「研修動画のナレーションを、毎回ナレーターに頼まずに作りたい」「AIの音声は棒読みになると聞くが、感情や間を付けられるのか」「AIの声を使うとき、何に気をつければいいのか」。動画や研修の担当者から聞くのは、この3つです。
結論から言えば、演技付きのナレーションは、ChatGPTで台本と演技の指示を作り、OpenAIのAPIの音声合成で音声にする流れで作れます。音声合成のモデルのgpt-4o-mini-ttsには話し方の指示（instructions）を渡せ、アクセント、感情の幅、抑揚、話す速さ、トーン、ささやき声などを言葉で指定できます（tts-1とtts-1-hdは非対応）。声は13種類から選べ、日本語にも対応していますが、声は英語に最適化されていると公式に案内されているため、日本語の読みは必ず耳で確かめます。注意したいことが2つあります。OpenAIは2026年10月1日、tts-1、tts-1-hdと、gpt-4o-mini-ttsの日付つきのスナップショット（2025-03-20、2025-12-15）を2027年1月6日に提供終了すると発表し、移行先としてRealtime APIで使うgpt-realtime-2.1-miniを案内しています。また、OpenAIの音声合成で作った音声は、聞き手にAI音声であることを明示する必要があります。
この記事では、ChatGPTコンサル編集部が、ChatGPTとAPIの役割の分け方、話し方の指示の書き方、声の選び方、読み間違いを防ぐ台本の作り方、料金と旧モデルの提供終了、独自の声（カスタムボイス）の条件、開示と権利の注意点、業務での使い方までを解説します。
⚠️ 本記事は2026年10月6日時点の情報です。音声合成の仕様は公式ガイド「Text to speech」で、提供終了の予定は公式の「Deprecations」でご確認ください。
ChatGPTでやることと、APIでやること
| 工程 | 使うもの | 内容 |
|---|---|---|
| 台本 | ChatGPT | 読む本文と、演技の指示（ト書き）を分けて作る |
| 読みの確認 | ChatGPT | 読み間違えやすい語を洗い出し、読み仮名や言い換えを入れる |
| 試聴 | OpenAI.fm（開発者向けのデモ） | 声と話し方の指示の組み合わせを試す |
| 音声の生成 | OpenAIのAPIの音声合成（2027年1月6日以降はRealtime APIへ移行） | 台本と指示を渡し、音声ファイルを作る |
| まとめての生成 | Codex | シーンごとの台本から、音声ファイルをまとめて作る仕組みを作る |
| 仕上げ | 動画の編集ソフト | 映像に重ね、音量と間を整える |
ChatGPTの画面の読み上げや音声会話は、回答を聞いたり、会話したりするための機能です。演技を細かく指定して音声ファイルを作るなら、APIの音声合成を使います。台本を耳で確かめる下準備には、読み上げも役に立ちます。なお、ChatGPTの契約とAPIの利用料は別の会計で、APIは使った量に応じた課金です。
openai.fm は、OpenAIが「APIの最新の音声合成のモデルを試すための、開発者向けのデモ」として公開しているサイトです。声と話し方の指示の組み合わせを試聴してから、APIで作る流れにすると、試行錯誤の時間が減ります。
💬 さとしさん（編集長）
台本と演技の設計はChatGPT、声にするのはAPI。役割を分けると、演技付きのナレーションは思ったより簡単に作れますよ！
「演技」は話し方の指示で付ける
公式のガイドによれば、gpt-4o-mini-ttsでは、話し方の指示で次の要素を指定できます。
| 指定できる要素（公式の案内） | 指示の例 |
|---|---|
| アクセント | 標準的な日本語で、地方の訛りを入れない |
| 感情の幅 | 前半は落ち着いて、最後の一文だけ明るく |
| 抑揚 | 数字の部分は少し強く、文末は下げる |
| ものまね | 昔話の語り手のように（実在の人物の声には似せない） |
| 話す速さ | ゆっくり、1文ごとに短い間を置く |
| トーン | 誠実で、押しつけがましくない |
| ささやき声 | 内緒話のように小声で |
指示は、声の印象、速さ、抑揚、感情、避けることの5項目で書くと、効き方を比べやすくなります。
【話し方の指示】
声の印象：落ち着いた30代のナレーター。誠実で、押しつけがましくない
速さ：やや遅め。句点ごとに短い間を置く
抑揚：数字と固有名詞は、はっきり区切って読む
感情：冒頭は穏やかに、最後の一文だけ前向きに明るく
避けること：語尾を伸ばさない。笑いを含めない用途ごとの指示の方向は、次のとおりです。
| 用途 | 指示の方向 |
|---|---|
| 研修の解説 | 落ち着いて、やや遅め。要点の前に短い間 |
| 製品の紹介 | 明るく、テンポよく。製品名と数字ははっきり |
| お詫びや重要なお知らせ | 低めで誠実。感情を込めすぎない |
| 物語の語り | 場面に合わせて感情の幅を広く。会話の部分は少し速く |
指示の効き方は、声と文の組み合わせで変わります。いきなり全体を作らず、短い1文を何通りかの指示で作って聞き比べ、合うものを決めてから全体に進むのが効率的です。
声の選び方
