Syntopia BOX ガイド
ライブ配信で自分の声をクローンしたい方へ。一度ご自身の声を録音すれば、その声でAIホストが24時間商品を紹介できます。ただし多くの方が見落とすポイントがあります。声のクローンと、新しい言語での販売は別の工程だということです。まず声をクローンし、販売したい言語ごとに、その言語の短いサンプルで声を学習させ、その言語で台本を書きます。Syntopia の V10 エンジンは 600言語以上に対応しており、主要な言語は事前に読み込まれています。

そのため、ブランドの声で英語、日本語、韓国語、タイ語、ベトナム語、インドネシア語などでも販売できます。追加する言語ごとに短いサンプルを録音すれば、同じ聞き覚えのある声が、その市場向けの台本を読み上げます。このガイドでは、録音する内容、V10が言語ごとに声を学習する仕組み、既製音声やネイティブスピーカーの声を使う判断基準、そして古い音声を一貫した声に変える Voice Conversion ツールまで、全体の流れを説明します。
- 数秒のクリーンな音声から 声をクローンできます。特定の言語で販売するには、その声を その言語の短いサンプルで学習させ、台本もその言語で書きます。ホストは、あなたの声でその言語をライブで話します。
- V10は600言語以上に対応しており、主要な言語はライブ配信のセットアップ時に事前に読み込まれています。まだ含まれていない言語の場合は、コンテンツを翻訳して貼り付けるか、言語の追加をリクエストできます。
- 市場ごとに声の選び方は3通りです。既製音声(最速)、クローンしたご自身の声(どの市場でも統一されたブランドの声)、クローンしたネイティブスピーカーの声(特定の市場向けの現地らしいアクセント)。
- 声のクローンはすべてのSyntopia BOXプランに含まれ、クローンした声に有効期限はありません。
- Voice Conversionツールは、既存の音声クリップを1つの選んだ声に変換します。複数の人が台本を録音した場合に便利です。
AIライブコマースで声をクローンする理由
ライブ配信のホストは何時間も話し続けます。毎日、すべての市場で自分ですべてのセリフを読むのは現実的ではありません。欧米でプロのホストを雇うと、おおむね1時間あたり100〜200ドル(参考:日本円で約1万5千円〜3万円、為替により変動)かかります。声のクローンは、この両方の課題を解決します。AIホストはあなた(または選んだ声)そのままに話し、疲れることもなく、新しい市場でも短いサンプルを学習させればすぐに配信できます。
声の一貫性も保てます。視聴者はブランドのロゴと同じように、ブランドの声も覚えてくれます。国ごとに別のフリーランスに依頼する代わりに、クローンした声のモデルがTikTok、YouTubeなど配信するすべてのプラットフォームで同じトーンを保ちます。

ステップ1 ― クリーンなサンプルを1つ録音する
録音が必要なのはこの1回だけです。Syntopia BOXで、AIホストの設定から短い音声を使って声をクローンします。数秒の明瞭な話し声で十分です。重要なのは長さではなく、サンプルの品質です。
- クリーンな音声のみ:BGM、テレビ、外の騒音、部屋のエコーは入れないでください。Voice Conversionも同様に、音楽やノイズのないクリーンな参照音声が必要です。
- 自然なペースとトーン:ライブ配信で話すときと同じように話してください。ゆっくりすぎたり、かしこまりすぎたりしないことが大切です。
- 話者は1人:あなただけが話し、他の人が重ならないようにしてください。
- 静かな部屋と良いマイク:入力が綺麗なほど、クローンはより自然になります。
ご自身の声をクローンしたくない場合は、このステップを省いて既製音声を選ぶこともできます(後述)。クローンは任意です。ただし、あなただと一目でわかる声になるのはクローンならではです。
ステップ2 ― V10が声を学習、600言語以上に対応
BOXにサンプルを渡すと、V10音声エンジンがそこから声のモデルを学習します。音声のファミリーは2種類あります。主に英語向けに調整されたV6と、英語も話せますが外国語の声向けに作られたV10です。市場に合う方を選んでください。重要な進化はV10です。以前の音声クローンは約13言語に限られていましたが、V10は600言語以上に対応し、主要な言語はライブ配信のセットアップ時に事前に読み込まれています。日本語もそのひとつです。
声をクローンし、販売する言語ごとに録音して学習させる。同じ聞き覚えのあるホストが、どの市場にも。
