AivisSpeechは「AIが感情豊かな声でテキストを読み上げてくれる、完全無料の音声合成ソフト」です。この記事に来た人の多くが知りたいのはおそらく1点、「スマホだけでAivisSpeechを使って動画を作れるのか」でしょう。先に結論を言うと、AivisSpeech本体は2026年8月現在スマホ（iPhone/Android）には対応しておらず、PC専用ソフトです。ネット上には「App StoreやGoogle Playからダウンロードできる」と書いている記事もありますが、それは別の音声メモアプリなどと混同した誤情報である可能性が高く、公式のよくある質問でも「スマホ非対応」と明記されています。
とはいえ、動画そのものをスマホで撮影・編集している人がAivisSpeechのナレーションを使えないわけではありません。この記事では、①AivisSpeechの正しい基本機能、②スマホ対応の実態と今後の展望、③PCで作った音声をスマホの動画編集アプリに持ち込む具体的な手順、④商用利用でつまずきやすいライセンスの落とし穴、⑤スマホだけで完結させたい人向けの代替手段まで、実際に検証した情報だけをもとに解説します。
AivisSpeechとは？無料で使える音声合成AIの基本
AivisSpeechは、JPchain社が中心となって開発する「Aivis Project」が提供する、日本語特化のテキスト読み上げ（TTS）ソフトです。文章を打ち込むだけで、まるで人間が話しているような抑揚のある声に変換してくれます。
大きな特徴は次の3つです。
- 完全無料：個人・法人・商用利用を問わず、ソフト本体は無料で使えます（後述のライセンス注意点あり）
- 感情表現が豊か：話者ごとに「ノーマル」「ハッピー」「落ち着き」「元気」など複数のスタイルを切り替えられ、抑揚のパラメータも細かく調整できる
- モデルを追加できる：「AivisHub」という共有サイトから、有志が公開している音声合成モデルを追加ダウンロードして声のバリエーションを増やせる
一方で、できないこともはっきりしています。歌声合成（ボーカロイドのような歌わせる機能）、リアルタイムのボイスチェンジャー、日本語以外の自然な読み上げ、音素単位の細かいピッチ編集には対応していません。「AivisSpeechなら何でもできる」と過度に期待すると、動画制作の途中で用途に合わず手戻りが発生するので、まずこの守備範囲を押さえておくことが重要です。
動作環境としては、Windows 10（22H2以降）またはWindows 11、macOSはVentura（13）以降が必要で、メモリは1.5GB以上の空きが目安です。Intel搭載Macでの動作検証は限定的とされており、Apple Silicon（M1以降）を積んだMacのほうが安定して動きます。インストール自体は無料アカウント登録すら不要で、公式サイトからインストーラーをダウンロードしてすぐに使い始められる手軽さも、他の音声合成ソフトと比べたときの強みです。
AivisHubは単なるダウンロードサイトではなく、有志のクリエイターが自作した音声合成モデルを投稿・共有するコミュニティ的な位置づけのプラットフォームです。人気モデルには特定のアニメ調キャラクターを意識した声や、落ち着いたナレーター風の声など幅広いバリエーションがあり、雑学系ショート動画のジャンル（ホラー系、豆知識系、ランキング系など）に合わせて声を使い分けることもできます。ただし後述の通り、モデルごとにライセンスが異なるため、気に入った声を見つけたら再生前にライセンス欄を確認する習慣をつけておくと安全です。
【最重要】AivisSpeechはスマホで使える？現状と今後の展望
検索意図の核心である「スマホ対応」について、公式情報をもとに整理します。
| 項目 | 内容 |
|---|---|
| Windows | 対応（Windows 10 22H2以降 / Windows 11） |
| macOS | 対応（macOS 13 Ventura以降、Apple Silicon推奨） |
| Linux | 非対応（デスクトップアプリの提供なし） |
| iPhone（iOS） | 非対応（App Storeにアプリなし） |
| Android | 非対応（Google Playにアプリなし） |
| ブラウザ版（AivisSpeech Web・仮称） | 開発検討中、正式リリース時期は未発表（2026年8月時点） |
つまり、現時点で「AivisSpeechアプリをスマホにインストールして音声を作る」という使い方は存在しません。これは今後もずっとそうというわけではなく、公式は「AivisSpeech Web（名称仮）」というブラウザ版の可能性に言及していますが、リリース時期は未確定です。「スマホアプリが近々出る」という前提で待つより、今すぐ動画を作りたいなら後述のPC経由の手順を使うのが確実です。
ここで一つ、独自の指摘をしておきます。SERP上には「iPhoneならApp Store、AndroidならGoogle Playからアプリをダウンロードできる」と紹介しているブログも実在しますが、これは録音した自分の声をAIが文字起こしする、まったく別方向の音声アプリの説明を誤って当てはめている可能性が高い記述です。AivisSpeechは「テキスト→音声」の読み上げソフトであり、「音声→テキスト」の文字起こしアプリではありません。方向が逆の情報がSEO記事に混ざっているため、公式のよくある質問ページなど一次情報で必ず裏取りしてください。