公式のガイドで案内されている声は、alloy、ash、ballad、coral、echo、fable、nova、onyx、sage、shimmer、verse、marin、cedarの13種類です。最も品質が高い声として、marinとcedarが推奨されています。旧モデルのtts-1などで使える声はこれより少なく、Realtime APIでは別の声の一覧が使われます。
日本語を含む多くの言語に対応していますが、ガイドでは「声は現時点で英語に最適化されている」と案内されています。日本語のナレーションでは、次の手順で声を決めてください。
- 同じ1文（例：「本日は、経費精算の新しい流れをご説明します。」）を、候補の声で作ります
- 社内の数人に聞いてもらい、聞き取りやすさと印象で選びます
- 動画のシリーズでは、選んだ声と話し方の指示を固定し、記録に残します
声の印象の受け取り方は人によって違います。社内の評価だけで決めず、実際の視聴者に近い人に聞いてもらうと、外れが減ります。
読み間違いを防ぐ台本の作り方
日本語の音声合成で起きやすいのは、漢字の読みの誤りです。「行った（いった、おこなった）」「1日（ついたち、いちにち）」のように読みが複数ある語や、英字の略語、社名、製品名は、意図と違う読み方をされることがあります。台本の段階で、ChatGPTに洗い出させます。
次のナレーション原稿を、音声合成で読ませる台本に直してください。
・読み間違えやすい漢字、数字、英字の略語、固有名詞を洗い出し、表で示す（原文、想定される誤読、正しい読み）
・誤読のおそれがある語は、ひらがなかカタカナに置き換える
・1文は40字以内にし、間を置きたい箇所に読点を入れる
・意味は変えない
・最後に、シーンごとに分けた台本を出す
〔原稿を貼る〕シーンごとに分けるのには、理由が2つあります。1つは、gpt-4o-mini-ttsの1回の入力は2,000トークンまでと公式のモデルのページに記載されていることです。もう1つは、直したいシーンだけを作り直せることです。シーンごとの台本と指示から音声ファイルをまとめて作る仕組みは、Codexに頼めば作れます。
💬 あやさん（副編集長）
読み間違いは、台本の段階でひらがなにするのがいちばん早い対策です。音声を聞いてから直すより、ずっと楽ですよ！
料金と、旧モデルの提供終了
| モデル | 状況（2026年10月6日時点） |
|---|---|
| gpt-4o-mini-tts | 日付つきのスナップショット（2025-03-20、2025-12-15）が2027年1月6日に提供終了の予定 |
| tts-1、tts-1-hd | 2027年1月6日に提供終了の予定 |
| gpt-realtime-2.1-mini | 移行先として案内されているモデル（Realtime APIで使う） |
OpenAIの「Deprecations」のページによれば、提供終了の発表は2026年10月1日で、2027年1月6日までにgpt-realtime-2.1-miniへ移行するよう案内され、移行の計画にはRealtime APIのガイドを参照するよう示されています。公式のモデルのページでは、gpt-realtime-2.1-miniが対応するエンドポイントはRealtime API（v1/realtime）で、音声合成のエンドポイント（v1/audio/speech）には対応していません。移行はモデルの名前を変えるだけでは済まず、Realtime APIで音声を受け取る仕組みに作り直す必要があります。
料金は、100万トークンあたりで次のとおりです。
- gpt-4o-mini-ttsは、テキストの入力が0.60ドル、音声の出力が12ドルです
- gpt-realtime-2.1-miniは、テキストの入力が0.60ドル、音声の入力が10ドル、音声の出力が20ドルです
これから仕組みを作るなら、移行先のgpt-realtime-2.1-miniをRealtime APIで動かして、声と話し方の指示の効き方を試し、仕上がりを確かめてから本番に使ってください。Realtime APIで使える声は、音声合成の13種類とは別の一覧です。すでにgpt-4o-mini-ttsなどで動いている仕組みは、Realtime APIへの作り直しを含めて、2027年1月6日までに切り替えの計画を立てておきます。
独自の声（カスタムボイス）の条件
社員の声や契約したナレーターの声で、独自の声を作る機能もあります。公式のガイドによれば、条件は次のとおりです。
| 項目 | 内容 |
|---|---|
| 対象 | 対象の顧客に限られる。利用にはOpenAIの営業への問い合わせが必要 |
| 同意 | 声の持ち主が、指定された同意の文言を読み上げた録音が必要（日本語を含む複数の言語の文言がある） |
| 声の見本 | 30秒以内。静かな環境で、一定の距離で録音する |
| 作れる数 | 1つの組織で20まで |
| 使えるAPI | 音声合成、Realtime API、音声の出力に対応したChat Completionsなど |
| 規約 | 音声合成の補足の契約（Text-to-Speech Supplemental Agreement）に従う |
社員の声を使う場合は、本人の同意に加えて、異動や退職のあとに声をどう扱うかを、事前に決めておいてください。