具体的な流れは次のとおりです。ここを誤解しているガイドが多いので注意してください。1つの声をクローンすれば600言語すべてがすぐ使えるわけではありません。まず声をクローンし、販売したい言語ごとに、その言語で短いサンプルを録音し、V10の声をそのサンプルで学習させ、その市場向けの台本をその言語で書きます。するとホストは、あなた自身の声でその言語をライブで話します。主要な言語はライブ配信のセットアップ時にすでに読み込まれています。まだ含まれていない言語は、コンテンツを翻訳して貼り付けるか、言語の追加をリクエストできます。
声のクローンはすべてのSyntopia BOXプランに含まれ、クローンした声に有効期限はありません。一度学習させれば、今後のライブルームでも引き続き使えます。(現在のプランは Syntopiaの料金ページをご覧ください。)
ステップ3 ― 既製音声・クローン音声・ネイティブスピーカー、市場ごとの選び方
すべての国で同じ方法を使う必要はありません。Syntopiaでは3つの声の選択肢があり、どれが適するかは参入する市場によって異なります。
| 声の選択肢 | 内容 | 最適なケース | 対応言語 | 設定の手間 |
|---|---|---|---|---|
| 既製音声 | BOXのライブラリから選ぶ、あらかじめ用意された声。録音は不要です。 | 今日すぐ配信したい場合や、個人の声が必要ない場合。 | 約20言語 | なし ― 選ぶだけ |
| クローンしたご自身の声 | V10でクリーンなサンプルからクローンした、あなた自身の声。 | 販売するすべての市場で、統一されたブランドの声を使いたい場合。 | 600言語以上対応(言語ごとに学習) | クローン後、言語ごとに短いサンプル |
| クローンしたネイティブスピーカー | 現地のプレゼンターの声を、ご自身の声と同じ方法でクローンしたもの。 | 特定の市場が、現地のアクセントや話し方に強く反応する場合。 | 600言語以上対応(言語ごとに学習) | 本人をクローン後、言語ごとにサンプル |
3つを組み合わせて使うセラーも多くいます。国内市場にはクローンしたブランドの声、重点国1〜2か所にはクローンしたネイティブスピーカー、テスト配信をすぐ立ち上げるには既製音声、といった使い方です。クローンは無料で含まれ、有効期限もないため、複数の声を用意しておくことに追加のペナルティはありません。
Voice Conversionツールで古い録音を再利用する
過去のライブ配信の音声、録音した台本、チームメンバーがそれぞれ録音したクリップなど、既存の音声がある場合でも、すべてを一つの声で録り直す必要はありません。BOXのToolboxには、この目的のために連携して使える2つのツールがあります。ここでは、完全版ガイドよりも詳しく説明します。
Split Audio into Clips
準備
Voice Conversionは短いクリップ(それぞれ3〜15秒)で動作するため、まず長いファイルを自然な間で区切ってクリップにします。以下の3つの設定で制御します。
- 無音のしきい値:これより小さい音は、カットできる間(ポーズ)とみなされます。デフォルトは−24です。カットが多すぎる場合は−30まで下げてください。
- 最小の長さ(Minimum Duration):デフォルトは3秒です。
- 最大の長さ(Maximum Duration):デフォルトは15秒です。クリップが長すぎる場合は下げてください。
音声ファイルを選ぶと、BOXが適切な長さのクリップに自動で分割します。
Voice Conversion
変換
これは、音声クリップ内の声を1つのクローンした声に変換するものです。複数の人が録音したクリップも、選んだ1人のホストの声に統一されます。必要なのは、クリーンな参照音声3〜15秒(音楽やノイズなし)です。参照音声を選び、クリップのフォルダを指定すると、1回の処理ですべてのクリップが変換されます。
ヒント:変換の前に Split Audio into Clips を実行して、すべてのクリップを適切な長さにしておきましょう。
クローンした声は、すべての配信形式で使える
声がクローンされると、BOXがあなたの代わりに話すすべての場面で利用できます。
- デジタルヒューマンのホスト:AIアバターが、あなたのクローンした声で台本を読み、チャットに答えます。
- アシスタント(共同ホスト)の声:Settings → Assistant Voice → Enable でアシスタントに2つ目の声を設定できます。ホストと区別しやすいよう、別の音色を選んでください。
- Smart Recorded Stream:視聴者は実際のあなたの録画を見ます。質問があると、AIがあなたのクローンした声で、口の動きを合わせて答えます。
- Real-Scene・AI Hosting Assistant配信:画面にアバターは出ません。商品がカメラに映り、クローンした声(または既製音声)が話します。
