AIナレーションと合成音声の使いどころ｜声の権利と規約の確認点

ナレーションを入れたい映像があるのに、読んでくれる人がいない。外注すると原稿が変わるたびに録り直しになる。そんな場面で合成音声を使う制作者は増えていますが、いざ配布物に載せる段になって手が止まります。この声、商用で使っていいのか。クレジットは要るのか。誰かの声に似ていたら問題になるのか。

この記事では、合成音声サービスの契約の形を三つに分けたうえで、商用利用の可否がどこで決まるのか、規約のどの一文を読めばよいのかを、実際の規約の文面を引きながら整理します。あわせて、声の権利という整理されていない領域について、制作者が現実に取れる対処を示します。

後半は手を動かす話です。クレジット表記をどこに置くか、読み間違いと間をどう詰めるか、そしてDVDやブルーレイのように焼いた後に直せない配布物へ載せる前に、何を確認しておくか。ウェブ公開なら差し替えられることが、ディスクでは差し替えられません。その一点だけで、確認の順番が変わります。

合成音声サービスは三種類｜インストール型・クラウド型・声を複製する型で規約の見どころが違う

合成音声と一口に言っても、契約の形はおおまかに三つに分かれます。この分類を先に押さえておくと、規約のどこを読めばよいかが決まります。

一つめは、パソコンにインストールして使うソフトウェア型です。ライセンスを買い切り、手元のマシンで音声ファイルを書き出します。二つめはクラウド上の音声合成サービスで、月額プランやAPIの呼び出し量に応じて課金され、生成した音声をダウンロードして使います。三つめが、特定の人物の声を学習して再現するボイスクローン型です。三つめは技術的にはクラウド型と同じ形をしていても、確認すべき点がまったく違います。

種類	料金の形	規約で特に見る項目
インストール型	買い切りライセンス	商用利用の可否、インストールできる台数、クレジット表記の要否
クラウド型	月額・従量課金	プランごとの商用可否、解約後に生成済みの音声を使い続けられるか
ボイスクローン型	月額＋音声の登録	声の提供者の同意、学習元の権利、なりすまし禁止条項

インストール型の例として、AHSの「VOICEPEAK 商用可能 6ナレーターセット」は、製品ページに「商用・業務利用可能な製品となっておりますので基本的に当社にご連絡なくご利用頂けます」と書かれています。台数については「VOICEPEAKは１ライセンスで１台の環境でのみご利用になれます」とあり、別のパソコンへ移す場合は、元のマシンでアクティベーションを解除してから登録し直す手順になります。制作担当が複数いる現場では、この台数条件が見落とされやすい箇所です。編集担当のPCと確認用のノートの両方に入れておきたくなりますが、そこはライセンスを分けて考えます。

クラウド型で見落としやすいのは、契約が切れた後の扱いです。生成した音声を組み込んだ映像を配り続けている最中に解約した場合、その配布を続けてよいのかは規約次第です。数年にわたって配布する記録映像やマニュアル動画に使うなら、解約後の利用について書かれた条項があるかを先に確認しておきます。書かれていなければ、問い合わせて回答を残しておく方が安全です。

ボイスクローン型は、規約よりも先に「その声は誰のものか」が問題になります。ここは後の章で詳しく扱います。

商用利用の可否は規約が決める｜VOICEVOXは無料でも商用可、ElevenLabsは有料プランのみ商用可

「AIの声を商用で使ってよいか」という問いに、法律が一律の答えを出すことはありません。合成音声は提供者から利用を許諾されて使うものなので、どこまで使えるかは各社の利用規約で決まります。同じ「AIナレーション」でも、条件は正反対になりえます。

