Lovo.ai Gennyで独自のカスタムAIボイスクローン（Voice Clone）を作成するワークフローは、大きく2つの段階で構成されていました。第1段階は、1〜2分間のクリアな音声サンプルをスタジオ品質で録音・アップロードすることであり、第2段階は、Gennyのマルチトラック動画エディタ上でピッチ（音高）、話速（速度）、カスタムポーズ（間）、および発音辞書（Pronunciation）を細かくキャリブレーション（調整）することです。この手順により、マーケターや動画クリエイター、教育関係者は、スタジオでの再収録を繰り返すことなく、一貫したブランドボイスを効率的に生成できました。
しかし、現在このワークフローを検討するクリエイターにとって、知っておくべき決定的な業界動向があります。2026年5月、Lovo, Inc.は音声クローンを巡る大規模集団訴訟（ニューヨーク南区連邦地方裁判所における『Lehrman & Sage v. Lovo, Inc.』）の影響を受け、米国連邦破産法第7章（Chapter 7）に基づく破産清算を申請し、公式サービス lovo.ai およびGennyは完全に閉鎖・停止しました。Gennyが確立した音声収録とキャリブレーションの技術的要件を理解することは、ニューラル音声合成の基礎原則を把握するだけでなく、現在の安全なAI音声制作において不可欠な法的許諾基準と代替ツールを正しく選定するための重要な指針となります。
1. 高品質な音声サンプルの準備と録音基準
ニューラル音声クローンモデルの再現性と自然さは、入力する音声データの品質に直結します。Gennyのアルゴリズムは、サンプルの声質、イントネーション、周波数特性、呼吸の間隔を解析して固有の音声モデルを構築します。室内の反響音や環境ノイズ、歪みが含まれていると、それらが意図しない声の特性としてモデルに恒久的に学習されてしまいます。
録音環境と機材セッティング
- 音響環境の整備： 硬い壁やフローリング、窓ガラスなど音が反響しやすい部屋は厳禁です。絨毯が敷かれ厚手のカーテンがある小部屋や、衣類が吊るされたクローゼットなどを活用し、布地による自然な吸音効果でフラッターエコー（定在波）を徹底的に排除します。
- マイクの選定： 単一指向性（カーディオイド）のコンデンサーマイク、または放送用ダイナミックマイクを使用し、USBオーディオインターフェース経由または専用USBマイクで接続します。PCの内蔵マイクやスマートフォンのスピーカーフォン、ワイヤレスイヤホンは、過度なデジタルノイズリダクションや周波数帯域の狭窄が発生するため避けてください。
- マイクの配置と発声技術： マイクから15〜20cm（6〜8インチ）の一定距離を維持します。破裂音（パ行やタ行の息の吹き込み）によるポップノイズを防ぐため、必ずポップガードを装着し、マイクを口の真正面ではなく斜め45度の角度に向けて設置します。
- 入力レベルの監視： 発声時のピークレベルが -6 dB 〜 -3 dB に収まり、平均音量（RMS）が -23 dB 〜 -18 dB 程度になるよう入力ゲインを調整します。0 dBを超えるクリッピング（音割れ）は波形データを破壊するため厳禁です。
サンプルの収録時間とパフォーマンスの一貫性
- 推奨収録時間： Gennyのインスタント音声クローンでは最低1分間、理想的には1〜2分間のクリーンな音声が必要です。3分を超える長尺音声を読み込ませても精度向上は頭打ちとなり、かえってトーンのばらつきによるモデルの不安定化を招く傾向がありました。
- 発声トーンの統一： 完成動画で意図するトーンやテンポ、エネルギー感を完全に再現して発声します。企業向け解説動画であれば落ち着いた自信のあるトーン、YouTubeなどのソーシャル動画であれば親しみやすく明瞭なトーンを一貫して保ちます。同一サンプル内で囁き声や叫び声を混在させてはいけません。