PCの設定、ライブルームの作成、TikTokやその他のプラットフォームでの配信まで、エンドツーエンドのセットアップは Syntopia BOX 完全ガイドをご覧ください。本記事は、特に音声の部分を詳しく解説するものです。
日本のセラーのための補足
日本の視聴者は、丁寧だけれど堅すぎない話し方を好む傾向があります。台本は基本的に「です・ます」調で書き、商品説明は短くまとめ、押しつけがましくない言葉を選ぶと自然に受け入れられます。ライブ配信の声を統一しておけば、視聴者が「いつもの声」として覚えやすくなり、リピーターの獲得にもつながります。
購入の流れでも、日本の購入者がよく使う支払い方法(コンビニ払い、代金引換、後払いなど)があります。配信の台本には、送料、お届け日数、返品の案内を入れておくと、購入をためらう視聴者を減らせます。返品や消費者向けのルールは、販売先のプラットフォームと販売者の所在地のルールに従ってください。
季節の需要も考慮しましょう。お盆、年末年始、ボーナス時期、夏と冬のギフト需要などは、ライブで取り上げやすいテーマです。日本時間(JST)の夜、特に20時〜23時頃は視聴が集まりやすい時間帯とされています。季節の挨拶や限定企画を言語ごとの台本として先に用意しておけば、配信直前の手間を減らせます。
- クローンした声はAIで生成された音声です。TikTokなど、配信するプラットフォームのAIコンテンツのポリシーに従い、AI配信であることを表示し、ホストがリアルタイムで視聴者と対話する形を維持してください。
- クローンするのは声です(ご自身、または同意したネイティブスピーカーのもの)。本人の許可なく、他人の声をクローンしないでください。
よくある質問
AIライブ配信で自分の声をクローンするにはどうすればいいですか?
Syntopia BOXのAIホストの設定で、声をクローンするを選び、短くクリーンな音声サンプルを渡してください。数秒の明瞭な話し声で、BGMやノイズがなければ十分です。V10エンジンがそのサンプルから声のモデルを学習します。録音は1回だけで、クローンした声は作成するすべてのライブルームで使えます。
クローンした声は本当に600言語以上で話せますか?
V10は600言語以上に対応しており、主要な言語はライブ配信のセットアップ時に事前に読み込まれています。声をクローンすることと、新しい言語で販売することは2つの工程です。まず声をクローンし、言語ごとにその言語で短いサンプルを録音してV10の声を学習させ、その市場向けの台本をその言語で書きます。するとホストは、あなた自身の声でその言語をライブで話します。まだ含まれていない言語は、コンテンツを翻訳して貼り付けるか、言語の追加をリクエストしてください。以前の音声クローンは約13言語に限られていたため、V10は大きな進歩です。
既製音声とクローン音声の違いは何ですか?
既製音声は、BOXのライブラリから選ぶ、あらかじめ用意された声で、録音は一切不要です。約20言語で利用でき、最も早く配信を始められます。クローン音声は、あなた自身(またはネイティブスピーカー)の声で、販売する言語ごとにクリーンなサンプルから学習させたものです。V10は600言語以上に対応しています。すぐに配信したい場合は既製音声を、どの市場でも統一されたブランドの声を使いたい場合はクローン音声を選んでください。
特定の市場で、現地のネイティブスピーカーの声を使えますか?
はい。ネイティブスピーカーの声も、ご自身の声と同じように、1つのクリーンなサンプルでクローンできます。現地らしいアクセントが最も効果的な市場で使ってください。国内市場ではクローンしたブランドの声を、重点国1〜2か所ではクローンしたネイティブスピーカーの声を使うセラーも多くいます。使用の許可を得ている声だけをクローンしてください。
異なる声で録音した古い音声を、1つの声にまとめられますか?
はい、BOXのToolboxにあるVoice Conversionツールを使えます。音声クリップ内の声を、選んだ1つのクローン音声に変換するため、複数の人が録音したクリップも、1人のホストの声に聞こえるようになります。必要なのはクリーンな参照音声3〜15秒です。変換の前に Split Audio into Clips を実行してください(デフォルトは3〜15秒のクリップ)。
声のクローンには追加料金がかかりますか? クローンの有効期限はありますか?
声のクローンはすべてのSyntopia BOXプランに含まれており、クローンした声に有効期限はありません。一度学習させれば、今後のすべてのライブルームで引き続き使えます。現在のプランは、Syntopiaの料金ページでご確認いただけます。