音の生成AI、結局どれを使う？ 9か月の制作でたどり着いた結論

2026年2月から10月末まで、ゲームや動画の BGM・効果音・声を AI で作ってきました。この記事はその総まとめの無料ダイジェスト版です。おすすめの道具、導入の鉄則、そして制作のやり方を変えた「選定ツール」を紹介します。

年表、ざすこの発言の原文、実物の音と画面は、有料の「音づくり 制作記録館 #1」に展示しています。

音の生成AIとは

音の生成AIは、文章や歌詞、参考の音や動画をもとに、新しい音声データを作る仕組みです。素材集の音を切り貼りするのではなく、学習した音の特徴から波形を組み立てます。ただし音の制作は作るだけではありません。作業を5つに分けると、どの道具を使うかが見えてきます。

作業	何をするか	代表例
探す	すでにある音を選ぶ	効果音ラボ、OtoLogic
作る	文章から新しい音を作る	Stable Audio 3、ACE-Step
読ませる	文字を声にする	Irodori-TTS、AivisSpeech、Gemini TTS
変える	ある声を別の声質にする	RVC
合わせる	動画の動きに音を付ける	MMAudio

「定番の効果音も全部生成するほうが早い」は誤解で、定番音は素材集のほうが速く、品質も安定します。自分の PC で動くことと、販売や収益化に使ってよいことも別の話です。

最初に覚える用語

この記事に出てくる言葉をまとめました。分からない言葉が出てきたら、ここへ戻ってください。

用語	読み	意味
BGM	ビージーエム	場面の後ろで流す音楽
SE	エスイー	効果音
TTS	ティーティーエス	文字を読み上げ音声に変える技術
RVC	アールブイシー	声を別の声質へ変える技術
OSS	オーエスエス	中身が公開され、自由に使える形のソフト
重み	おもみ	学習済みモデルの本体データ
LUFS	ラフス	耳で感じる音量の単位。マイナスが大きいほど小さい
ループ	ループ	曲の終わりから始まりへ、切れ目なくつなぐこと
リップシンク	リップシンク	声に合わせて口を動かすこと
R2VA	アールツーブイエー	参照の画像や音声から、音付きの動画を作る方式
LoRA	ローラ	声や絵の特徴を覚えさせる小さな追加データ
MCP	エムシーピー	AIエージェントに道具をつなぐ共通の差し込み口
クロマキー	クロマキー	特定の色を透明にして重ねる技術
選定ツール	せんていツール	候補を聴いて選び、結果を記録する専用の画面

結局どれがいいの？

音は BGM・効果音・環境音・歌・声で作り方が別なので、1つで全部できる道具はありません。今のおすすめはこの4つです。

• BGM全般・ボーカル曲（有料）：SUNO
• BGM全般・ボーカル曲（無料）：ACE-Step 1.5、MiniMax-Music3。ライセンスに注意
• インストBGM・効果音（無料）：KANAさん制作の Audio Studio。ループ化や音量合わせまで1つで済みます
• 音声（無料）：Irodori-TTS v4。感情の演技分け、ボイスクローン、LoRA の性能が高い

ジェネコの声は AivisSpeech で動かしていて、VOICEVOX の櫻歌ミコ（CV:赤乃みずき）さんの声を元にしたモデルを使っています。

「無料」は、自分の PC で動かす生成に料金がかからないという意味です。GPU の性能は必要で、商用の条件は道具ごとに違います。条件は2026年10月31日時点の確認で、変わることがあります。作品へ入れる前に公式の規約を読み直してください。

Audio Studio と KANAさん

今の主力の Audio Studio MCP は、KANAさん（@KanaWorks_AI、東京AI映像合同会社）が公開している道具です。AI エージェントへ「効果音を作って」と頼むだけで、自分の PC で BGM や効果音を作れます。2026年10月18日の公開告知をきっかけに、うちの制作でも主力になりました。

中身の音源モデルは Stability AI の Stable Audio 3 で、ループ化、音量合わせ、書き出し、生成条件の記録まで1つで済みます。コードは MIT ですが、Stable Audio 3 の重みは別の規約で、商用には登録が必要です。導入は必ず正本リポジトリからどうぞ。サンプルの試聴ページもあります。

導入の鉄則：AIエージェントに頼む

2026年の今、道具の導入でいちばん覚えてほしいのがこれです。従来の手動方式に加えて、今は AI エージェント（ファイルの操作やコマンドの実行まで自分で進められる AI）に頼む方式が圧倒的に便利で手軽。保守や管理もラクになります。

公式の URL を渡して日本語で頼めば、エラーの修正も更新もまとめて任せられます。おすすめは Claude Code（Opus 5.5）と Codex（GPT-6.1 Sol）。ログインと規約への同意だけは自分の作業です。

音づくりの流れ

どの作品でも流れはほぼ同じです。定番の音は素材集から探し、足りない音だけを生成して、聴いて選び、音量と形式をそろえてから作品へ入れます。真ん中の「選ぶ」が人間の仕事です。

音の生成の頼み方

導入が済んだら、作りたい音を日本語で頼むだけです。英語の指示文を書く必要はありません。伝えるのは「何に使う」「どんな音」「何本」「仕上げ」「どこに置く」の5つです。

ゲームでコインを取った時の音を Audio Studio で作って。明るく短いチャリンという音で、長さは1秒、候補は3本。無音を切って音量をそろえ、OGGでこのフォルダに置いて。指示文とシードも一緒に残して。