- 読み上げ原稿： 各種母音・子音、疑問文や平叙文がバランスよく含まれた原稿を用意し、咳払いや唇のクリック音、原稿の紙擦れ音が入らないよう滑らかに朗読します。
2. Gennyにおけるサンプルの取り込みとクローン生成
録音した音声ファイルを編集・整理した後、Gennyの管理画面から音声モデルを生成します。
- ファイル形式の仕様： 音声ファイルは非圧縮WAV形式（16-bitまたは24-bit、44.1 kHzまたは48 kHz）、あるいは高ビットレートMP3形式（192 kbps以上）で書き出します。BGMや効果音、別人の声は完全に除去してください。
- クローンモジュールへのアクセス： Gennyのエディタ画面でボイス選択メニューを開き、Voice Cloning（ボイスクローニング）または Create Custom Voice を選択します。
- ファイルのアップロード： 事前にスタジオ環境で整音した音声ファイルをアップロードするか、ブラウザ上の録音機能を使用します。ブラウザ直接録音よりも、DAW等で下処理されたファイルのアップロードの方が常に高い品質を得られます。
- メタデータの設定： 作成する音声に識別しやすい名称を付け、話者の性別、主要言語およびアクセントタグ（例：English - USなど）を指定します。これにより、言語ごとの音素辞書との照合精度が向上します。
- 権利許諾の同意確認： アップロードする音声の権利を自身が保有しているか、話者から商用利用に関する正当な同意を得ていることを確認するチェックボックスを承認します。
- モデル生成の実行： 生成ボタンをクリックすると、Gennyのニューラル音声エンジンが特徴量を解析し、通常1〜3分程度で個人ライブラリ内にカスタムボイスが利用可能になります。
3. タイムライン上での精密キャリブレーション
自動生成された直後のボイスクローンは、複雑な長文スクリプトにおいて不自然な抑揚を生じることがあります。Gennyのタイムラインエディタに搭載されていたキャリブレーション機能を活用して、完成度を高めます。
ピッチ（音高）と話速（テンポ）の微調整
- ピッチシフト（Pitch）： 音声ブロックのプロパティパネルでピッチスライダーを調整します。クローン音声がこもって聞こえたり機械的な共鳴感が強い場合は、ピッチを2%〜5%上げることで明瞭さと通りの良さが改善します。重厚なナレーションにしたい場合はわずかに下げます。
- 話速コントロール（Speed）： 0.5倍速から2.0倍速の間で調節可能です。YouTube動画や広告では、1.05倍〜1.1倍にわずかに加速させることで冗長さを防ぎテンポ感を向上させます。技術的な解説や教材動画では、1.0倍または0.95倍で正確な伝達を図ります。
カスタムポーズの挿入と句読点の最適化
- ミリ秒単位のポーズ設定： AI音声は文と文の間隔を詰めすぎ、息継ぎのない不自然な印象を与えがちです。Gennyでは単語や文の間にポーズマーカー（Pause）を挿入でき、読点（カンマ）相当には200〜300ms、句点（ピリオド）や段落の変わり目には500〜800msの間を設けることで、自然な呼吸感を再現します。
- 記号によるニュアンス調整： ダッシュ（—）を用いて思考の転換を表現したり、三点リーダー（…）を用いて文末の唐突な音程降下を和らげるなど、テキスト側の工夫でイントネーションを滑らかにします。
発音エディタ（Pronunciation Editor）
- 専門用語、ブランド固有名詞、頭字語（アルファベット略語）、外来語は機械的な誤読が発生しやすい箇所です。
- Gennyの「発音エディタ」を使用し、特定の単語に対してフォネティック（発音記号）または読み仮名表記（例：「SaaS」を「サース」と読ませる等）を登録することで、プロジェクト全体で正確な発音を自動適用できます。
マルチトラック同期とオートダッキング
- タイムライン上で生成した音声トラックを動画フッテージ、BGM、効果音と視覚的に同期させます。
