NotebookLMで作った音声解説を、口の動く2人の対談動画にした記録 ― 声から話者を聞き分け、字幕はまだ付けられていない
1本作ってみた記録です。特定のサービスの性能や安全性を評価・保証するものではありません。仕様や利用条件は変わるので、実際に使う前に各サービスの画面や規約で確認してください（2026年9月時点）。音声はAI（NotebookLM）で生成したもので、登場人物はAIで生成した架空の人物です。法律相談・法的助言ではありません。
同じ日に、記事から台本を作り、合成音声で4分半の対談動画を作りました。今回は逆に、音声が先にある場合を試しました。GoogleのNotebookLMには、資料を読み込ませると2人のホストが会話する形の音声解説を作る機能があります。その音声ファイル（約14分）を渡して、動画にできるかを確かめました。次の映像は、完成した動画の冒頭約1分半です。
作ったもの
- 映像：前回の対談動画で作った応接室の背景と2人の人物を、そのまま使った。新しい画像は生成していない。
- 話者の切り替え：音声の中で、どちらのホストが話しているかを機械に判別させ、話している人に画面を寄せ、その人の口だけを声に合わせて動かした。相づちのような短いやり取りでは、2人が並ぶ画面にした。
- 表示：冒頭に「音声はAI（NotebookLM）で生成したものです」「登場人物はAIで生成した架空の人物です」「法律相談・法的助言ではありません」、画面の右上に常に「AIで生成したイメージです」を出した。
- 人物に「弁護士」などの肩書は付けていない。NotebookLMのホストは弁護士ではないので、事務所の弁護士が話しているように見せないためである。
話者の聞き分け
NotebookLMの音声は、2人の声が1つのファイルに入っています。台本から作る場合と違い、どこで誰が話しているかの情報がありません。Claudeに、声の高さと声質の違いから2人を分けさせたところ、女性のホストと男性のホストで声の高さがはっきり分かれ、話者ごとの区間に切り分けられました。
ただし、Claudeは音を聞けません。分け方が正しいかどうかは、人が通しで見て確かめるしかありません。相づちや、2人の声が重なる箇所では、話していない人の口が動く場面が残っている可能性があります。
できていないこと
- 字幕がない。音声を文字にする仕組み（音声認識のモデル）を取得しようとしたところ、事務所の通信の制限で取得できなかった。別の方法として、Geminiで話者別・時刻付きの文字起こしを作り、それを字幕にする予定。
- 話者の判別の精度を、まだ人が確かめていない。
- タイトルの表示が仮のまま。受け取った音声ファイルの名前が文字化けしていて、題名が分からなかった。
- 音声の内容（言い回しや細かい事実関係）は、NotebookLMが資料を要約したものなので、公開前に人が通しで聞いて確かめる必要がある。
費用と時間
- 画像生成：0クレジット（前回の画像を使い回した）。
- 音声：NotebookLMで作成済みのものを使用。
- 所要時間：音声ファイルを渡してから、14分の動画ができるまで約20分。書き出しは1回4分ほど。
感想
一度人物と背景を作っておくと、音声さえあれば、別の題材の動画を追加の費用なしで作れることが分かりました。一方で、音声を自分で作らない場合は、誰がいつ何を話しているかという情報を後から取り出す作業が必要になります。字幕のための文字起こしと、話者の判別の確認が、次の課題です。
本記事は、特定のサービスの性能や安全性を評価・保証するものではなく、1本作ってみた記録です。依頼者や事件に関する資料は、外部の生成サービスに入力していません。音声はAI（NotebookLM）で生成したもので、登場人物はAIで生成した架空の人物です。