ショート動画のナレーションで最もよくある問題は、音声がないことではなく、音と映像がずれることです。ナレーションが前の文を読んでいるのに映像は次のカットへ移っている、映像が製品のクローズアップで止まっているのにナレーションはとっくに終わっている。正しい順番は逆です。まず映像がどう編集されているかを見て、それから各ナレーションが何を、どれだけの長さで話すかを決めます。PixMindのテキスト読み上げは台本の各セグメントをMP3に変換できますが、ナレーションと映像が噛み合うかどうかは、書き出す前の分解作業で決まります。
テキスト読み上げを開く。編集済みのショート動画を手元に置き、ナレーションを1セグメントずつ生成・ダウンロードして、編集ツールに搬入します。
要点
- まず映像のセグメントでナレーションを分解し、それから文章を書きます。各セグメントは1つの情報タスクだけを担い、長さは映像が基準です。
- 1回の生成の文字数上限は、未ログインと無料プランで100文字、有料会員で10000文字。ページに残る結果は1セグメントだけなので、順に生成し、順にダウンロードします。
- 長さは生成結果が基準です。再生バーに各音声の総時間が表示されるので、まず1セグメントを測り、それから全体を組みます。文字数を秒に換算する式は使いません。
- ナレーションの映像への組み込みは外部の編集作業です。字幕は音声トラックの確定後、動画から文字起こしツールで最終完成作品から生成します。
まず映像のリズムでナレーションを分解する
ナレーション入れの最初の動作はタイピングではなく、映像を見ることです。編集済みのショート動画を2回通して見ます。1回目はカットの順番を覚え、2回目は映像に合わせて心の中で読み、各映像セグメントに何文入るかを体感する。そしてカットの機能ごとに作品を分解します。
15秒ほどの製品ショート動画を例に、オープニング、デモ、エンディングの3セグメントに分けます。
| セグメント | 映像の内容 | ナレーションの役割 | 目安の長さ |
|---|---|---|---|
| オープニング | 製品が机に置かれ、カメラが寄る | これが何で、誰のためのものかを一言で | 約3秒 |
| デモ | 3つの動作カット：材料を入れる、フタを閉める、起動 | 動作ごとに1文、順番をはっきり | 約8秒 |
| エンディング | 完成品のクローズアップ、ロゴを静止 | 行動を促す一言 | 約3秒 |
各セグメントの長さは映像そのものから来ており、ナレーションはこの窓に収めるもので、映像にナレーションを待たせるものではありません。長い文章を先に書いて映像に詰め込むと、通常は強引な早口しか残らず、聴き心地は一気に悪化します。300字の製品紹介を読み終わる時間は、往々にしてショート動画1本の長さを超えてしまいます。
分解にはもう1つ実用的な意味があります。1回の生成には文字数制限があり、未ログインと無料プランは毎回最大100文字、有料会員は10000文字まで。絵コンテごとに分けた各ナレーションは通常ずっと下回るため、1セグメント1ファイルで、そのまま順に生成できます。
台本を「聞いて分かる」表現に書き直す
ショート動画の視聴者はナレーションを「聞く」のであって「読む」のではありません。書き方としては、2つのことが最も効果を左右します。
1つ目は、映像がすでに伝えている情報を削ること。映像がフタを閉める様子を見せているのに、ナレーションが「次にフタをしっかり閉めます」と言う必要はありません。完成品のクローズアップが出ているのに「仕上がりがとてもなめらかです」と繰り返す必要もない。ナレーションは、映像では伝えられないことだけを話します。名前、用途、動作の背景にある理由です。
2つ目は、1文に1つの要点、句読点で間を取ること。読点は小さな間、句点は呼吸です。短い文は長い文よりカットの切り替えに合わせやすく、聞き手に内容を消化する時間も残せます。
デモセグメントを例にします。初稿：「本製品は操作が簡単で、3ステップで完了します。まず果物をカップに入れ、次にフタをしっかり閉め、最後に起動ボタンを押せば、数十秒で新鮮なジュースをお楽しみいただけます。」書き直し：「3ステップで完成。果物を入れて、フタを閉めて、ボタンを押す。数十秒で、フレッシュジュースのできあがり。」書き直し版は修飾を削り、間を増やし、各文がちょうど1つの動作カットに重なります。
ついでに、数字と型番は読み上げてほしい形で書いておきましょう。「3ステップ」を「さんステップ」と聞きたいなら、そのまま漢数字の形で書きます。型番のアルファベットと数字の連続読みが自然かどうかは、生成結果で確認します。
試聴して適切な声を選ぶ
声に唯一の正解はなく、同じ台本でも音色を替えると、作品全体の雰囲気が変わります。選び方はシンプルです。同じ台文、おすすめはオープニングの一文で、2つの音色のバージョンをそれぞれ生成し、聴いてから決めます。
比較で見るのは2点です。1つは内容との相性。製品デモには明快で軽快な声が合いやすく、解説系の内容は落ち着いた余裕のある口調が有利です。もう1つは明瞭さ。製品名、数字、連続する読みの部分を重点的に聴き、どの音色が字を飲み込まず、ぼかさずに読めるかは、どの音色の聴こえの良さより重要です。