- オートダッキング（Audio Ducking）を有効化し、ナレーション音声が流れている間はBGMの音量を自動で10〜15 dB減衰させ、ナレーション終了時にスムーズに元の音量へ戻すことで、明瞭な音響バランスを実現します。
4. 業界動向：Lovo.aiの閉鎖と訴訟判例が示す法的教訓
Gennyのワークフローは優れた利便性を提供していましたが、同社の法的トラブルと破産によるサービス停止は、生成AIを活用するクリエイターにとって極めて重要な教訓を残しています。
破産清算とサービス停止
2026年5月27日、Lovo, Inc.は米国ニューヨーク南区破産裁判所に連邦破産法第7章（Chapter 7）の適用を申請しました（事件番号：26-11249）。破産清算に伴い、同社は事業を即時停止し、lovo.ai のサーバインフラは停止、Gennyプラットフォーム上のプロジェクトや作成済みボイスモデルは一切利用できなくなりました。
『Lehrman & Sage v. Lovo, Inc.』訴訟の経緯
この破綻の背景には、プロ声優のPaul Skye Lehrman氏とLinnea Sage氏によって提起された集団訴訟（事件番号：24-CV-3770）が存在します。原告らは、クラウドソーシング上で「学術研究目的」と偽って依頼された音声収録が、実際にはGennyのAI学習データとして無断流用され、別名（「Kyle Snow」「Sally Coleman」等）で商用クローン音声として販売されていたと告発しました。
2025年7月に下された連邦地裁の重要判断では、以下の法的境界線が示されました：
- 著作権法の限界： 連邦著作権法は固定された録音物そのものを保護対象とし、抽象的な「声質」や「声の模倣」までは直接保護しないとして、一部の著作権侵害主張は棄却されました。
- 人格権（パブリシティ権）と契約違反の成立： 一方で、裁判所は契約違反の主張に加え、ニューヨーク州民権法第50条・第51条に基づくパブリシティ権（声の商業的無断利用）の侵害主張を正当なものとして認めました。他者の声をモデル学習に用い、新たな音声を反復して生成・販売する行為は、個人の人格権侵害にあたると判断されたのです。
- 手続きの中止と教訓： 破産申請に伴い訴訟手続き自体は中止（ステイ）されましたが、この判例は「第三者の音声を明確な書面許諾なしにクローン化すること」が重大な法的責任を伴うことを明確に示しました。
5. 現在利用可能な主要代替プラットフォーム
Lovo Gennyのサービス終了に伴い、音声クローンを活用したコンテンツ制作を行うクリエイターは、現在安定稼働し法的一貫性を備えたプラットフォームへ移行する必要があります：
| プラットフォーム | 推奨サンプル長 | 主な強み | 最適な用途 |
|---|---|---|---|
| ElevenLabs | インスタント：1〜3分 / プロフェッショナル：30〜180分 | 業界最高水準の自然な抑揚、30以上の多言語対応、内蔵Voice Isolator（ノイズ除去）、安定性・類似度の詳細スライダー | YouTube解説動画、ポッドキャスト、オーディオブック、多言語ローカライズ |
| Murf.ai | 5〜10分のクリア音声 | プレゼン資料やスライドとの同期編集、エンタープライズ向けチーム協調、安全な商用利用ライセンス | 企業研修動画、社内プレゼンテーション、製品プロモーション |
| Resemble AI | 1〜5分 | 精密な感情パラメータ制御、Speech-to-Speech（音声変換）、ディープフェイク対策の電子透かし | ゲームボイス、動的オーディオ広告、高セキュリティな企業ブランド音声 |
ボイスクローンを実施する際は、反射のない静粛な環境での録音と丁寧なキャリブレーションを徹底するとともに、必ず当事者の明示的な商用利用許諾書とローカルバックアップを保持することが、安全なコンテンツ運用の必須条件です。