
【MiniMax H3 第7回】AIキャラの声を、8秒の音から作る方法
海の見えるテラスで、4つの文の自己紹介をした

晴れた午後、海の見える白い石のテラスで、進行役の澄(すみ)がこちらを向いて自己紹介をします。
「はじめまして。」「この動画の、しんこうやくです。」「動画の作り方を、お伝えしています。」「声も、このパソコンで、作りました。」
カットが変わるたびに1文ずつ、口がその文の長さだけ動いて、言い終えると閉じます。
この声は、MiniMax H3 に短い言葉を8秒だけ言ってもらった音から作りました。
この連載のナレーションの声も、同じ作り方で作っています。
作り方は3段です。
声の元をつくる:MiniMax H3 に短い言葉を言ってもらい、音だけを切り出す(約8秒)
原稿を読ませる:声の元と書き起こしを Qwen3-TTS に渡して、原稿を1文ずつ読ませる
画に合わせる:先に作った声を MiniMax H3 に渡して、しゃべる動画を作る
第7回の動画(YouTube・3分57秒)で見せた手順を、文字で残しました。
環境は第2回で入れたもの(VRAM 16GB・ComfyUI・MiniMax H3)に、Qwen3-TTS を1つ足すだけです。
声の元は、MiniMax H3 に言ってもらった短い言葉

最初に、MiniMax H3 に話してもらいます。頼むのは8秒の動画1本です。
胸から上を写し、カメラは止めて、短い言葉を6つ続けて言ってもらいます。
はじめます。
参照は使いません。
ここは間違えます。
文字は描けません。
場所を変えました。
以上です。
言葉の中身は、何でもかまいません。ここで欲しいのは声の感じだけだからです。
短い文を、間を少しだけあけて並べます。
声の感じは、一文だけ書きます。この回は「かるくて、たかい、わかい声」と書きました。
この6つは、こちらで書いた文です。
だから、書き起こしは、はじめから手元にあります。これが次の段で効いてきます。
動画から、音だけを切り出す

できた動画から、音だけを切り出します。ffmpeg なら1行です。
ffmpeg -i 声の元.mp4 -vn -ac 1 -ar 24000 sumi_ref.wavこの回の声の元は 7.6秒でした。速さも長さも変えずに、そのまま使います。
第7回の動画で新しく読ませた声は、すべてこの7.6秒から作りました。
Qwen3-TTS に、声の元と書き起こしを渡す

次に、Qwen3-TTS という読み上げのモデルを使います。
このパソコンで動きます。月々のお支払いはありません(Apache 2.0)
日本語を読めます
数秒の声と、その書き起こしを渡すと、その声で読みます
声をまねるには、音と書き起こしの両方が要ります。モデルが、文と音を突き合わせて声を覚えるからです。
前の段で、言わせた言葉はこちらで書いた文でした。だから書き起こしを起こす手間がありません。
Qwen3-TTS は、同じパソコンの中で、MiniMax H3(ComfyUI)とは分けて入れます。
ComfyUI の環境に別の道具の部品を混ぜると、MiniMax H3 の動作に響くことがあるからです。
長い話は、Qwen3-TTS に任せます。
MiniMax H3 は動画の中で短い一言を言うのが得意です。説明のように長く続く話は、Qwen3-TTS で読ませます。
原稿は、1行に1文で書く

原稿の書き方は3つだけです。
1行に1文。Qwen3-TTS には1文ずつ渡して読ませ、あとでつなぎます。1文ずつだと読みが安定します
読みまちがえやすい言葉は、ひらがなで書く。「7.6秒」は「ななてんろくびょう」、「進行役」は「しんこうやく」。数字と、読みが2通りある漢字です
長い文は、2つに分ける。「〜なので、〜です」は「〜です。だから、〜です」にします
最後に、耳で聞いて確かめます。
読みかたと上げ下げは、原稿を眺めても分かりません。聞いてはじめて分かります。
気になる文だけ書き直して、その1文だけ読ませ直します。1文は約10秒で作れます。
しゃべる動画は、先に声を作ってから