無料で配布されているVOICEVOXは、利用規約に「商用・非商用問わず利用することができます」と書かれています。無料イコール非商用限定、ではありません。ただし条件が二つ付きます。ひとつは「VOICEVOX を利用したことがわかるクレジット表記が必要」であること。もうひとつは、作成した音声を使うときは「各音声ライブラリの規約に従ってください」とされている点です。VOICEVOXには多数のキャラクター音声が収録されていますが、本体の規約を読んだだけでは終わりません。使うキャラクターの配布元が示す個別規約まで見る必要があります。キャラクターによっては、政治的な主張への利用や特定の業種での利用を制限しているものもあるため、キャラクターを選んだ時点でその規約ページを開く、という順番にしておくと漏れません。

海外サービスでは前提が変わります。ElevenLabsの利用規約には、有料プランで利用するユーザーについて「you may use the Services for commercial purposes」とあり、商用利用は有料契約者に限られています。無料での利用は「non-commercial purposes」と規定されています。無料版で試して品質がよかったのでそのまま納品用に使う、という流れは規約に反します。日本語のブログ記事で「無料で使える」と紹介されているサービスでも、その紹介が非商用前提で書かれていることがあるため、規約本文にあたる習慣をつけておきます。

「商用利用」の線引きが曖昧なとき

厄介なのは、何をもって商用とするかがサービス側で明文化されていない場合です。判断に迷いやすいのは、次のような場面です。

• 発表会や式典の記録映像を、実費だけもらって参加者に配る
• 企業の社内研修用に作り、外部には出さない
• 制作会社が受注案件として作り、納品先が無料配布する
• 商品に同梱するが、ディスク自体は無償である

規約の文面だけでは決まらないことが多いので、想定している使い方を具体的に書いて提供元に問い合わせ、回答をメールで残しておく方が早く済みます。「商用利用可でしょうか」と聞くのではなく、「有償の受注制作で、納品先が来場者に無償配布する記録DVDに使いたい」と書く。この粒度で聞けば、回答もそのまま証跡になります。

もうひとつ、規約は改定されます。数年後に問い合わせが来たとき、現在の規約ページを見ても当時の条件はわかりません。使った時点の規約をPDFで保存し、取得日をファイル名に入れて案件フォルダに置いておく。手間は数分ですが、これがあるかないかで後の説明のしやすさが変わります。

声の権利｜著作権より先に「その声は誰の声を元にしているか」を見る

規約の次に来るのが、声そのものをめぐる権利の話です。ここは制度として整理されきっていない領域なので、断定的に書かれた情報には注意が必要です。以下は現時点で確認できる範囲の整理として読んでください。

読み上げる原稿には著作権がある

著作権法が保護するのは、思想または感情を創作的に表現したものです。人の声質や声色そのものは、この定義に素直には当てはまりません。一方で、読み上げる原稿は文章であり、他人の書いた文章を無断で読み上げれば、原稿の側で著作権の問題が起きます。ナレーション台本を他社のパンフレットやウェブサイトから引き写す作業は、AIを使うかどうかと無関係に避けます。ここは合成音声の論点ではなく、昔からある論点です。

争点になりやすいのは学習元の録音

人間のナレーターが吹き込んだ録音には、著作隣接権として実演家の権利が及びます。合成音声の学習元にこうした録音が権利者の許諾なく使われていた場合、一次的にはサービス提供者と権利者の間の問題ですが、その音声を作品に載せて配った側にも影響が及ぶ可能性があります。実際に配布物へ載せる立場としては、学習に使った音源の権利処理について提供元が説明しているかどうかが、選定基準のひとつになります。

声の主が特定できる場合

氏名や肖像が持つ顧客吸引力を無断で利用されない権利、いわゆるパブリシティ権は判例で認められていますが、これが声にどこまで及ぶかについて確立した基準があるとは言えません。ただ、有名人の声に似せた音声を広告や商品に使うことは、法律論の帰結を待つまでもなく、相手方から抗議を受けやすい使い方だと考えられます。似ているかどうかを自分で判定して押し切る、という進め方は取らないのが無難です。

