AI動画のナレーション：生成クリップにあらゆる言語の音声を追加

AI動画のナレーションとは、生成したクリップに話し声やセリフを加えることです。VIBEでは2つの方法があり、Veo 3.1 FastやKling 3 Proにレンダリング内でセリフを話させるか、後から録音または合成した音声を重ねます。このガイドでは、動画ごとの使い分け、短いクリップに収まるセリフの書き方、1つのアイデアを複数言語にする方法を解説します。

AI動画のナレーションとは何で、なぜ重要なのか？

はっきりしたセリフのあるクリップは、最初の1秒を超えて見続ける理由になり、文字を読まなくても内容が伝わります。2026年11月時点で、AI動画のナレーションには2つの役割があります。画面内の人物が話す場合と、映像に重ねる画面外のナレーターです。前者は動画モデル自身が担当し、後者は別の工程になるのが一般的です。これらのモデルの音の仕組みは、音声付きAI動画ジェネレーターのガイドで会話、効果音、環境音まで解説しています。各モデルの違いはVIBEのモデル一覧で確認できます。

声は生成、録音、合成のどれにすべき？

• レンダリング内で生成する。 プロンプトにセリフを書き、Veo 3.1 FastまたはKling 3 Proに話させます。画面内のキャラクター、短いフック、口の動きが大事なクリップに向いています。
• 自分で録音する。 自分の声は、個人ブランドやチュートリアルで最も信頼感があり、静かな部屋のスマートフォンで十分です。録音は、音声のないクリップに重ねます。
• 別に合成する。 音声合成は長いナレーションや多言語版に向いており、映像を再生成せずに音声だけやり直せます。

実用的な目安は、画面内の人物が話すならレンダリング内で音声を生成し、誰も話していないなら録音か合成にすることです。1つのクリップで両方を混ぜると、タイミングの問題の大半が起こります。

VIBEのどのモデルがセリフを話せる？

VIBEでレンダリング内に音声を生成できるのは2つのモデルです。Google DeepMindのVeo 3.1 Fastは最大8秒のクリップに会話、効果音、環境音を付け、KuaishouのKling 3 Proは最大15秒で複数の話者と複数の言語に対応します。Veoファミリーについては、Google DeepMindのVeoモデルページで説明されています。VIBEで話せるのはこの2つだけなので、セリフ入りの台本を作る前にモデルを確認してください。

VIBEでこのプロンプトを試すVeo 3.1 Fast

“A young woman in a bright kitchen looks into the camera and says calmly, "Three ingredients, ten minutes, and dinner is done," soft room tone, a pan sizzling quietly in the background, handheld vertical 9:16, natural window light.”

短いクリップに収まるセリフはどう書く？

クリップは短いので、セリフも短くする必要があります。目安として、8秒のクリップにつき10〜15語程度の1文にし、声がカットとぶつからないよう最初と最後に少し間を残します。長いメッセージは、それぞれにセリフを付けた複数のクリップに分けるほうがうまくいきます。

1. まず台本全体を書き、クリップごとに1文へ分けます。
2. セリフを引用符で囲み、誰がどう話すか（落ち着いて、興奮して、ささやいてなど）を書きます。
3. 声の下に流れる音、たとえば室内の空気音や街の音を描写して、自然なミックスにします。
4. レンダリングしてヘッドホンで聞き、急ぎ足に感じたら映像を作り直さずセリフを短くします。

流れはほんの数タップで、VIBEの使い方で各ステップを確認できます。クリップ間でシーンを揃えるコツは、AI動画プロンプトガイドをご覧ください。

1つのアイデアから多言語のAI動画を作るには？

映像のプロンプトは同じまま、セリフとその言語だけを変えます。映像が変わらないので、デザインをやり直さずに各市場向けの揃ったクリップが得られます。Kling 3 Proは複数言語の会話をレンダリングできるため自然な選択です。苦手な言語は、映像を1回レンダリングして、その言語の録音または合成音声を足してください。音声が使えない場合は、AI動画の字幕ガイドで字幕でメッセージを伝える方法を紹介しています。

この多言語プロンプトを試すKling 3 Pro

“A street-food vendor in a lantern-lit night market smiles at the camera and says in Spanish, "Prueba esto, es la mejor receta de la casa," then a customer replies in English, "It smells amazing," steam rising from the grill, warm string lights, ambient chatter, handheld documentary style.”

ドイツ語の音声を出せるAI動画アプリは？

VIBEでは、複数言語の会話をレンダリングできるKling 3 Proでドイツ語の音声を生成できます。プロンプトにドイツ語でセリフを書き、まず短い1文でテストしてください。発音やアクセントはモデルのバージョンで変わることがあります。長いドイツ語ナレーションは、音声のないクリップに録音または合成音声を重ねるほうが、1回のレンダリングより細かく制御できます。

• ドイツ語のセリフは、読み上げたい形のまま書き、数字は文字で綴ります。
• 文は短くし、1クリップにつき1節にすると発音がきれいに出ます。
• 名前や外来語の強勢を確認し、おかしければ発音どおりに綴り直します。

ナレーションをBGM、効果音、字幕とどう組み合わせる？

ナレーションは聞き取りやすくなければ意味がないため、ミックスは言葉と同じくらい重要です。音声がレンダリング内で生成される場合、Veo 3.1 FastとKling 3 Proはすでに会話と環境音のバランスを取っているので、1クリップにつき主役の音を1つにすると最も安定します。後から録音または音声合成で声を足す場合は、バランスを自分で整えます。声を音楽よりはっきり大きくし、背景音はすべての言葉が聞き取れるほど小さく保ちましょう。声を主役、それ以外を脇役として扱ってください。

• 音楽は声の下で控えめにし、セリフの間の無音部分でのみ盛り上げます。
• 落ち着いたナレーターが速いアクションの映像に乗らないよう、声の雰囲気を映像に合わせます。
• 話した言葉を繰り返す字幕を付け、音を消した状態や一緒に読む視聴者にも通用するようにします。

最後に、プラットフォームが求める形式で書き出します。縦型9:16のクリップはTikTok、リール、ショートに向いており、アスペクト比ガイドでは、顔と字幕が重ならないように話す人物をフレーミングする方法を説明しています。残りを公開する前に、完成した1本をスマートフォンのスピーカーとヘッドホンで確認してください。静かな編集環境で良く聞こえる声が、騒がしい場所の小さなスピーカーでは消えてしまうことがあります。

AI動画のナレーションを台無しにする間違いは？

• セリフが長すぎて、声が急ぎ足になったりクリップの終わりで切れたりする。
• 音声と賑やかな環境音を同時に指示して、言葉が埋もれる。
• 言語版ごとに映像プロンプトの文言を変えて、クリップが揃わなくなる。
• ヘッドホンでの確認を省く。誤った発音はヘッドホンのほうが気づきやすい。

ナレーションは上に重ねる層ではなく、ショットの一部として扱いましょう。映像と一緒に書き、短く保ち、シリーズ全体をレンダリングする前に1クリップでテストしてください。

よくある質問