターを述べ、最後に「終わり」と伝えます）。
脚注と巻末注 — ノンフィクションで最も難しい判断

[Heuristic] 文の途中で脚注を読み上げると、「ここは補足です」という視覚的な目印がないため、聞き手の理解が途切れてしまいます。注ごとに、次のいずれかを選びます。

  • 文に組み込む — 注の重要な情報が読み上げる本文の一部になるように書き換えます。
  • その場で明確に区切って読む — 聞き手が補足だとわかるように、「脚注で著者はこう補足しています……」などと声に出して前置きします。
  • 章や節の末尾にまとめる — 注を集めてまとめて読み上げます。
  • 省く — ページ番号、ibid.、URLのみなど、引用情報だけの注は、通常、音声では役に立たないため省きます。

学術版やアクセシビリティ対応版では、音声でも印刷版の情報をすべて伝えられるよう、注や参考文献を含めることが基本になります。(NNELS、2026-07-10確認)

表、図、グラフ、画像 — 書き換えるか、省く

[Heuristic] ナレーターはグラフを読み上げられません。表、グラフ、図、画像のキャプション、サイドバー、複雑な書式など、読者が見て理解する必要があるものはすべて確認します。それぞれについて、重要な内容を読み上げる一、二文にまとめるか（「表3は、2020年から2024年にかけて毎年売上がほぼ倍増していることを示しています」など）、省きます。だからこそ、プラットフォームによる自動ナレーションでは、画像や表の多い本、料理本、塗り絵本は適していないと明示的に警告されています。(Amazon KDP Virtual Voice eligibility、2026-07-10確認)

読み上げ時に展開する必要があるインラインテキスト

声に出したときに曖昧になりうる表記を事前に整える工程を設けます。

  • 数字 — 「$1,200」→「千二百ドル」または「一千二百ドル」（文脈に応じて選択します）、「1990s」→「1990年代」、「III」→「3番目」。TTS による数字の読み上げ方には一貫性がないため、意図的に表記を整えます。
  • 略語／頭字語 — 一字ずつ読むか、単語として読むかを決めます（「NASA」は単語として、「e.g.」は「例えば」、「St.」は使い方に応じて「Saint」または「Street」）。
  • URL とメールアドレス — ほとんどの場合、一文字ずつ読むのではなく、「本の説明に記載されているサイトをご覧ください」のように書き換えます。
  • 記号 — %, &, #, ° は語句に展開する必要があります。
会話の話者表記

[Heuristic] 印刷版では、「彼女は怒って言った」という表現が読者に口調を伝えます。音声では、口調は演技で伝えるため、副詞を多用した話者表記は冗長に感じられることがあります。しかし、生成ナレーションでは声の演技に頼れないことが多いため、人間の耳には明らかな話者表記を残すか、ツールが対応している場合はツールが実行できる括弧付きの演技指示を加える必要があります。どちらの場合も、会話の各行で話者が耳で判別できるようにします。話者表記のない長いやり取りが続くと、聞き手は誰が話しているのか判断できなくなります。

3. ナレーションを配役する

単独ナレーターか、複数の声か、フルキャストか

[事実／ヒューリスティック] 基本となるクラスは2つです。ソロ（1人の声が本全体を担当し、すべての登場人物を演じます）と、マルチキャスト（2人以上の声）です。フルキャストは映画的な演出を極めたもので、登場人物ごとに別々の俳優を起用し、会話タグを取り除き、場合によってはサウンドデザインも加えます。(Swift Publishing、Spines、2026-07-10確認済み)