ここからは、キャラクターが画面の中でしゃべる動画です。冒頭の自己紹介がこれです。
順番は、声が先、動画があとです。
言わせたい文を、先に Qwen3-TTS で読ませる
1文ずつ、長さを測る(「はじめまして。」は約1秒、「この動画の、しんこうやくです。」は約2.3秒)
その秒を、そのまま動画の指示に書く(「0.80秒から1.82秒まで『はじめまして。』と言う。言い終えたら口を閉じる」)
作った声も、いっしょに MiniMax H3 に渡す
なぜ声を渡すのか。声を渡すと、口の話し始めが、その声にそろうからです。
渡す声は、動画と同じ長さの wav にします。声を置く秒までは無音を入れておきます(上の図の波形がそれです)。
仕上げでは、作った声をそのまま動画に重ねます。
ComfyUI では、ノードを2つ足す

ComfyUI では、第2回からの参照画像のワークフローに、ノードを2つ足すだけです。
Load Audio → MiniMaxH3AddGuide → BasicGuiderLoad Audio:渡す声の wav を読む(ComfyUI の input フォルダに置く)
MiniMaxH3AddGuide:audio に声、audio_vae に音声の VAE をつなぎ、frame_idx は 0(動画の頭から)
BasicGuider:conditioning に MiniMaxH3AddGuide の出力をつなぐ
口が合っているかは、0.125秒おきに並べて見る

できた動画は、口元だけを切り出して、0.125秒おきに並べて見ます。
しゃべっている口は、開いて閉じてを速く繰り返しています。
0.25秒おきに並べると、閉じた瞬間ばかりを拾って「声のあいだも閉じている」ように見えることがあります。
だから細かく並べます。
見るのは2つです。
声の区間のあいだ、開け閉めしているか
声のない所で、口が閉じているか
並べた絵でおかしいと思ったところは、その前後を短い動画にして、再生して確かめます。動きは動画で決めます。
場所を変えても、同じ声

声の元は1つのままで、場所を変えて3本作りました。
午後の回廊:歩いてきて立ち止まり、小さくおじぎをして「いらっしゃいませ。」
夕方の河原:横顔から振り向いて「きょうは、ここまでです。」
晴れた屋上:風で乱れた髪を押さえて「かぜが、つよいですね。」
どれも同じ7.6秒の声の元から読ませた声です。一度作った声の元は、何本でも使い回せます。
数字(VRAM 16GB・RTX 4070 Ti SUPER)
声の元:960x544・192コマ(8秒)・約4分
Qwen3-TTS:1文 約10秒
5秒の一言:960x544・124コマ・約2分(1440x800 に潜在拡大すると約3.5分)
自己紹介15秒:960x544 → 1440x800・362コマ・約10分
動画はどれも 8ステップ・Turbo LoRA・ref_image_size = max です。
まとめ
[ ] 声の元は、MiniMax H3 に短い言葉を6つ。8秒・胸から上・カメラは止める
[ ] 声の感じは一文だけ書く
[ ] 動画から音だけ切り出す(約8秒)。速さは変えない
[ ] Qwen3-TTS に、声の元と書き起こしを渡す。ComfyUI とは分けて入れる
[ ] 原稿は1行1文。読みまちがえやすい言葉はひらがな。長い文は2つに
[ ] 最後は耳で聞いて確かめる
[ ] しゃべる動画は、先に声を作り、秒を指示に書き、声もいっしょに渡す
[ ] 口元は0.125秒おきに並べて見る全文と、続き
この記事に出したのは要点だけです。
5本のプロンプトの全文、設定値と番号(seed)、Qwen3-TTS の入れ方と読ませるコード、
MiniMax H3 に渡す声の作り方(コード)、ComfyUI のつなぎ方は、有料版にまとめてあります。
YouTube:第7回の動画(3分57秒)
前回(第6回):AIキャラの顔を毎回そろえる、参照画像6枚の作り方
次回は曲です。毎回、最後に流れている曲の作り方をお話しします。