Jun Sasaki / Log

2026-03-17

Youtubeのオートダビングをあれこれいじる

多言語展開するにあたってここは外せないわけなのだが、いかんせん精度が甘い。一方で、おそらく世界言語をシームレスにしたがっているGoogleさんを考えると、この1年で劇的に進化するだろうなと思って、落としどころを探り中。
スペイン語等の主要言語がスタックするので、そこの課題洗い出しと仮説をしながらひたすら検証中。





v6フォーマット転換の確定

  • 2時間Sleep版 → 58分Cozy Sci-Fi Relax Stories版に転換

  • 60分以内でYouTubeオートダビング（20言語自動吹替）が発動する条件を満たす

  • 58分は60分制限に対する安全マージン

  • ポジショニングをSleep Stories → 作業用朗読BGMに変更

  • 話数は7話/本 → 4話/本に変更

  • 月間動画数は8本 → 14本に増加（制作話数56話/月は変更なし）

広告構造の改善

  • v5（Sleep）: アンビエント区間に広告入れられない → 実質1.5枠/時間

  • v6（Relax）: 話の切れ目に自然に挿入できる → プレロール+ミッドロール2+エンド = 4枠/時間

  • 短くなったのに広告密度は2.7倍に上がった

オートダビング実証

  • Vol.11（009巻1-4話）でFish音声×58分×ミックス1トラックのテスト

  • 20言語のオートダビング発動を確認

  • 標準TTS言語（AR, NL, HE, JA, KO等）は即日Published

  • Expressive Speech対象言語（ES, PT, DE, FR, IT, HI, ID）は処理に時間がかかる

  • Expressive Speechは感情・イントネーション込みの高品質AI吹替

  • メインターゲット言語が全部Expressive Speech対象

Geminiからの技術確認

  • 処理フローは「発話検出→自動音源分離→STT→翻訳→TTS→元BGMと再ミックス」

  • BGM -20dBで認識精度に問題なし

  • AI音声（Fish Audio）で弾かれない

  • 30-40分朗読あれば「発話ごく少量」判定されない

  • ミックス済み1トラックがベストプラクティス

  • アップロード時に言語設定を「English」にすることが必須

コスト大幅削減

  • ElevenLabs $99/月（¥14,850）→ 解約で$0

  • Fish Audio APIで英語音声生成。1巻28話で約¥515

  • 月2巻で約¥1,030

  • Suno ¥1,500（BGM）

  • 月間合計 ¥16,350 → ¥2,530（85%削減）

▶︎Sunoが年間契約してた苦笑。¥1,200円微々たるコストなのでok。

rt2112_voice.py v6完成

  • Fish Audio SDKではなくHTTP直叩き（Python 3.9対応）

  • テキスト整形を内蔵：◇、———、##記号の除去、URL除去

  • 原稿ファイルは一切変更しない（読み取りのみ）

  • dry-runでコスト確認可能

  • セットアップはpip install requestsとFISH_API_KEYの設定のみ

▶︎Kindleの原稿から直接ボイスを出すため、ハウリング材料になる要素を事前にプログラムで削除してからAPIを通す。
正直8分朗読の途中で声が変わっていたりするので精度がよろしくないが、まーそこはまだ妥協ということです。
Eleven Labが高すぎるし、高い割りにはそこまでかわらないので現状fish一択。wavの書き出しができないので、収益化後の検討は大いにあり。
どちらにせよ、自分のコンテンツに声の精度はそこまで求めていないという方針。


BGM dBテスト

  • -12dBでも-15dBでも標準言語のオートダビングは通る

  • Expressive SpeechのスタックはBGM音量ではなくYouTube側の処理キュー/バグが原因

  • オートダビング後のバランスは-15dBの方が自然（-12dBだと吹替音声が強くなりすぎる）

  • 最終判断：BGMは曲に合わせて感覚で決める。EN版の聴き心地を最優先

▶︎当初は、BGMが邪魔してオートダビングできないのかと思ったらそうでもない。正直気にしなくていい。翻訳精度を考えて、どちらかというと作業用BGM用途ではあるので、ボリュームはギリギリを狙っていきたい。

ラウドネス設定の修正

  • Premiereのエッセンシャルサウンド自動一致が-23 LUFS（放送規格）だった

  • YouTube推奨は-14 LUFS

  • エッセンシャルサウンドのラウドネスはオフにする

  • 書き出し時のエフェクトタブでラウドネス正規化を-14 LUFSに設定

  • BGMのdBはPremiereで耳で調整、全体の音量は書き出しで自動調整

▶︎Geminiくそったれ。「Premiereには１発でできる機能があります！」→Youtube仕様ではない。結局自分で調整するのがベスト。


オートダビングの突破口発見

  • YouTube Studioの言語タブから手動で字幕テキストをアップロードできる

  • Auto Translate機能で英語字幕から各言語字幕を自動生成可能

  • スタックしたオートダビングを削除→Auto Translateで字幕入れ直し→再処理の可能性

  • French、German、Indonesianで字幕Published確認済み

  • 音声トラック生成されるか検証中

▶︎Expressive Speech言語が全てスタック。字幕の上げ直しで公開された例があるっぽい。ということで、各言語の字幕を再度アップして様子を見る。

投稿運用の仮スケ

  • 週3-4本（月14本ペース）

  • JST 23:00投稿（= NY昼12時）

  • 予約投稿はアップ3日後に公開設定（オートダビング完了待ち）

▶︎30本到達でアルゴリズムが動き始める見込みなので、今月中はブースト。30本到達を最速で目指す。来月から上記運用。
現状1本1時間内で作業完結。

チャンネルデータ（3月17日時点）

  • 公開動画数：約16本

  • Vol.11のCTR：4.1%（目標4%超え達成）

  • ユニーク視聴者はまだ少ないがおすすめ表示は始まっている

  • Vol.15が公開直後に「5 more than usual」でおすすめに上がった

制作フロー確定（v6）

  • 原稿：mdそのまま

  • 音声：rt2112_voice.py → Fish API → mp3

  • 編集：Premiereで校正＋BGM調整

  • 映像：Gemini/Veo + Premiere（8秒素材の再生逆再生パターンで複数バリエーション）

  • 書き出し：-14 LUFS正規化

  • アップ：YouTube（言語設定English）→ JST 23:00予約公開

  • 多言語：オートダビング自動 + Auto Translate字幕で補助

目標

  • 月50万円（必達）：月間67万再生、1年以内

  • 月100万円（ストレッチ）：月間133万再生

  • 収益化（YPP）：30-50本で到達見込み

▶︎ってClaudeもGeminiも言うけど、たぶん収益化無理やぞ？と感じる。淡々と続けよう。

次やること

  • Auto Translate字幕からのオートダビング再生成の結果確認

  • 30本到達を今月中に

  • Kindle 8巻の動画化（なぜか9巻から動画化している今）

Advertisement