自社の誰かの声を使うなら同意書を残す

ボイスクローンを使う場合は、本人の同意を書面で取ります。ElevenLabsも規約上、アップロードできるのは「the voice you are authorized to share with us」、つまり共有する権限を持つ声に限る、としています。社内の広報担当や代表の声を再現する場合でも、口頭の了承ではなく、次の項目を書いた紙を残しておきます。

• 用途（どの映像・どの媒体で使うか）
• 期間（いつまで使ってよいか）
• 配布先と配布方法（社内のみか、外部に渡すか）
• 本人が退職・契約終了した後の扱い

最後の項目が抜けているケースが目立ちます。退職後もそのナレーションを載せた映像を配り続けてよいのかは、辞めた後では確認しづらくなります。作る前に決めておく話です。

クレジット表記｜VOICEVOXは表記が必要、置き場所は本編末尾とジャケットの両方が安全

クレジット表記が要るかどうかは、サービスによって分かれます。VOICEVOXは「VOICEVOX を利用したことがわかるクレジット表記が必要」と規約に明記しています。表記の形としては、ソフト名とキャラクター名の両方を出す書き方が一般的です。キャラクターの個別規約に指定の書式があれば、そちらに合わせます。

一方、VOICEPEAKの商用可能6ナレーターセットは「基本的に当社にご連絡なくご利用頂けます」とされ、動画やSNSでの公開についても「基本的に当社にご連絡なく発表いただけます」と書かれています。表記義務を課さない製品もある、ということです。どちらの製品を選ぶかで、映像の最後の1カットの中身が変わります。

ディスクには概要欄がない

ウェブ動画なら説明欄に一行書けば済みます。ディスクで配る映像には、その置き場所がありません。実務では次の三か所のどれか、または複数に入れます。

• 本編末尾のエンドクレジット。映像の一部なので、どのプレーヤーで再生しても表示されます
• ケース裏面またはジャケットの隅。映像を再生しなくても確認できます
• メニュー画面の下部。トップに戻れば見えます

三つの中で確実なのは本編末尾です。ジャケットだけに書くと、ディスクからデータだけを取り出してコピーされた時点で表記が外れます。逆に、ジャケットや盤面に文字を載せるなら、塗り足しや文字切れの扱いが印刷側の仕様に左右されるので、DVD・CDのレーベルとジャケットの入稿データの作り方を先に見ておくと、入稿後の差し戻しが減ります。小さな文字は印刷で潰れやすいため、クレジットを盤面に入れる場合は文字サイズに余裕を持たせます。

焼いた後に足せない

クレジットを入れ忘れたまま100枚焼いてしまうと、映像内のクレジットは作り直すしかありません。印刷物であれば差し込みを1枚同梱する回避策がありますが、規約が求めているのが作品内の表記である場合、差し込みで代替できるとは限りません。ここは「後で足せる」を前提にしない方が安全です。台本を書いた段階でエンドクレジットの1カットを作り、その中に音声合成の行を入れてしまうのが、いちばん取りこぼしがない進め方です。

人の声と使い分ける基準｜差し替えが起きる情報部分はAI、感情と固有名詞は人

全編をAIに任せるか人に頼むかの二択で考えると、たいてい無理が出ます。1本の映像の中で、区間ごとに向き不向きが分かれるからです。

合成音声が向くのは、内容が後から変わる箇所です。日付、価格、担当者名、手順の順番。人に録ってもらうと、1文字の修正でもスタジオと出演者の再手配が発生します。合成音声なら台本を書き換えて数分で出し直せます。マニュアル動画、施設案内、商品説明の数値部分、章タイトルの読み上げなどがここに入ります。同じ映像の多言語版を作る場合も、同じ理由で合成音声側が現実的です。