判断の要素：

  • 視点。 一人称の物語では、通常は単独のナレーターが適しています（聞き手は1つの声、つまり主人公に親しみを感じます）。三人称の群像劇では、マルチキャストが許容される、または効果的な場合があります。[ヒューリスティック]
  • ジャンル。 ノンフィクション、回顧録、自己啓発では、圧倒的に単独のナレーターが選ばれます。講義や個人的な語りのように聞こえるからです。SFFや会話の多いフィクションでは、フルキャスト／デュアルキャストが好まれる傾向があります。[ヒューリスティック、上記の実務者間のコンセンサスによる裏付けあり]
  • 費用と編集。 [事実] フルキャストは費用を増やし、さらに重要なこととして編集の負担を増やします。多くの演者を起用して演出し、それぞれのファイルをつなぎ合わせる必要があるためです。(Spines、2026-07-10確認済み)
  • リスナーの好み。 [事実] 広く引用されているAudio Publishers Associationの数値によると、リスナーの過半数は、登場人物の声が区別されているほうが体験をより楽しめます。ただし、これは声の差別化についてであり、必ずしも別々の俳優が必要という意味ではありません。熟練したソロナレーターでも対応できます。(Spines経由で報告、2026-07-10確認済み — 正確な割合は参考値として扱ってください。)

生成型の制作では、「フルキャスト」は試すだけなら安価です（登場人物ごとに異なる合成音声を割り当てます）が、質の高いものに仕上げるには費用がかかります。複数の声それぞれの一貫性を保つ必要があり、さらに編集の問題も生じるためです。多くのプラットフォームの自動ナレーションツールでは、1冊の中で登場人物の声を追加できます。(Google Play Books auto-narration、2026-07-10確認済み)

誇張せずに登場人物の声を区別する

[ヒューリスティック] 目標は、登場人物全員を漫画のキャラクターのように演じることではなく、誰が話しているかを聞き手が判別できるようにすることです。ソロナレーター（人間または合成音声）の場合：

  • まず声の高さ、話す速さ、エネルギーで差をつけ、アクセントは最後にします。少し低く、ゆっくりした声のほうが、アクセントよりも崩れにくく、相手を不快にさせにくいものです。
  • 登場人物ごとの声を再現可能に保ちます。第12章の会話が第2章と一致するよう、各登場人物のパラメーター設定または特徴を表す基準を書き留めておきます。生成音声の場合は、登場人物ごとに声／シード／スタイルを固定し、記録することを意味します。
  • 人口統計的な誇張表現は避けます。ステレオタイプを通じて登場人物の民族、年齢、性別を示してはいけません。抑制のある表現は、技量の高さとして伝わります。

4. 時間単位の音声合成：短いクリップでは起きない問題

ここが、オーディオブック制作をTTSと区別する技術的な核心です。10万語の本は、およそ8～12時間の音声になります。(Fish Audio、2026-07-10確認済み)

音声のぶれ

［観察、十分に文書化されています］何時間にもわたって生成すると、合成音声の声質、エネルギー、さらには話すペースまで変化することがあります。第1章でうまく機能したトーンが、第15章では微妙に異なって聞こえるのです。これは、チャンクが個別に生成され、ランダムサンプリングによってそれぞれに揺らぎが生じるためです。（Fish Audio、2026-07-10確認）

対策：

  • シード／一貫性の制御を固定する。ツールにその機能がある場合は、チャンク間のサンプリングを決定的にします。［ヒューリスティック、ツールによって異なります］
  • 文ごとに生成するのではなく、より大きなチャンクを使う。生成ごとのコンテキストが増えると、チャンク間の声質の変化を抑えられます。（tts-audiobook-tool、Fish Audio、2026-07-10確認）
  • 音声設定を一度決め、すべての章で再利用する。セッションごとにツールに音声を選び直させないでください。
  • 本全体を抜き取り確認する。第1章の冒頭1分、中盤の章、最終章を続けて聴き、内容ではなく、特に音声のぶれがないか確認します。
チャンク分割の戦略

［ヒューリスティック］固定の文字数ではなく、意味のまとまり（文／段落）でチャンクを分割し、節の途中で切れないようにします。モデルが安定して処理できる範囲で、チャンクをできるだけ大きく保ちます（その長さでも正確さを維持できるモデルでは、1セグメントあたり約80語が一般的な目安です。長い入力で品質が低下するモデルでは、より短くします）。（Qwen3 long-form TTS、2026-07-10確認）一律の数値ではなく、各モデルの安定性に合わせてチャンクのサイズを調整してください。