音の数が多いゲームなら、音のリストづくりから選定ツールまでまとめて頼むのがおすすめです。そのままコピーして使えます。

このゲームに必要な音のリストを作って。BGM、効果音、環境音、ジングルに分けて、用途、長さ、音の様子を1行ずつ書いて、生成の前に見せて。リストが決まったら、定番の効果音は素材集から探し、足りない音は Audio Studio で1項目につき3案ずつ生成して。そのあと選定用のツールを作って。候補を聴いて OK、保留、NG を付けられるようにして、NGには修正リクエストを書けるようにして。判定は自動で保存して。判定が済んだら伝えるので、それまで次へ進まないで。

聴いたあとは「ゆったりしすぎ。もっとブリブリした電子音で」のように、感想をそのまま返せば次の注文になります。BGM・歌・声の頼み方の例は記録館に載せています。

いちばん効いたのは「選定ツール」

生成 AI は候補をいくらでも出せますが、耳は持っていません。音が増えるほど大変になるのは「作ること」ではなく「聴いて選ぶこと」でした。そこで、聴き比べ専用の画面そのものを AI に作ってもらいました。

• みちくさクレーンキャッチでは、93本の候補を聴き比べて19種を採用
• 全38項目を選び切るのに7分55秒。1項目あたり約12.5秒
• 声はどの方式か伏せて聴き比べ（目隠し）。Irodori-TTS が◎24／24、比べた相手は◎6／24

プログラムが書けなくても、「▶で再生」「いちばん良い候補に『これ』を付ける」「結果をコピーできるようにする」と言葉で頼めば作れます。最初は1枚のページで十分で、足りない操作は使いながら足せば大丈夫です。

作っただけでは入らない

生成した音は、そのままではゲームや動画に入りません。入れる前に、この4つを整えます。

• ループ：MP3 は先頭と末尾に無音が入るので、ループには WAV か OGG を使う
• 音量：LUFS でそろえる。ピークをそろえても、聞こえの音量はそろわない
• 形式：ゲームは OGG、動画は 48kHz の WAV が扱いやすい
• 記録：指示文、シード、設定、出どころを音と一緒に残す

用途	音量の目安
ゲームBGM	−16 LUFS
動画・配信のBGM	−14 LUFS
ジングル	−14 LUFS
機械音	−20 LUFS
環境音	−24 LUFS

声とリップシンク

うちでは2人の声を別の道具で作っています。ざすこは Irodori-TTS v4 と、ざすこの声で作った LoRA。ジェネコは AivisSpeech です。声は1台詞を数テイク作って選び、読み間違いは表記を変えて直します。

キャラをしゃべらせるリップシンクは、2つの方式を試しました。

• 後乗せ：MiniMax H3 で台詞付きの動画を先に作り、あとから Irodori-TTS の声へ編集で乗せ換える
• 直接参照：声を先に作り、画像と一緒に動画生成へ渡す

事例：みちくさクレーンキャッチの音

クレーンゲームでは、Audio Studio で29種93本の候補を作り、聴き比べのページで19種を選びました。盛り上げの電子音8種はプログラムで合成して、6回選び直しています。ざすこが「ゲームっぽくなった」と感じたのは、音が入ってからでした。

使う前に見るライセンス

見る順番は、道具より先に「重み」と「声」です。コードが MIT でも、音を作る重みに別の条件があれば、そちらが優先します。声は道具の条件に加えて、本人の同意が必要です。

条件は道具ごとに違います。下は2026年10月31日時点の確認です。作品へ入れる前に、公式の規約を読み直してください。これは法律の助言ではありません。

道具	商用	主な条件
ACE-Step 1.5	○	MIT
Irodori-TTS	○	MIT。本人の同意なく実在の人の声を複製しない
Stable Audio 3	条件つき	登録が必要。年商100万ドル未満
MiniMax-Music3	条件つき	画面に名前を表示。年商2000万ドル超は許諾
Suno	Pro以上	無料とBasicは非商用
AivisSpeech	条件つき	声モデルのライセンス次第。ACML-NCは商用NG
RVC	条件つき	声モデルの規約と本人の同意次第
Gemini TTS	条件つき	API規約に従う
MiniMax H3 / FastH3	条件つき	地域と用途の条件がある。LICENSE本文で確認
効果音ラボ	○	クレジット不要。素材の再配布、AI学習はNG
OtoLogic	○	クレジット「OtoLogic」が必須
MMAudio	×	重みが非商用（CC BY-NC 4.0）

失敗から決まったこと

• 定番の音は探す：AI で作った祭囃子は、2回直しても日本の祭りに聞こえなかった。今は効果音の素材集2,210件を先に探し、足りない音だけ生成する
• 数字は地図、合否は耳：元の曲との近さを測ると「この辺りを聴けば早い」は分かる。決めるのは人の耳
• 良い音でも消すことがある：クレーンゲームの失敗音は、遊びのテンポを止めるので消した

音づくり 制作記録館 #1 で全部を展示しています

39の出来事の年表（ざすこの発言を原文で）、道具ごとのライセンスの早見、選定ツールの画面と録画、作らせ方の依頼文、直す前と直した後の音まで、現物を並べた展示です。

パスワード制：パスワードは YouTube メンバーシップの投稿欄でお知らせしています。

ほかの記録館は記録館アーカイブの一覧からどうぞ。

まとめ

• 音の道具は役割ごとに選ぶ。おすすめは SUNO、ACE-Step 1.5 と MiniMax-Music3、Audio Studio、Irodori-TTS v4
• 導入は AI エージェントに頼むのが、今の鉄則
• 候補が増えたら選定ツールを作ってもらう。道具で作り、人の耳で選ぶ