人の声を選びたいのは、声そのものが内容の一部になっている箇所です。式典の記録、卒業や周年の映像、企業のブランド映像、創業者の言葉を受けたナレーション。こうした場面では、内容が正しく伝わることよりも、聞いた人がどう感じるかが成果物の価値を決めます。また、固有名詞が多い原稿も人の方が早く済むことがあります。地名や人名の読みを一つずつ辞書に登録する手間より、読める人に読んでもらう方が短時間で終わる、という判断は十分ありえます。

仮ナレとして使い、確定後に差し替える

実務でよく使われるのが、両方を使う進め方です。編集中は合成音声を仮ナレとして当てて尺とテンポを確定させ、原稿が固まってから人の声に差し替えます。仮ナレを人に頼むと二重にコストがかかるので、この使い分けは費用面でも効きます。承認を取るための試写版に仮ナレを当てておくと、無音のまま見せるより判断が早くなり、結果として往復の回数が減ります。

判断の目安

次のどれかに当てはまるなら、人の声を検討する価値があります。原稿が確定していて修正がほぼ発生しない。視聴者が式典の参列者や取引先など、声の質に注意が向く層である。ナレーターの名前を出すこと自体に価値がある。逆に、修正が続く、本数が多い、社内向けである、納期が短い、といった条件が重なるほど合成音声の効率が上がります。

もうひとつ実務的な観点として、修正1回あたりのコストで考える方法があります。想定される修正回数に、1回あたりの再録費用と待ち時間を掛けてみる。それがライセンス費用を上回るなら、その区間は合成音声にしておく判断がつきます。

聞き取りやすさは読み・間・音量で決まる｜辞書登録とテレビでの再生確認までがワンセット

合成音声の仕上がりを左右するのは、声の種類よりも読み・間・音量の調整です。ここを詰めないと、内容以前に「機械が読んでいる」という印象だけが残ります。

読み間違いを潰す

合成エンジンは漢字の読みを文脈から推測するので、固有名詞と数量表現でずれます。「一日」が「いちにち」か「ついたち」か、社名や地名の読み、「3日」「3本」「3階」のような助数詞、アルファベットの略語をどう読むか。通しで一度、映像を見ずに音だけで聞くと、目で追っているときには気づかない箇所が見つかります。

直し方は二つです。ひとつは辞書登録で、繰り返し出る社名や商品名を登録しておくと、以降の案件でも効きます。もうひとつは、辞書で直らないときに台本側をひらがなやカタカナで書き換えることです。このとき、画面に出す字幕用のテキストと読み上げ用の原稿を別ファイルに分けておくと、字幕に「にせんにじゅうろくねん」と出てしまう事故を防げます。

間を作る

読点で息継ぎが入らず一息で読み切ってしまうと、内容が頭に入りません。1文は40字程度を目安の上限にして、長い文は切ります。章が変わるところには0.5秒から1秒の無音を入れる。映像のカットが切り替わる直前で読み終える。こうした調整は、音声を1本の長いファイルとして書き出すより、段落ごとに分割して書き出す方が編集ソフト側で合わせやすく、後の差し替えも1ファイル分で済みます。

音量は視聴環境で確かめる

ナレーションが乗っている区間だけBGMを下げるのが基本です。そのうえで、確認を制作用のヘッドホンだけで終わらせないことが重要になります。ディスクで配る映像なら、テレビのスピーカーで再生してみる。テレビの内蔵スピーカーは低音が出にくいため、ヘッドホンで整えたバランスとは聞こえ方が変わります。高齢の方が視聴する記録映像なら、ナレーションを普段より少し前に出しておく方が親切です。

書き出す形式

編集ソフトに読み込ませる素材の段階では、MP3などの圧縮形式ではなくWAVで書き出しておくと、再エンコードによる劣化が重なりません。合成音声は書き出し、編集ソフトでの書き出し、ディスク化での変換と、少なくとも三回は形式が変わります。入口で圧縮しておく理由はありません。動画に組み込んだ後の音声トラックがどの形式になるかは、MOVとMP4の違い｜動画ファイル形式の種類（AVI・MKVほか）と使い分けと合わせて確認しておくと、納品先での再生トラブルを減らせます。