章ごとの構成

［ヒューリスティック］1つの章ごとに1つのファイル／セッションを生成し、保存します。これにより、品質管理のチェックポイントを設けられます。さらに重要なのは、第15章を修正しても、本全体を再生成する必要がないことです。（tts-audiobook-tool、Fish Audio、2026-07-10確認）これは小売向けの章分け（§9）にも直接対応します。

一貫したペース

［ヒューリスティック］話す速度を全体で固定します。再生時間を短縮するために、情報量の多い章の速度を上げないでください。一貫しないペースは、一貫しない声質と同じくらい違和感を与えます。緊迫した場面やリストなど、別の雰囲気が必要な箇所では、意図的に変えて記録します。チャンク分割の過程で自然に変化してしまうのは避けてください。

5. 本全体での発音の制御

本の長さの音声合成で特に起こりやすい問題は、「Siobhan」という登場人物名や「Worcester」という地名、「Nginx」のような用語が、登場するたびに同じ間違った発音になることです。1つの誤りが40回繰り返されます。

本全体の発音辞書を作成する

［ヒューリスティック、強く裏付けられています］生成する前に原稿を確認し、すべての固有名詞、創作語、外国語、専門用語について、合意した発音をまとめた辞書を作成します。ツールの発音辞書／レキシコンを使うと、単語が登場するたびに固定の発音が適用されるため、出現箇所ごとに指定するのではなく、一度定義するだけで済みます。（AI Narration Pronunciation Guide、2026-07-10確認）この辞書は作品全体を通して更新し続けます（シリーズ作品でも再利用し、第3巻でも主人公の名前を第1巻と同じように発音させます）。

SSML と発音の上書き

[事実] SSML（音声合成マークアップ言語）は、発音、間、強調を制御します。発音の上書きには <phoneme>、長さを調整した間には <break>、強調の度合いには <emphasis>、数字や日付には <say-as> を使います。音素の種類と対応する SSML は、エンジンや言語によって異なります。(Google Play Books のコンテンツ ポリシー、発音ガイド、2026-07-10 確認済み) エンジンが誤読する名前には IPA またはエンジンの音素セットを使います。修正を全体に反映できるよう、インラインタグより辞書エントリーを優先してください。

同形異音異義語

[事実] 同形異音異義語とは、綴りが同じで発音が異なる語です。「read」（現在形）と「read」（過去形）、「lead」（動詞）と「lead」（金属）、「tear」、「bass」、「wind」、「live」、「minute」、「content」などがあります。TTS は文脈から誤った発音を選ぶことがあります。(発音ガイド、2026-07-10 確認済み) どちらの発音も正しいため、辞書に単一のエントリーを登録しても修正できません。各出現箇所で文脈に応じた上書きが必要です。そのため、同形異音異義語は QC の確認項目として重視されています。

6. 校正／QC：省略できない試聴

[ヒューリスティック、広く強調されている事項] 生成は制作ではありません。オーディオブック全体を通常の速度で聴く必要があります。多くの人が省略するこの工程で、星 1 つのレビューにつながるエラーを発見できます。(TTS／AI ナレーションの QC ガイダンス、2026-07-10 確認済み) 2 倍速でざっと確認しても、誤読、語尾の欠落、読み方の揺れは見つかりません。

