VoiceStudioで自分の声をボイスクローン。ElevenLabs v4 TurboとGemini 3.8 TTSとも聞き比べ

家事と子育てのスキマで経営する3方よしAI共創コンサルタントの田中啓之、ひろくんです。

GitHubで今週いちばん伸びていたのが、VoiceStudioでした。1週間で16,000以上のスター。646言語に対応したボイスクローン（声のクローン）が、自分のパソコンの中だけで動くって触れ込みです。で、AI秘書の凛ちゃんに頼んで、私のMacに入れてもらいました。

材料は、私の生の声13秒だけ。比べる相手は、いま講座動画で使っているElevenLabs v4 Turboと、Google AI Studioで作ったGeminiの私の声です。結果、ローカルのクローンはElevenLabsにあと一歩でした！

私の講座動画のナレーションは、ElevenLabsで作っています。私の声のクローンに、台本を1行ずつ読ませる形です。9月30日にはv4 Turboへ切り替えました（ElevenLabsとGemini 3.8 TTSを自分の声で5本聴き比べた記事）。その本番の声と、Macの中だけで再現した声を並べました。

似ている度合いは、本物の私の声を1.000とした時の近さです。本物の私が別の場面で話した声でも0.937。ここが天井です。

ローカルは、ElevenLabsとの差が0.01〜0.05。Geminiより上でした！弱点は2つあります。読むのが速いこと。それと、たまに読み間違えること。どちらも対処できるので、後の章で書きます。

VoiceStudioは、GitHubで公開されている声のアプリです。WindowsやLinuxでも動く作りで、今回はMac版の0.5.6を入れました。

中で動いているのは、OmniVoiceという声のモデルです。大きさは3.27GB。ライセンスはApache-2.0で、アプリ本体はAGPL-3.0です。

できることはシンプルで、3つです。

• 声の見本と、その文字起こしを渡す
• 読ませたい文を入れる
• 見本の声で読み上げた音声が返ってくる

ポイントは、声も文章もインターネットに出ていかないことです。クラウドの読み上げは、声の見本を相手のサーバーに預けます。VoiceStudioは、最初にモデルを落とした後はMacの中だけで完結します。速さも測りました。12秒の音声を作るのに、温まった状態で約4.5秒。Mac（Apple Silicon）のGPUで動いています。

入れ方は3ステップです。

1. GitHubのリリースからMac用のdmgを落として、アプリケーションへ入れる
2. 初回起動で、Pythonの実行環境（約1.5GB）とOmniVoiceのモデル（3.27GB）を入れる
3. 声の見本を入れて、文を読ませる

で、つまずいた所があります。ポート3900の取り合いです。

VoiceStudioは、裏でポート3900番を使って声のモデルを動かします。私のMacでは、別の道具がすでに3900番を使っていました。するとアプリは、その別の道具を自分の裏方だと思い込んでつながってしまいます。画面は動くのに、声が作れない状態です。

直し方は、起動時に別の番号を渡すことでした。

open -n -a /Applications/VoiceStudio.app --env OMNIVOICE_PORT=3910

これで3910番で立ち上がり、正しくつながりました！普段から開発の道具を何本も動かしている方は、先に3900番が空いているか確かめておくと早いです。

もう一つ細かい所です。モデルの一覧で「入った」と表示されても、裏ではまだダウンロード中のことがありました。ダウンロードの進み具合が空になるまで待ってから使ってください。

読ませたのは、この一文です。

一貫した機材を使用。サンプル間で録音機器を変更しないでください。10秒の音声が必要。

実はこの一文、私が実際に読み上げた録音の中にあります。だから本物と並べられるってわけです。

ローカルの声の見本は、同じ録音の別の部分13秒だけです。この一文は見本に入れていません。

ElevenLabsとGeminiのクローンは、私がそれぞれのサービスで作ったものです。ElevenLabsの新しい版が日本語の数字をどう読むかは、Eleven v4の実演を確かめた記事にまとめています。ElevenLabsの声は、この一文を含む30秒の録音から作っています。だからElevenLabsは少し有利な条件です。Geminiの声は、9月26日に私がGoogle AI Studioで録音から作りました。

近さの数字は、話者の声の特徴を数値にする道具（Resemblyzer）で出しています。声の特徴同士を比べて、1.000に近いほど同じ人の声に聞こえる、という見方です。

ここで一度、測り直しをしています。

最初にAI秘書の凛ちゃんが基準にした「私の声」は、講座動画のナレーションでした。それ、ElevenLabsが作った私のクローンです。AIの声を手本にAIの声を測っていたので、数字は全部使えません。

報告を見た私は、こう聞きました。

なんで私自身の生の声を使ってやらないんですか？

そこでAI秘書の凛ちゃんが、ElevenLabsに声を作る時に私が録った、生の声30秒を探し出しました。その録音を「見本の13秒」と「答え合わせの一文」に分けて、全部やり直しています。この記事の数字は、やり直した方です。

ローカルの声を試すなら、ここは真似してほしい所です。手本にするのは、AIで作った声ではなく、自分がマイクで話した声。そうしないと、クローンのクローンを作ることになります。

弱点の1つ目は、速さです。

本物の私は、あの一文を7.5秒で読みます。ローカルは5.1〜5.4秒。早口の私になります（笑）対処は、長さを指定することです。VoiceStudioには、出来上がりの秒数を決める設定があります。7.5秒を指定すると、本物と同じ長さで読みました。

弱点の2つ目は、読み間違いです。

見本を20秒に増やして、長さを7.5秒に指定した4本のうち、1本だけ「変更しないで」を「変更にしないで」と読みました。

対処は、同じ文で何本か作って、良い1本を選ぶことです。1本あたり数秒で作れるので、4本作っても待ち時間は30秒もかかりません。ナレーションに使うなら、文字起こしで台本と照らし合わせる工程を1つ挟むと安心です。

今回の結果で使い分けるなら、こうなります。

• 声を外に出したくない原稿：ローカル（VoiceStudio）。社内向けの説明、下書きの読み上げ、試し録り
• 講座動画など本番のナレーション：ElevenLabs v4 Turbo。長さが正確で、読み間違いが出なかった（台本から動画を作る流れはClaude Codeで台本から動画を作る手順が参考になります）
• Googleの仕組みの中で完結させたい時：Gemini。近さはローカルより下でしたが、読み間違いは0本でした

数字の上では、ローカルで再現した声が本番にかなり近づきました。ただ、私は前から、声で感じることはテキストではないものがいっぱいあると思っています。言霊というか、響く。

愛している人の声を聞いて、ホッとしたことがあります。あの安心には、声の音だけでなく、その人が話しているということも入っていたのかなと思います。

近さ0.9の声は、音としては私の声です。でも、聞く人が「ひろくんが話している」と受け取るかどうかは、数字では測れません。

ローカルで声が作れるようになったことで、声を預けるかどうかを、原稿ごとに選べるようになります！