自分の声をAI読み上げに使うには？同意録音とカスタム音声の利用条件

情報確認日：2026年10月15日

OpenAIのカスタム音声は、利用資格を持つ顧客向けのAPI機能です。ChatGPTの声の選択欄へ録音を入れれば、誰でも自分の声を登録できる仕組みではありません。作成には本人の同意録音と、同じ人の参照音声が別々に必要で、最初に組織の利用可否を確認します。

既製の声を選ぶ機能と、声を作成する機能を分ける

カスタム音声は、提供した短い参照音声へ似せた声を、アプリや音声エージェントで使う仕組みです。現行公式ガイドは、対象を利用資格のある顧客に限定し、営業窓口への問い合わせを案内しています。OpenAI：Custom voices

組織で有効になると、AudioのVoicesタブへアクセスできます。ただし、現時点で声の作成はAPIリクエストを通じて行うと説明されています。一般の会話画面の機能や、既製の声の名称を選ぶ機能とは区別してください。

利用先としてText to Speech API、Realtime API、音声出力付きChat Completions APIなどが案内されています。どのサービスでも同じ設定を使えると考えず、開発担当へ利用する経路を確認します。

必要なのは、声の本人が合成音声モデル作成へ同意する「同意録音」と、生成する声の参考にする「サンプル録音」です。サンプルの話者は、同意録音の本人と一致する必要があります。

同意録音は、公式が指定する文言をそのまま読み、別の言葉を混ぜない条件です。台本からの逸脱は失敗につながると説明されています。録音直前に現行の文言を確認し、自分で意味を変えて要約した台本へ置き換えないでください。

過去の講演や動画に本人の声があることと、この機能で声を作る同意録音が用意されていることは別です。本人と、用途、利用する組織・アプリ、公開する範囲を確認してから準備します。

公式ガイドでは、組織当たり最大20音声、サンプルは30秒以下、対応形式はmpeg、wav、ogg、aac、flac、webm、mp4と案内しています。

GPT-Liveで使うための節には、さらに、少なくとも5秒の実際の発話と15文字起こしトークンが必要で、無音は数えない条件があります。推奨は数文を含む10〜30秒で、各アップロードは10MiBまでです。これらの追加条件は、その利用経路の説明として確認します。

トークンは文字数そのものではありません。日本語15文字を録れば15トークンの条件を満たす、といった読み替えはしません。開発担当は現行のAPI条件とエラー内容を照合します。

同意録音をAPIへ送ると、同意を示すIDが返ります。次に、そのIDとサンプル音声を使って声を作成し、返された声IDを生成の設定へ指定します。同意IDと声IDは用途が異なります。

本人が同じで複数の作成を試みる場合、同意録音を再利用できると説明されています。一方、別の人のサンプルへ同じ同意を流用できる意味ではありません。

GPT-Liveの現行説明では、同じプロジェクトを使い、読取り・利用と作成の権限を分け、APIキーは信頼できるサーバーで保管します。利用者のブラウザーへ秘密のAPIキーを置く実装にはしません。

参照音声の録音品質や、話し方、間、アクセントは生成結果へ影響します。静かな反響の少ない場所で、目的に合う話し方のサンプルを用意します。良いサンプルでも、全原稿で望む読み方になる保証はありません。

公開前には、固有名詞、数字、読み上げの抜け、文末、不要な音を全尺で確認します。声が似ていることと、本人がその内容を実際に話したことを混同しない表示も必要です。

OpenAIの読み上げガイドは、利用者へ聞こえている声が人間の実声ではなく、AI生成であることを明確に知らせるよう求めています。Text to speechの開示条件

利用できない場合は、組織の資格、プロジェクト、必要な権限、同意とサンプルの本人一致、形式・長さを開発担当と確認します。エラーだけを見て、別人の録音を使い直す対応にはしないでください。

執筆・検証：カネさん（政経プラスチャンネル運営）＋ ChatGPT

ほかの記事を探す