AI音声合成が増えた今、ナレーション副業で指名される声の作り方
画像出典: ぱくたそ (モデル: ゆうせい)
AI音声合成は短文広告やニュース読み上げでは高い完成度に達した一方、複雑な感情表現やキャラクター性、現場のディレクション即応は依然として人間の声の領域です。売るものを「読み上げ」から「ディレクション込みの演技」へ言い換え、クラウドワークスの相場表とシステム利用料（10万円以下の部分は20%＋消費税）から手取りを逆算して提示すれば、AIと同じ土俵で値下げ競争をせずに済みます。
ナレーション案件の打ち合わせで、発注側が音声合成ツールの画面を開いている。数年前にはなかった光景が、2026年は普通になりました。正直なところ、同じ原稿を読む仕事として並べられると、月額数ドルのツールに価格では勝てません。
ただ、勝てない土俵に立ち続ける必要もありません。比較されているのは「読み上げ」であって、あなたが現場でやっていること全部ではないからです。ここからは、自分の仕事のどこがAIの外側にあるのかを言葉にして、その言葉のまま金額に変える手順を順番に見ていきます。
AI音声合成はどこまで来て、どこで止まっているのか？
まず前提をそろえます。2026年現在のAI音声合成は、かつての「ロボットのような棒読み」を完全に脱却し、プロのナレーターと遜色ないレベルに達しているツールも登場しています。ここを低く見積もったまま営業すると、クライアントの体感とずれた話をしてしまいます。
一方で、止まっている場所もはっきりしています。短文の音声広告やニュース読み上げなど比較的シンプルな用途では高い完成度を出す反面、複雑な感情表現やキャラクター性、声の個性といった面では、現状のAI音声合成はまだ人間の声優に及びません。人間特有のわずかな掠れや、予期せぬイントネーションの変化が聴き手の共感を呼ぶ要素として挙げられてもいます。
もうひとつ、現場の作業そのものが人間側に残っています。監督から「もっと喉の奥に悲しみを溜めて」のような抽象的な指示を受け、その場で音に変える。これは高度な感性を要する共同作業で、現行のAIには困難だと整理されています。ディレクション対応は技術の話ではなく、あなたが毎回やっている仕事です。
- AIが得意: 短文の音声広告、ニュース読み上げ、多言語展開、低コストでの大量生成
- 人間が得意: 複雑な感情表現、キャラクター性・声の個性、抽象的なディレクションへの即応
- つまり比較されているのは前者の領域だけ
自分の差別化ポイントをどう言語化する？
「AIが奪うのはただ読むだけの作業としての声であり、AIが真似できないのはこの人じゃなきゃダメと言われるポジションを持つ声」という整理があります。これは精神論ではなく、提案文に書く項目のリストとして使えます。
やることは、自分の過去案件から該当する場面を1つずつ引っ張り出して、具体的な文に置き換える作業です。「感情表現が得意です」では何も伝わりません。「3回目の収録で監督の『もっと諦めた感じ』という指示を受け、語尾の息の量を変えて同テイク内で対応しました」まで書くと、AIでは発注できない作業だと相手が自分で気づきます。
- 感情ニュアンス対応の実例を2つ書き出すどんな原稿で、どんな指示を受け、声のどこを変えたか。使った言葉をそのまま残します。
- ディレクション即応の実例を1つ書き出す収録中に方向性が変わった案件を選びます。「修正テイクを即日納品」でも構いません。
- キャラクター性・声の個性を他人の言葉で拾うクライアントから届いた感想のうち、声質や雰囲気に触れた一文を引用します。自己評価より強い材料です。
- 「指名された実績」を分けて書く継続依頼・名指しのリピートは、AIとの比較が起きていない証拠です。件数と期間を添えます。
- ポートフォリオと提案文の両方に反映するサンプル音声の説明文に、上の1〜4で書いた文を短く添えます。音だけ並べると「読み上げ」として聴かれます。
価格はいくらで提示すればいい？
差別化を言葉にしたら、次は金額です。相場を知らないまま「AIより少し高いくらい」で出すと、自分の下限を自分で下げてしまいます。クラウドワークスが公表している相場は次のとおりです。
| 案件の長さ・内容 | 相場 |
|---|---|
| 1分程度のナレーション | 固定報酬制10,000円〜 |
