YUIとRUIの声はどう作ってる？ElevenLabs V4で「読む」から「演じる」へ
今年の8月頃から始めたNEKØ RADIO。
YUIとRUIの二人に、毎週いろんなテーマで喋ってもらっています。
ありがたいことに、コメントで
「この声ってどうやって作ってるんですか？」
と聞いてもらうこともありました。
ということで今回は、NEKØ RADIOで使っているAI音声について、ちょっと制作の裏側を書いてみようと思います。
使っているのはElevenLabs。
そして先日、新しい音声モデル「Eleven v4」が登場しました。2026年9月28日に公開されたばかりで、YUIとRUIの声も次回からV4へ移行します。
告知動画も作ってみました！どうぞ！
YUIとRUIの声はどう作った？
実は、YUIとRUIの声は誰かの声をクローンしたわけではありません。
ElevenLabsにはVoice Designという機能があります。
「こんな声がいい」
「このくらいの年齢感」
「少し落ち着いた話し方」
みたいに文章でイメージを入力すると、それをもとに声の候補を作ってくれます。
ただ、一発でイメージに合った声が出るとは限らないです。
「これはちょっと違うな」
「もう少し落ち着いてほしい」
「お、これはYUIっぽい！」
みたいなことを何度も繰り返しました。
そうやって残ったのが、今のYUIとRUIの声です。
そもそも、なぜElevenLabsを選んだのか
AI音声サービスはいろいろあります。
その中でElevenLabsを使おうと思った理由のひとつが、声をどう扱っている会社なのかが比較的はっきりしていたことでした。
イレブンラボジャパン広報室の記事には、学習について、
「ライセンス済みのデータだけで学習しています」
と書かれています。詳しい記事はこちら。
音楽では権利者とライセンス契約を結び、声についても本人や権利者の許諾を前提に扱う仕組みが用意されています。
AIを使って作品を作る以上、私自身ここは結構気になります。
「すごい声が出るから使う」だけではなくて、
その声がどういう考え方で作られているサービスなのか。
そこがある程度見えることは、ElevenLabsを選ぶうえでひとつの安心材料でした。
そして、もうひとつ。
単純に、声がものすごく自然だった。
初めて触った頃から驚いていましたが、V4になってからはさらに一段変わった感覚があります。
イントネーション、間の取り方、笑い方、ちょっとした言い淀み。
音声だけ聞かされたら、正直私には
「これは人間なのか、AIなのか」判断できない場面が出てきました。
もちろん、これは個人の感想です。
でも、だからこそ面白い。
「AIっぽくない声を作れるようになった」というより、
YUIとRUIの“声そのもの”として受け入れられるようになってきた。
私にとっては、そっちの変化の方が大きかったりします。
同じ声でも「演技」で全然違う
例えばYUIなら、
［冷静に］
「それ、本当に必要？」
RUIなら、
［少し嬉しそうに］
「え、めっちゃいいじゃん！」
こんな感じで、セリフの前に「どう喋ってほしいか」という指示を入れています。
ElevenLabsではこうしたものをAudio Tagsとして扱っています。
V4では角括弧の中に自然な言葉で演技指示を書くことができて、笑う、囁く、驚く、早口になる、間を置く……といった表現だけでなく、かなり自由に「どう演じてほしいか」を伝えられるようになっています。
ここまではV3にもあった機能です。
ただ、NEKØ RADIOを作っていて、ずっと少し困っていたことがありました。
日本語です。
V3では「もう一回」が結構多かった
V3も十分すごかったんですが、文章によってはイントネーションが不自然になったり、
「そこをそう読むの!?」
みたいなことが結構ありました。
一度生成して、
「違うな」
もう一度。
「今度は別のところが変だな……」
もう一度。
短いセリフなのに、何回も作り直すことも珍しくありませんでした。
ところがV4を試してみて、最初に驚いたのがここ。
一発目から普通に聞ける。
もちろん、まだ完璧とは言いません。
でも実際にYUIとRUIで試した範囲では、日本語のイントネーションや文章全体の流れがかなり自然になっていて、作り直す回数が明らかに減りました。
じゃあ、関西弁はどうなる？
もう一つ気になったのが、アクセントや方言。
V4では、元の声を保ちながらアクセントやキャラクター性をAudio Tagsで変化させる例も公式から紹介されています。
そこで試しに、関西弁っぽいセリフも作ってみました。
これは文章で説明するより、実際に聞いてもらった方が早い（笑）。
公式に「関西弁対応」と書かれているわけではないので、あくまで私が実験してみたものですが、ここまでできるのか……と結構驚きました。
「AI音声」から「YUIとRUIの声」へ
でも、V4で一番面白かったのは、音質でも日本語の上手さでもありません。
YUIとRUIが、前より“会話しているように聞こえる”こと。
笑う。
呆れる。
ちょっと言い淀む。
相手の言葉に食い気味で返す。
そういう小さな演技が増えるだけで、
「AI音声を流している」
から、
「そこに二人がいる」
に、少しずつ感覚が変わってくるんですよね。
これはNEKØ RADIOにとって、かなり大きな変化でした。
AIの声が人間に近づいた。
もちろん、それ自体もすごい。
でもそれ以上に、
「この喋り方だからYUIだ」
「この反応だからRUIだ」
と思える瞬間が増えてきたことの方が面白いです。
技術が進化するほど、逆に大事になるのは、
「どんな声を出せるか」
ではなく、
「そのキャラクターに何を喋らせるか」
なのかもしれません。
さて。
次は二人に、何を喋らせようかな。
【参加コミュニティ】