校正時のエラー分類

問題はすべて種類ごとに記録してください。種類によって修正方法が異なります。

エラーの種類聞こえ方一般的な修正方法
発音ミス名前や用語の読み間違い辞書エントリーを追加し、該当チャンクを再生成
同形異音異義語の誤り単語は合っているが発音が違う（「lead the team」を金属の意味で発音）該当箇所に文脈に応じた音素の上書きを適用
テキストの読み飛ばし／脱落単語、行、段落が抜けているチャンクを分け直して再生成。無音の SSML／解析エラーがないか確認
テキストの挿入／繰り返し語句が二度読まれる、または幻覚された語句が入るチャンクを再生成し、境界を調整
強調／アクセントの誤り強調する語が違う、疑問文が平板に読まれるSSML の強調を調整するか言い換えて、再生成
ペースの問題早口、または節の途中で不自然に間が空く読み上げ速度／間のタグを調整
声の揺れ章によって別の読み手のように聞こえる声／シードを再設定し、章を再生成
数字／日付／略語の誤読「1990s」を「one thousand nine hundred nineties」と読むテキスト正規化の前処理で修正し、再生成
オーディオの不具合クリック音、息継ぎ、音切れ、ノイズ、音量の誤り生成ではなく、マスタリング（§7）で修正

章ごとに生成しているため（§4）、修正は局所的に行えます。本全体ではなく、該当するチャンクまたは章を再生成してください。

7. 技術的な納品仕様

[事実 — 2026-07-10確認済み] 音声ファイルの販売プラットフォームでは、技術的な基準が厳格に定められており、多くの場合、自動でチェックされます。数値の範囲外のファイルは、人が聴く前に却下されます。広く使用されているACX/Audibleの仕様は、事実上の基準となっており、他のストア向けであっても目標にすると安全なマスター仕様です。

  • ラウドネス（RMS）： −23 dB RMS～−18 dB RMS。
  • ピーク： クリッピングやエンコード時の歪みを避けるため、（トゥルーピークで）−3 dB未満。
  • ノイズフロア： −60 dB RMS未満。（自宅での録音では最も達成が難しい仕様であり、却下される最も一般的な原因です。）
  • ルームトーン： 各ファイルの冒頭と末尾に1～5秒（最大5秒）。
  • フォーマット： 192 kbps CBR MP3以上、サンプルレートは44.1 kHz。
  • チャンネル： すべてのファイルで統一します。すべてモノラル または すべてステレオとし、混在させないでください。
  • ファイルの長さ： 各ファイルは120分以下。
  • 1ファイルにつき1セクション： 各ファイルには、チャプターまたはセクションを1つだけ含めます。
  • オープニングクレジット（タイトル、著者、ナレーター）とクロージングクレジット。さらに、5分以下の販売用サンプルが必要です。

出典：ACXの音声提出要件、2026-07-10確認済み。

[経験則] 生成音声では、ノイズフロアの仕様は通常、簡単に満たせます（マイクのヒスノイズがないため）が、それでもラウドネスを正規化してRMSの範囲内に収め、ピークを−3 dBに制限し、実際のルームトーン（短い合成のほぼ無音の音や小音量のトーン）を追加する必要があります。ファイルの両端がデジタル的な完全無音にならないようにしてください。一部のエンコーダーやQCツールでは、完全無音がフラグされます。ファイルごとにマスタリングし、納品前にラウドネスメーターですべてのファイルを確認してください。仕様外のファイルが1つでもあると、アップロード全体が却下されます。

8. チャプター分割とメタデータ

[標準] 再生順にプレーヤーが正しく並べ替えられるよう、チャプターまたはセクションごとに1ファイルを納品し、ファイル名を付けます。セクション名の前に時系列順の番号を付けます（例：01 Opening Credits、02 Chapter One、03 Chapter Two）。（APLN／アクセシビリティ制作、2026-07-10確認済み）

[標準] オーディオブック自体に構成情報を持たせるため、各MP3にID3タグを埋め込みます。タイトル＝チャプター名、アルバム＝書籍のタイトル、アーティスト＝著者／ナレーター、トラック番号＝再生順。充実したメタデータはアクセシビリティも向上させ、メタデータを理由に却下されるリスクを減らします。（APLN ID3の概要、APLNメタデータの概要、2026-07-10確認済み）