| YouTube・BtoB・イベント説明動画 | 10,000円〜50,000円 |
| 日本語400文字 | 12,000円〜25,000円 |
| 宅録：500文字以内（1〜2分） | 15,000円前後 |
| 宅録：1000文字程度（2〜4分） | 20,000〜25,000円 |
| 宅録：2000文字程度（4〜8分） | 30,000〜40,000円 |
クラウドワークスの公表データをもとに作成（2026年）
上の表は依頼先・難易度によって変動する目安で、達成が保証された金額ではありません。あくまで自分の提示額が市場のどのあたりにあるかを確認するための基準値として使ってください。なお発注側がプロナレーターを起用する場合は、人件費が1時間あたり5〜10万円程度、スタジオ費が1時間あたり6,000〜12,000円程度と、別の桁の予算が動くこともあります。
手数料を逆算してから金額を言う
提示額をそのまま受け取れるわけではない点が、ここでの肝です。クラウドワークスのシステム利用料は段階制で、受注額の帯によって率が変わります。
| 受注額の範囲 | システム利用料率 |
|---|---|
| 10万円以下の部分 | 20%（+消費税10%） |
| 10万円超〜20万円以下の部分 | 10%（+消費税10%） |
| 20万円超の部分 | 5%（+消費税10%） |
| タスク形式（金額問わず） | 20%（+消費税10%） |
クラウドワークスの公表データをもとに作成（2026年）
消費税10%が加算されるため、10万円以下の案件では実質約22%の負担になります。つまり20,000円で受けると手取りは約15,600円。手取りで20,000円を残したいなら、提示額は約25,600円以上が必要です。逆算は「手取り希望額 ÷ 0.78」で足ります。
段階制なので、受注額が大きくなるほど実質の手数料率は下がります。1本ずつの単発より、まとめ案件や継続契約で1回の受注額を上げたほうが同じ労力で残る額が増えます。これは差別化の話とも噛み合う部分で、指名で継続が入る相手ほど、この条件を提案しやすくなります。
「AIならいくら？」と聞かれたらどう答える？
反論せずに済ませる方法があります。AIの強みと人間の強みを分けて並べ、相手に選ばせる形です。安さを否定しないほうが、かえって話が早く進みます。
比較材料として、相手が検討している可能性の高いツールの価格感を自分で把握しておくと落ち着いて話せます。たとえばElevenLabs（多言語と感情表現に強い音声合成サービス）の料金は2026年8月18日確認時点で次のようになっています。
| プラン | 月額料金 | 月間クレジット |
|---|---|---|
| Free | $0 | 10,000 |
| Starter | $5〜6 | 30,000 |
| Creator | $22 | 100,000〜121,000 |
| Pro | $99 | 500,000〜600,000 |
| Scale | $299〜330 | 1,800,000〜2,000,000 |
| Business | $990〜1,320 | 10,000,000 |
| Enterprise | 要見積もり | カスタム |
ElevenLabs の公表データをもとに作成（2026年8月18日確認時点）
上の表のとおり、商用利用の条件はStarter以上です。桁で見れば月数ドルから数百ドルの世界なので、1本2〜3万円のナレーションと単純比較すれば当然AIが安い。ここを争点にしても勝てません。
そこで提示の軸を変えます。ツールの用途には住み分けがあり、日本語の自然さ重視ならCoeFontやVOICEVOX、多言語展開とプロ級表現ならElevenLabs、開発・自動化に組み込むならOpenAI Voiceといった整理がされています。VOICEVOXは無料で日本語特化、CoeFontは国産で商用条件が明確、OpenAI Voiceは話し方の指定やAPIでの自動化向きです。この住み分けを知っている人として、「その原稿なら合成でも十分です」と自分から言える状態が理想です。
全部を取りに行かず、ディレクションが入る案件だけを取りに行く。これが価格を下げずに続ける唯一の道筋です。具体的には、こう切り分けて伝えます。