配布物に使う前の確認｜規約の保存、クレジットの位置、1枚だけ作っての試聴

ウェブ公開なら、後から差し替えられます。ディスクで配る映像はそうはいきません。焼いて渡した後に読み間違いが見つかっても、回収して作り直すしかない。だから配布物に使うときは、焼く前の確認が一段階増えます。

確認項目	見る場所	確認のしかた
商用利用の可否	利用規約	想定する配布形態を具体的に書いて照合。迷う場合は問い合わせ回答を保存
クレジット表記	規約とキャラクター個別規約	文言と置き場所を決め、本編末尾のカットに入れる
声の提供者の同意	ボイスクローンを使う場合	用途・期間・配布先・終了後の扱いを書いた同意書
読み間違い	完成した映像	通しで1回、画面を見ずに音だけで聞く
音量バランス	完成した映像	テレビのスピーカーで再生して確認
規約の控え	案件フォルダ	取得日をファイル名に入れたPDFで保管

「再配布」条項の読み違いに注意

多くのサービスは、ソフトウェアや音声ライブラリそのものを配り直すことを禁じています。生成した音声を映像の一部として組み込み、その映像を配ることは、通常この禁止の対象ではありません。ただし、音声ファイル単体を素材集としてディスクに同梱する、といった形は再配布に近づきます。そういう使い方をするなら、その条項を読み直してから進めます。

ディスク化の工程でも音声は変換される

映像に組み込んだ音声は、ディスク化の段階で改めて規格に沿った形式へ変換されます。動画データをそのまま書き込んだだけでは家庭用プレーヤーで再生できず、DVDオーサリングという組み立ての工程が入るためです。この工程で音声も変換されるので、元の音声が小さすぎたり歪んでいたりすると、その状態のまま盤に固定されます。修正できるのは、変換前までです。

そこで勧めたいのが、本数を出す前に1枚だけ作って確認する進め方です。ディスクメーカーでは基本料金（DVD・1枚あたり）1,500円（税抜）から、1枚から注文を受けています。再生できる形式への組み立て（オーサリング）は料金に含まれるので、試作の段階で追加費用が積み上がることはありません。1枚をテレビで通して再生し、読みとクレジット表記に問題がなければ、同じデータで本数分を作る。この一手間の考え方は1枚から頼める小ロット対応でも詳しく触れています。日々多くのご注文をお受けしており、1枚だけの注文も日常的に扱っています。

入稿はダウンロードできる共有URLで受け付けています。ギガファイル便、Google Drive、Dropbox、OneDrive、WeTransfer、firestorage などが使え、手順の細かい部分はギガファイル便での入稿ガイドにまとめています。納期は通常便のほか、お急ぎ（+1,500円、平日15時までの注文・入稿で翌々日までに発送）、特急（+3,000円、平日15時までの注文・入稿で翌日発送）、当日店舗お渡し（+3,500円、平日12時までの注文・入稿、大阪市北区の店舗で受け取り）から選べます。盤面へのレーベル印刷、ケースと背表紙の印刷、メニュー画面の作成、チャプター分けにも対応しているので、クレジット表記をどこに入れるかも含めて相談していただけます。

よくある質問

Q. AIナレーションは商用利用できますか？

A. サービスごとに異なります。無料で配布されているVOICEVOXは利用規約に「商用・非商用問わず利用することができます」と書かれており、クレジット表記などの条件を守れば商用でも使えます。一方、ElevenLabsの利用規約では商用目的での利用は有料プランの利用者に限られ、無料での利用は非商用に限ると規定されています。無料だから非商用限定、有料だから自由、という単純な対応にはなっていないので、使うサービスの規約本文をそのつど確認してください。