カバー画像、タイトル、著者、ナレーターのクレジット、シリーズ、説明は販売代理店側で設定し、電子書籍／印刷版のメタデータと一致させる必要があります。

9. 販売プラットフォームとAIナレーションのポリシー（制作前に要確認）

ここでのポリシーは変更が多く、プラットフォームによって大きく異なります。すべて2026-07-10に確認済みです。制作時に再確認してください。 AIナレーションの扱いは、禁止から開示必須、さらにはプラットフォーム側で生成までさまざまです。

Audible／ACX — 人間によるナレーションのみ。ただし、ナレーターの同意がある場合はAIを例外的に利用可能

[ポリシー — 2026-07-10確認済み] ACXでは人間によるナレーションが必須です。標準的な提出では、許可されていない音声合成／AIナレーションは認められません。 （ACXの要件） 例外はNarrator Voice Replicaベータ版（2025年7月9日開始、米国のみ）です。ナレーターが自身の声を複製したAIを作成し、人間のナレーターと同様にオーディションを受けて選ばれたうえで、発音やペースを調整するために出力を編集します。Audibleは承認なしにナレーターの複製音声を作品に使用することはありません。複製音声を使用した作品にはラベルが付けられます。報酬は完成時間単価、ロイヤリティ分配、またはその組み合わせが可能です。（ACXブログ：Narrator Voice Replicas） 意味するところ：汎用AIでナレーションしたファイルをACXにアップロードすることはできません。AIを利用するには、同意したナレーターを介する必要があります。

Amazon KDP「Virtual Voice」— Amazon が生成（ACX とは別）

[ポリシー — 2026-07-10 確認済み] Kindle 電子書籍から AI オーディオブックを生成する、Amazon の別プログラムです（ベータ版で、多くの場合招待制です）。 対象条件：電子書籍が 7 日以上公開されていること、目次があること、主な言語が英語であること、既存のオーディオブックがないこと、約 24 万語未満／約 26 時間未満であること、音声に適していること（料理本・ぬり絵本は対象外）。複数の音声から選択でき、販売価格は $3.99–$14.99です。Audible のオーディオブックが販売されている地域で配信されます。(KDP Virtual Voice の対象条件、利用開始方法)

Spotify（Spotify for Authors 経由）— AI 音声を許可、開示必須

[ポリシー — 2026-07-10 確認済み] Spotify はデジタル音声（AI）によるナレーションを受け付けています。著者は「このオーディオブックではデジタル音声ナレーションを使用しています」を選択し、Spotify が説明文に開示文を追加します。Google Play Books、ElevenLabs などのプロバイダーによるデジタルナレーションを受け付けています。注：デジタル音声のタイトルは紹介パートナーには共有されません。(Spotify のデジタル音声ナレーション)

Findaway Voices → Voices by INaudio — 幅広く配信、開示すれば AI 音声を許可

[ポリシー — 2026-07-10 確認済み] Findaway Voices by Spotify は 2025 年 8 月 1 日に終了しました。 Spotify 以外への第三者配信とセルフパブリッシング事業は Findaway の共同創業者が買い戻し、独立した Voices by INaudio として再始動しました。以前の Findaway の URL は同サービスにリダイレクトされ、ログイン情報も引き継がれています。INaudio は完成したオーディオブックを 30 以上の小売店・図書館（Audible、Apple Books、Spotify、Google Play など）に配信し、小売店の手数料を差し引いた純収益の約 20％を受け取ります。AI ナレーションは開示すれば利用できます。Spotify へのアップロードは、現在 Spotify for Authors から直接行います。(Jane Friedman：Findaway が INaudio として復活、Self-Publishing Advice)

Google Play Books — 自動ナレーション（プラットフォームが生成する AI 音声）

[ポリシー — 2026-07-10 確認済み] Google が EPUB からオーディオブックを生成します。オーディオブックの権利を所有し、電子書籍を Google Play で公開している必要があります。入力言語は英語、スペイン語、ドイツ語、フランス語、ヒンディー語、ブラジルポルトガル語などに対応しています。50 種類以上の音声から選べるほか、登場人物の音声を追加したり、速度を編集したり、発音を修正したりできます（候補から選択、発音記号で指定、または単語を録音）。出版社の収益分配率は約 52％です。ファイルをダウンロードして広く販売できますが、ほかの場所でも販売する場合は Google Play にも掲載する必要があり、Google Play での価格は他所の価格を超えてはなりません。(Google の自動ナレーション、プログラムのポリシー)