音色ポップアップはエンジンと言語での絞り込みに対応し、音色にカーソルを合わせるとサンプルをそのまま試聴できます。サンプルで分かるのは音色の雰囲気までで、最終的には自分の台本での生成結果が基準です。特定のエンジンがあらゆるタスクで最善と決めつけず、1〜2種類試せば数分で決まります。
実測の長さで文章と話速を調整する
ナレーションの長さが合っているかは、当て推量では分かりません。まず1セグメントを測り、それから全体を組むのが現実的なやり方です。
オープニングセグメントを生成すると、ページの再生バーにこの音声の総時間が表示されます。ダウンロードすると、pixmind-tts-で始まるタイムスタンプ付きのMP3が手に入るので、ローカルプレーヤーや編集トラックでもう一度確認します。3セグメントの時間をすべてメモし、絵コンテ表の映像時間と並べて比べます。
- ナレーションが映像より長い：まず文章を削ります。聞いても聞かなくてもいい修飾と重複を取り除くほうが話速の調整より効果的で、削るのは負担であって明瞭さではありません。
- まだ少し長い：次に話速を微調整します。範囲はエンジンごとに違い、Microsoftエンジンのスライダーは-100%〜+100%（既定0）、Volcano Engineは0.8x〜2.0x（既定1.0x）、MiniMaxは0.5x〜2.0x（既定1.0x）です。少しずつ動かし、変えるたびに生成し直して聴き直します。
- ナレーションが映像より短い：無理にゆっくり読んで埋める必要はありません。映像にナレーションのない1〜2秒を残すほうが、一言ごとに張り付くより良いことがよくあります。
ここで「何文字が何秒に相当する」という換算式は示しません。この種の式はもともと当てにならないためです。音色ごとに話速の基準は違い、句読点の間や数字の読み方も実際の長さを変えます。同じ文を2つの音色で読むと、長さがかなり違うこともあります。式を覚えるより、オープニングの1セグメントを実測して、その実際の時間を基準にするほうが確かです。
分割生成では一貫性も保ちます。同じ作品の各ナレーションを同じ音色、同じパラメータでまとめれば、リズムがつながります。エンジンを切り替えると話速と音量は既定値に戻るので、触る前に調整済みの数値をメモしておきましょう。ページに残る結果は1セグメントだけなので、1セグメント生成したら1セグメントダウンロードして、次に進みます。
編集ツールでナレーションを配置し、字幕を足す
MP3が完成作品になるのは編集ツールの中です。このステップはPixMindの外で行い、どんなソフトでも構いません。共通する流れは次のとおりです。
- 新規プロジェクトを作り、映像とナレーション3セグメントのMP3を読み込みます。
- 絵コンテ表に従って各ナレーションを対応する映像に合わせます。カットの切り替えには少し隙間を残し、音が切り替わりで断たれないようにします。
- 最初から通して聴き、セグメント間の音量とリズムがつながっているか確認します。
- 確認できたら完成作品を書き出します。
字幕はこのステップの後で、しかも最終的な音声トラックが基準です。台本の文章をそのまま字幕にすると、タイムラインは最終の音と合いません。文章を削り直し、話速を調整した後は、各文の始まりと終わりがすでに動いているためです。やり方は、ナレーションを組み込んだ完成作品を動画からSRT生成ツールに渡し、完成作品そのものからタイムコード付きの字幕ファイルを生成し、編集ツールに戻して固有名詞と文の区切りを確認します。
よくある質問
ナレーションが長すぎるとき、話速と文章のどちらを先に直しますか？
先に文章です。修飾語と、映像がすでに伝えている情報を削るだけで、たいていは足ります。話速は削れるものがなくなってから小幅に調整するもので、上げすぎると発音が流れ、要点がぼやけます。直したら生成し直し、再生バーの時間で効果を確認します。
一括生成と分割生成は、どう使い分けますか？
映像のセグメントで分けます。長い原稿は1回の文字数上限の制約を受け、未ログインと無料プランでは毎回100文字で、超過分は生成できません。ページに残る結果も1セグメントだけなので、長い原稿はもともと分割して順にダウンロードするものです。絵コンテで分ければ制限に沿いうえ、各セグメントの長さが映像と直接対応し、後工程では問題のあるセグメントだけ直せます。
ナレーションを生成した後、字幕はどの段階で作りますか？
ナレーションが確定し、音声トラックが完成作品に組み込まれた後です。字幕のタイムコードは最終の音に従い、動画からSRT生成ツールで合成後の完成作品から作ります。生成前の台本の文章は使いません。字幕ファイルを手に入れたら編集ツールに戻して、固有名詞と文の区切りを確認します。
オープニングの一文から始める
完全な台本を待つ必要はありません。編集済みのショート動画を開き、オープニングのセグメントだけを書きます。1文で、これが何で、誰のためのものかを伝えます。それをテキスト読み上げに貼り付けて、生成、試聴、時間の確認。最初のセグメントが固まれば、残りは同じループの繰り返しです。