Q. VOICEVOXで作った音声をDVDに入れて配ってもいいですか？

A. VOICEVOXの利用規約は商用・非商用を問わない利用を認めており、映像に組み込んで配布する形自体は想定された使い方です。ただし条件が二つあります。VOICEVOXを利用したことがわかるクレジット表記が求められること、そして作成した音声を使う際は各音声ライブラリの規約に従うこととされていることです。キャラクターごとに配布元の個別規約があるため、使うキャラクターを決めた時点でその規約ページも確認します。ディスクは後から表記を足せないので、エンドクレジットに入れておくのが確実です。

Q. 合成音声に著作権はありますか？

A. 人の声質そのものは、著作権法が保護する「思想又は感情を創作的に表現したもの」に素直には当てはまりません。実務で問題になりやすいのは別の三つです。読み上げる原稿の著作権、学習元に人間の録音が使われていた場合の実演家の権利、そして声の主が特定できる場合の本人の権利です。制作者としては、自分で権利関係を判定しようとせず、学習元の権利処理と利用範囲を明示している提供元を選ぶ方が現実的な対処になります。

Q. AIナレーションにクレジット表記は必要ですか？

A. サービスによります。VOICEVOXは利用規約で、利用したことがわかるクレジット表記を求めています。一方、AHSのVOICEPEAK商用可能6ナレーターセットは「基本的に当社にご連絡なくご利用頂けます」とされ、動画やSNSでの公開についても連絡不要と案内されています。表記が要る場合、ディスクで配る映像には動画サイトのような説明欄がないため、本編末尾のエンドクレジットに入れるのが確実です。ジャケットだけに書くと、データだけ取り出された時点で表記が外れます。

Q. 自分の声や社員の声をAIに学習させて使う場合、何を確認すればいいですか？

A. サービスの規約と、本人の同意の二つです。ElevenLabsは規約上、アップロードできるのは共有する権限を持つ声に限ると定めています。本人の同意は口頭ではなく書面で残し、用途、期間、配布先と配布方法、そして本人が退職や契約終了した後もその音声を使い続けてよいか、までを書いておきます。最後の項目が抜けているケースが多く、辞めた後では確認が難しくなります。作る前に決めておく話です。

Q. 有名人に似た声のAIナレーションを使っても問題ありませんか？

A. 避けた方が安全です。氏名や肖像が持つ顧客吸引力を無断で利用されない権利は判例で認められていますが、これが声にどこまで及ぶかについて確立した基準があるとは言えず、整理の途中にある領域です。ただ、法的な結論を待つまでもなく、特定の人物を想起させる声を広告や商品に使えば本人側から抗議を受けやすいと考えられます。似ているかどうかを自分で判定して押し切る進め方は取らず、提供元が用途を保証している音声を選んでください。

Q. 無料のAI音声サービスを納品物に使ってもいいですか？

A. 無料であることと商用利用の可否は別の話なので、規約を確認してから決めます。無料でも商用利用を認めているサービスがある一方、無料プランを非商用に限定しているサービスもあります。受注制作で使う場合は、規約の該当箇所をPDFで保存し、取得日をファイル名に入れて案件フォルダに残しておくと安心です。規約は改定されるため、数年後に問い合わせが来ても現在のページを見るだけでは当時の条件がわかりません。

Q. 合成音声のナレーションが聞き取りにくいと言われました。どこを直せばいいですか？

A. 読み・間・音量の三点を順に見ます。まず固有名詞と助数詞の読み間違いを、画面を見ずに音だけで通して聞いて洗い出し、辞書登録か台本のかな書きで直します。次に1文を40字程度までに切り、章の変わり目に0.5秒から1秒の無音を入れて間を作ります。最後に音量です。ナレーションが乗っている区間だけBGMを下げ、確認はヘッドホンではなく実際に視聴されるテレビのスピーカーで行ってください。低音の出方が違うため、聞こえ方が変わります。