Apple Books — デジタルナレーション（プラットフォームが生成する AI 音声）

[ポリシー — 2026-07-10 確認済み] Apple は、Apple Books で公開されているリフロー型の英語電子書籍から、対応カテゴリ（フィクション、ロマンス、ミステリー＆スリラー、SFF、ノンフィクション、自己啓発。成人向け作品は対象外）のデジタルナレーション付きオーディオブックを制作します。Apple の制作工程では、音声合成に言語学者、品質管理の専門家、音響エンジニアが携わります。利用は承認済みパートナー（インディー著者向けの Draft2Digital、出版社向けの Ingram CoreSource／PublishDrive など）を通じて行います。無料で、制作・品質管理には約 1～2 か月かかります。オーディオブックの権利は保持され、別のバージョンも制作できます。(Apple Books のデジタルナレーション、利用開始方法)

ルートの示唆

［経験則］Audible／Amazon で AI オーディオブックを配信したい場合、現実的な選択肢は Amazon の Virtual Voice、または同意を得たナレーターの ACX 音声レプリカです。自分で作成した AI ファイルではありません。AI 音声を自分で制作して幅広く配信したい場合は、ACX の仕様に合わせてマスタリングし、AI ナレーションであることを開示したうえで、幅広い配信に対応するアグリゲーター（例：INaudio）と Spotify for Authors を通じて配信します。ただし、Audible／ACX は汎用的な AI ファイルを受け付けない点に注意してください。プラットフォームが生成する配信ルート（Google、Apple）は最も手間がかかりませんが、それぞれの配信経路と料金ルールに従う必要があります。

10. 権利と同意

［事実］テキストの権利とナレーションの権利は別々です。著者は文章の著作権を保有し、ナレーターは録音されたパフォーマンスに対する別個の実演権を保有します。本を所有していても、その朗読パフォーマンスの権利が得られるわけではありません。また、その作品のオーディオ権を実際に保有している必要があります（プラットフォームの自動ナレーションプログラムでは、この権利を保有していることを表明する必要があり、権利の保有が求められる場合は、パブリックドメインであることだけを根拠とする申請は対象外となります）。(AI 音声クローンの法的問題、Apple、Google のポリシー、2026-07-10 確認済み）

［事実］**音声クローンには、声の所有者による明示的な同意が必要です。**パブリシティ権は、本人の声のアイデンティティを無断の商用利用から保護します。特定のナレーターや、本人だと分かる声を、書面による許可なくクローン化すると、法的リスクが生じます。また、業界慣行（SAG-AFTRA の規約など）では、書面による同意と報酬が求められます。モデルのトレーニングを含む「二次的利用」を、目立たない形で主張するライセンスの細則にも注意してください。(AI 音声クローンの法的問題、Findaway／Spotify の利用規約に関する Authors Guild の見解、2026-07-10 確認済み）

［経験則］**「3 つの C」：consent（同意）、control（管理）、compensation（報酬）**を基準にしてください。音声の合成が倫理的にも法的にも安全なのは、所有者が同意し、どのプロジェクトで使うかを管理でき、報酬を受け取る場合に限られます。汎用ライブラリの TTS 音声を使う場合は、商用オーディオブックでの利用をツールのライセンスが認めていることが安全性の根拠になります。ライセンスを確認し、適用範囲（商用利用、オーディオブックの配信、生成物の所有者が誰か）を確かめてください。実在する人物の声は、著名なナレーターの「スタイル」を含め、許可を文書で確認できない限り、決してクローン化しないでください。

