AIポッドキャストを作るなら、最初のステップはスペック比較ではなく用途の明確化だ。一人で原稿を読む番組が作りたいのか、二人の掛け合いを生成したいのか。この2種類は技術路線がまったく違う。種類を間違えれば、かけた手間はほぼ無駄になる。
一人語りの核心はテキスト読み上げ（TTS）だ。声の自然さ、リズム、長文を読み通したときの安定性が問われる。複数人対談の核心は会話の設計で、話者の聞き分け、語気のつなぎ、テンポが本物の会話らしく聞こえるかが勝負だ。用途と噛み合わなければ、音質が良くても救えない。
まず見極める：4つのリアルなニーズ
- 一人語り：ニュース、音声コンテンツ、解説系。一人が最初から最後まで読む。
- AI生成の複数人対談：資料を二人の司会者の掛け合いに変える。
- 収録済みの人間同士の対談：録音は済みで、文字起こし・編集・整音が必要。
- ビデオポッドキャスト：動画プラットフォームにも出す。映像と字幕が必要。
ニーズマトリクス
| 見る点 | 一人語り | 複数人対談（AI生成） |
|---|---|---|
| 核心能力 | TTSの声質と長文の安定性 | 話者の聞き分けと会話のテンポ |
| 中国語の要求 | 中国語のリズム・方言・多音字 | 中国語対談の自然さ |
| 一番怖い落とし穴 | 長文になるほど機械的になる | 二人の声が一人の演技に聞こえる |
| 編集の手間 | 小さい。生成すればほぼ完成品 | 中程度。会話の論理を要確認 |
主要ツールの比較
| ツール | 得意分野 | 中国語 | 料金 | 位置づけ |
|---|---|---|---|---|
| NotebookLM | AI生成の複数人対談 | 簡体字中国語を含む50以上の言語 | 無料 | 資料をワンクリックで二人の掛け合い番組に |
| ElevenLabs | 一人語り | 中国語を含む32言語 | 無料枠＋文字数課金 | 声が自然。声のクローン対応 |
| VibeVoice-1.5B | AI生成の複数人対談 | 自分で要検証 | オープンソース無料（自前で構築） | Microsoftのオープンソース多話者長文音声 |
| Descript | 収録対談の編集 | 英語中心 | 有料サブスク | テキスト駆動の編集。文書を直す感覚で音声を切る |
| 中国の中国語TTSサービス | 一人語り | 強い | 従量制またはサブスク | 中国語のリズムと方言ボイスが強み |
ツールごとの寸評
NotebookLM：無料の二人対談ジェネレーター
Google製。資料をアップロードするだけで二人のAI司会者が掛け合う番組が作れ、簡体字中国語を含む50以上の言語で無料。レポートや資料を通勤時間に聴ける内容に変えるのに向く。
向かない人：一人語りを作りたい人。二人対談しか作れず、固定の司会者ボイスは指定できない。ブランドの声が要る商用利用にも向かない。
ElevenLabs：一人語りの声質トップクラス
32言語、豊富なボイスライブラリ、自分の声のクローンにも対応。長文読み上げの感情表現と間の取り方は、現行TTSの中でも屈指の自然さだ。月1万文字程度の無料枠で試せる。
向かない人：ワンクリックで二人対談を作りたい人。本質は朗読ツールで、複数役の会話は手動でつなぐ必要がある。連載ものは文字数枠をすぐ使い切るので、予算が限られるなら先に計算しておこう。
VibeVoice-1.5B：自前で構築できる複数人対話の選択肢
Microsoftのオープンソースのポッドキャスト級音声合成で、最長90分・4人対話の長尺音声を一度に生成できる。技術力があり、自前のワークフローを組みたいチーム向け。MicrosoftのオープンソースVibeVoice-1.5B、ポッドキャスト級の多話者音声 (/article/132)
向かない人：構築に手を出したくない一般ユーザー。計算資源・調整・中国語品質の検証は自分で担うことになり、時間コストは小さくない。
Descript：収録済み対談の編集の切り札
人間が収録した複数人対談の痛みは生成ではなく編集にある。文字起こし、フィラー除去、マルチトラックの整列だ。Descriptは音声を編集可能なテキストに変える。一文消せば、その区間の音声が消える。Descriptのテキスト駆動ポッドキャスト編集 (/article/663)
向かない人：ゼロからポッドキャストを生成したい人。「無からの創造」は担当外で、手元に録音がなければ使いようがない。中国語の文字起こしは英語に劣る。
中国語の一人語り：中国語のリズムを優先する
純中国語の一人語り番組なら、中国メーカーのTTSをまず試す価値がある。多音字、数字の読み方、方言ボイスの扱いは総じて滑らかだ。選定時はデモの最初の3文ではなく、長文の区切りとアクセントを聴き比べよう。
向かない人：多言語版が必要な人。中国語TTSの英語発音は、ネイティブ多言語モデルに及ばないことが多い。
選び方の3つの指針
- 番組の形を先に決めて、ツールを選ぶ。一人語りならTTS、複数人対談なら会話設計、収録済みなら編集ツール。形を間違えると後が全部ずれる。
- 中国語番組は中国語の原稿でテストする。ツールごとの中国語対談の自然さの差は大きい。自分の原稿で3分ずつ生成して比べよう。公式デモは信じない。
- 無料で始めて、回ってから課金する。無料枠でワークフローの検証は十分。更新ペースを続けられると確信してからサブスクしよう。
代替案：どれも帯に短しなら、組み合わせが意外と堅い。中国語TTSで一人語りを作り、収録済み対談は文字起こしして丁寧に編集する。文字起こし・字幕ツールの選び方はこちら (/article/1862)。動画プラットフォームにも出したいなら、動画編集の工程を重ねるだけだ。
よくある質問
Q：予算ゼロでも、まともなAIポッドキャストは作れますか？
A：作れる。NotebookLMは二人対談を無料で生成でき、ElevenLabsの無料枠でも短い番組が数本作れる。まず内容の方向性を検証し、更新のリズムが回ってから課金を考えよう。
Q：中国語の複数人対談、AI生成の品質は実用的ですか？
A：英語より一段落ちる。話者の聞き分けと会話のテンポは中国語だと化けの皮が剥がれやすい。3分のサンプルで試してから、シリーズ化に踏み切るか決めよう。
Q：一人語りと複数人対談でツールを使い分けられますか？
A：できる。ただし一つのツールに全部は期待しないこと。一人部分はTTS、対談部分は別途生成か人間収録、最後に編集ソフトで1本にまとめるのが定番だ。