開示と権利の注意点
- 公式のガイドでは、OpenAIの音声合成を使う場合、聞き手に「聞いている声はAIが生成したもので、人の声ではない」ことを明示するよう求めています
- OpenAIの利用ポリシー（2025年10月29日発効）では、本人の同意なく、本物と誤認させる形で他人の肖像や声を使うことと、なりすましが禁じられています
- 有名人やナレーター、声優の声に似せた指示は出さないでください。指示で「ものまね」を使うときは、架空の話し方にとどめます
- YouTubeのヘルプでは、実在の人物が言っていないことを言ったように見せる合成には開示が求められ、自分の声を複製してナレーションや吹き替えに使う場合は開示の対象外とされています。ただし、OpenAIの音声合成を使う場合の明示は別に必要です
- OpenAIの要件を満たすため、映像の中（冒頭や画面の隅など）で「ナレーションはAI音声です」と示し、Webで公開する場合は概要欄にも書いておきます。YouTubeの開示が必要な内容にあたる場合は、それとは別に、YouTube Studioでアップロードするときの設定で開示します
業務での使い方
| 用途 | 使い方 | 指示のポイント |
|---|---|---|
| 研修とeラーニング | 章ごとの解説 | 落ち着いた声、ゆっくり |
| 製品の紹介動画 | 機能の説明 | 明るく、数字をはっきり |
| 展示会や店頭のループの映像 | 短い呼びかけ | 短い文、繰り返し聞いても疲れない声 |
| 社内の告知 | 制度の変更の案内 | 誠実なトーン |
| 多言語の版 | 英語などの版 | 翻訳の確認は人が行う |
進め方は次の7つの手順です。
- ChatGPTで台本を作り、読む本文と演技の指示を分けます
- 読み間違えやすい語を洗い出し、ひらがなや言い換えに直します
- 短い1文で、声と話し方の指示を試聴して決めます
- シーンごとに音声を作ります
- 動画の編集ソフトで映像に重ね、音量と間を整えます
- 映像の中で、AI音声であることを明示します（Webで公開する場合は概要欄にも書きます）
- 公開前に、通しで聞いて読みと内容を確かめます
よくある質問（FAQ）
Q. ChatGPTだけでナレーションの音声ファイルを作れますか？
A. 演技を指定した音声ファイルを作るなら、OpenAIのAPIの音声合成を使います。ChatGPTでは、台本、演技の指示、読みの確認を作ります。
Q. 日本語のナレーションは自然ですか？
A. 日本語に対応していますが、声は英語に最適化されていると公式に案内されています。読み間違いと抑揚は、必ず耳で確かめてください。
Q. 今からgpt-4o-mini-ttsで作っても大丈夫ですか？
A. 2027年1月6日に提供終了の予定です。移行先として案内されているgpt-realtime-2.1-miniは、音声合成のエンドポイントではなくRealtime APIで使うモデルです。これから作る仕組みは、Realtime APIで試してから決めてください。
Q. 自分や社員の声でナレーションを作れますか？
A. 独自の声は対象の顧客に限られ、声の持ち主の同意の録音が必要です。対象かどうかは、OpenAIの営業に問い合わせて確かめます。
Q. AI音声であることは、必ず書かないといけませんか？
A. OpenAIの音声合成を使う場合、聞き手にAI音声であることを明示するよう求められています。映像の中で明示し、Webで公開する場合は概要欄にも書いてください。
まとめ
ChatGPTとOpenAIの音声合成で作る演技付きのナレーションについて、要点を5つにまとめます。
- 台本と演技の指示はChatGPTで作り、音声ファイルはOpenAIのAPIの音声合成で作ります
- 話し方の指示で、アクセント、感情の幅、抑揚、速さ、トーン、ささやき声などを指定でき、短い1文で試してから全体を作ります
- 声は13種類で、marinとcedarが推奨されていますが、英語に最適化されているため、日本語の読みは台本の段階で整えて耳で確かめます
- tts-1、tts-1-hdと、gpt-4o-mini-ttsの日付つきのスナップショットは2027年1月6日に提供終了の予定で、移行先はRealtime APIで使うgpt-realtime-2.1-miniです
- 聞き手にAI音声であることを明示し、本人の同意なく他人の声に似せないことを守ります
まずは、次の動画の冒頭の1文を、声を3つ、話し方の指示を2通りに変えて作り、聞き比べてみてください。演技の付け方の勘所が、その日のうちにつかめます。
💬 さとしさん（編集長）
AIのナレーションは「台本」と「指示」で9割が決まります。まず1文、聞き比べるところから始めましょう！
生成AIの導入・活用でお困りではありませんか
ChatGPTやClaudeをはじめとした生成AIの活用を、研修とコンサルティングで支援しています。これまでPower BIやDX支援など、30社以上・のべ数千名の支援に携わってきました。「研修動画のナレーションを内製したい」「AI音声を使うときの社内ルールを整えたい」といったご相談も承っています。まだ情報収集の段階でも構いません。お気軽にお問い合わせください。