11. アクセシビリティの観点

［経験則／事実］オーディオブックは、印刷物を読むことに障害のある人にとって主要な読書形式です。アクセシビリティを重視した制作では、商用販売向けよりも厳格な完全性の基準が求められます。節のタイトルを読み上げ、脚注／後注／参考文献を省略せずに含め、印刷物を読むことに障害のある人が、目の見える読者がページをたどるのと同じように本の中を移動できるよう、各セクションを完全なメタデータ付きの個別の番号付きファイルにしてください。(NNELS のガイドライン、AccessiblePublishing.ca、2026-07-10 確認済み）作品の目的がアクセシビリティ（図書館、教育、公益）である場合は、§2 の「含めるか省くか」の判断では、すべて含める方向を優先してください。また、章分け／メタデータ（§8）を厳密に整備してください。これらはナビゲーション層となります。

12. エンドツーエンドの例（ラベル付きの例 — 必須の定型ではありません）

目的： 95,000語の一人称回想録をAIナレーション付きオーディオブックとして自作し、簡単な脚注を付けて幅広く配信します。

  1. 配信経路： ルート2（生成AIを使った自作）。Audible/ACX は汎用的なAI音声ファイルを受け付けないため、アグリゲーターと Spotify for Authors を通じて幅広く配信し、AIナレーションであることを開示する計画を立てます。
  2. 原稿の準備： 一人称の回想録 → ナレーターは1人です。約15件の引用脚注を整理します。出典だけの注記9件を削除し、4件を文章に組み込み、興味深い2件は音声上の合図を入れて本文中で読み上げます。数字と日付の表記を統一し、略語を展開して、表1つを読み上げ用の文章2文に書き換えます。冒頭と末尾のクレジットを作成します。
  3. 発音辞書： 固有名詞を確認します。著者の故郷である「Beaufort」（BOH-fort ではなく BYOO-furt）、家族の姓2つ、外国語のフレーズ1つを確認し、辞書エントリーに追加します。同形異音異義語（「read」「tear」「live」）は、文脈によって読み方が決まるため、QCで確認する項目としてフラグを立てます。
  4. 音声と一貫性： 商用オーディオブックでの使用が許諾されたライブラリ音声を1つ選びます。シードを固定し、全体の読み上げ速度を設定して、章ごとに1ファイル生成し、音声設定を正確に記録します。
  5. QC： 1倍速で全編を聴きます。§6の分類に従って記録します。同形異音異義語の誤りが2件（形容詞の「live」、泣くという意味の「tear」）あり、箇所ごとの上書き設定で修正しました。文が1つ抜けていたため再生成しました。明るい声質にずれていた章が1つあったため、シードに合わせて再調整し、再生成しました。
  6. マスター音源： ファイルごとに、RMSを約−20 dBに正規化し、ピークを−3 dBに制限し、前後に1秒のルームトーンを追加して、44.1 kHz、192 kbps CBR のMP3としてモノラルで書き出します。すべてのファイルをラウドネスメーターで確認します。
  7. 章分けとメタデータ： ファイル名を 01 Opening Credits … NN Closing Credits とし、それぞれにID3 Title/Album/Artist/Trackを設定します。
  8. 権利と開示： オーディオブックの権利を保有していることを確認します。音声ライセンスが商用オーディオブックの配信を対象としていることを確認します。必要とするすべての配信事業者で「デジタル音声ナレーション」の開示フラグを設定します。

想定される結果： 仕様に準拠し、章分けと開示が済んだAIオーディオブックを幅広く配信できる状態です。起こりやすい失敗： 辞書に登録し損ねた名前の発音ミス、RMSの範囲を外れたファイルが1つありアップロードを拒否されること、または開示フラグの設定忘れです。バリエーション： 三人称の群像小説では、主要キャラクターごとに一貫した声を割り当てる複数ナレーター方式が適しています。それぞれの設定と声のずれの確認結果を記録します。学術的なノンフィクション作品では、脚注を含めることと、すべてのセクションタイトルを読み上げることが適しています。

ソース（2026-07-10 確認済み）

コメント

Markdown 対応