- 「原稿を読み上げるだけの用途なら、合成音声のほうがコストも納期も有利です」
- 「ブランドの声として個性を持たせたい、収録中に方向性を調整したい場合は人間のほうが向きます」
- 「今回は◯◯の部分で感情の出し方を相談しながら作る想定なので、その前提で見積もります」
- 「ナレーション単体ではなく、ディレクション対応込みの演技としてお出ししています」
見積書の書き方を一行変える
提案の中身を変えたら、見積書の項目名も合わせます。「ナレーション収録 1分 20,000円」だと、合成音声の出力と同じ列に並びます。「ナレーション収録（ディレクション対応・修正2回まで含む） 20,000円」と書けば、比較対象が変わります。
金額を据え置いたまま中身を明示するだけなので、値上げ交渉より通りやすい変更です。修正回数や立ち会いの有無を明記しておくと、後から無償対応が膨らむことも防げます。
短尺の商品紹介や社内向けマニュアル音声など、もともと演技を必要としない案件を主軸にしている場合、差別化の材料そのものが作りにくいです。その領域は価格と納期で競う市場になりつつあるため、無理に単価を維持しようとするより、ディレクションが入るジャンル（キャラクター、ブランドムービー、イベント司会など）へ受注先を移していくほうが現実的です。
また、ここで示した相場も手数料率も2026年時点の公表値です。手数料は改定されることがあるため、見積もりを出す前に最新の料率を確認してください。
今日できる最初の一歩は？
一度に全部やらなくて大丈夫です。順番に効くのは、差別化の言語化より先に逆算の計算をしておくことです。次に見積もりを出す場面で、下限を割らずに済みます。
- 手取り下限を決めて0.78で割る1本あたり手取りでいくら残したいかを決め、提示額の下限を数字で出します。
- 直近3案件のディレクション場面を書き出す受けた指示の言葉と、声のどこを変えたかをメモします。提案文の素材になります。
- ポートフォリオのサンプル説明文に1文足す音声の下に「◯◯という指示を受けて△△を調整したテイク」と添えるだけで、聴かれ方が変わります。
- 見積書の項目名を書き換える「ディレクション対応・修正◯回まで含む」を入れた雛形を今のうちに作っておきます。
AIと比べられること自体は、もう避けられません。比べられたときに何を差し出すかを先に決めておけば、その場で言葉に詰まることはなくなります。
よくある質問
AI音声合成の普及で、ナレーションの副業案件はなくなりますか？
なくなるとは言えませんが、領域は分かれていきます。2026年時点のAI音声合成は短文の音声広告やニュース読み上げなど比較的シンプルな用途で高い完成度に達している一方、複雑な感情表現やキャラクター性、声の個性では人間の声優に及ばないとされています。収録中のディレクションに即応する仕事は人間側に残る領域です。
クラウドワークスでナレーション案件を受けると、提示額のうちいくら手元に残りますか？
クラウドワークスのシステム利用料は段階制で、受注額10万円以下の部分は20%、10万円超〜20万円以下の部分は10%、20万円超の部分は5%です。これに消費税10%が加算されるため、10万円以下の案件では実質約22%の負担になります。手取り希望額を0.78で割ると必要な提示額が計算できます。
クライアントがAI音声合成と価格を比較してきたら、値下げすべきですか？
値下げの前に、売るものを分けて提示する方法があります。AI側の強みは低コスト・多言語・即時性、人間側の強みはディレクション対応・感情ニュアンス・ブランド個性との一致です。単純な読み上げ用途なら合成音声が有利だと認めたうえで、演技とディレクション対応が必要な案件に絞って提示すると、同じ土俵での価格競争を避けられます。
ナレーションの相場はどのくらいですか？
クラウドワークスが公表している2026年の相場では、1分程度のナレーションが固定報酬制10,000円〜、日本語400文字で12,000円〜25,000円、宅録1000文字程度（2〜4分）で20,000〜25,000円が目安です。依頼先や難易度によって変動するため、保証された金額ではありません。
※記事で使用した内容・数値は変更される場合があります。最新情報は公式サイトをご確認ください。