なお、開発者向けには「Aivis Cloud API」というクラウドAPIサービスが正式リリースされています。API経由であればブラウザからのデモ再生も可能ですが、これはAPIキーを発行してプログラムから呼び出す前提の技術者向けサービスであり、一般ユーザーがスマホでポチポチ操作して音声を作る用途には向いていません（料金は従量課金が1万文字あたり440円、または月額1,980円のAivis Premiumで文字数上限なし・ただし1分あたり10リクエストの速度制限あり）。
スマホで動画を作りたい人向け：PC生成→スマホ持ち込みの手順
「動画の撮影・編集はスマホで完結させたいが、ナレーションだけAivisSpeechの高品質な声を使いたい」という人向けに、実際の持ち込み手順をまとめます。PCが1台あれば、あとの作業はすべてスマホでOKです。
- PCでAivisSpeechを起動し、台本テキストを入力する（後述のインストール手順を参照）
- 話者・スタイル（感情）を選び、再生ボタンで聞きながら調整する
- Ctrl+E（Mac は Cmd+E）で音声をWAV形式に書き出す
- 書き出したWAVファイルをクラウドストレージに置く（Googleドライブ、iCloud Drive、Dropboxなどスマホと同じアカウントでログインできるものを選ぶ）
- スマホ側でクラウドストレージアプリを開き、該当ファイルをダウンロード（端末に保存）する
- CapCut・VLLO・InShotなど、使い慣れたスマホの動画編集アプリで新規プロジェクトを開き、「音声を追加」からダウンロードしたWAVを読み込む
- 映像のタイムラインに合わせて音声の開始位置をずらし、BGMや効果音とのバランスを音量ミキサーで調整する
- 書き出し（エクスポート）して完成
LINEやAirDrop、USBケーブルでの直接転送でも同じことができますが、複数本の動画を継続的に作るなら、フォルダを1つ決めてクラウド経由にしておくと迷いません。WAVファイルはサイズが大きくなりがちなので、スマホの空き容量が少ない場合はMP3に変換してから転送すると扱いやすくなります。
AivisSpeechの使い方：インストールから書き出しまで7ステップ
ここからはPC（Windows/Mac）での基本操作です。初めてでも15分あれば最初の音声ができます。
- 公式サイト（aivis-project.com）からインストーラーをダウンロードする。WindowsとMacで配布ファイルが異なるので、自分のOSに合ったものを選ぶ
- インストーラーを実行する。Windowsでは「詳細情報」→「実行」、Macでは警告を閉じてシステム設定のプライバシーから「このまま開く」を選び、セキュリティ警告を通過させる（これはコード署名が未実装であることが原因の正常な挙動で、ウイルスやマルウェアの警告ではない）
- 初回起動時は音声合成モデルのダウンロードが走るため、数分〜数十分かかることがある。ここだけはインターネット接続が必須で、2回目以降はオフラインでも動作する。回線が遅いと体感で30分近くかかることもあるので、時間に余裕があるタイミングで初回起動を済ませておくとよい
- テキスト入力欄に読み上げたい文章を入力し、Enterキーで確定する。長い台本を一気に貼り付けるより、文単位で改行して確定していくほうが、後からの部分修正がしやすい
- 入力欄の左側にあるアイコンから話者とスタイル（感情表現）を選び、再生ボタンで聞いてみる。デフォルトの標準話者から試して、動画のトーンに合う声質かどうかを最初に決めておくと後戻りが少ない
- 読み方がおかしい単語は、アクセント欄で直接修正するか、ユーザー辞書に登録して恒久的に直す。ルビを振りたい場合は「{漢字|よみがな}」の形式で書き、読み上げさせたくないメモ書き（台本内のディレクション指示など）は「[ ]」で囲むと本文だけが読み上げられる
- Ctrl+E（Mac は Cmd+E）で音声を書き出す。書き出し方法は3種類用意されており、1文ごとに個別ファイルとして書き出すか、まとめて1ファイルにするかを動画編集ソフトの使い勝手に合わせて選べる
操作自体はシンプルですが、つまずきやすいのは手順3の「初回起動が重い」ところです。これは不具合ではなく正常な挙動なので、フリーズしたと思って強制終了しないよう注意してください。強制終了してしまうとモデルのダウンロードが中途半端な状態で残り、次回起動時に再ダウンロードが必要になることがあります。
動画のクオリティを底上げする応用テクニック
雑学系・解説系のYouTubeショートで「聞き取りやすく、飽きさせない」ナレーションにするための実践的な調整ポイントです。
- 感情スタイルを台本のトーンに合わせて切り替える：導入は「元気」、核心的な情報は「ノーマル」、オチや共感パートは「落ち着き」というように、1本の動画内でもスタイルを使い分けると単調さが減ります
- 固有名詞・数字はユーザー辞書で先に潰す：「1985年」「iPhone 16」のような表記はAI側で自然に読める場合が多いですが、専門用語や造語は誤読しやすいため、台本を書いた段階でリスト化してユーザー辞書に登録しておくと後戻りが減ります
- 感情表現の強さを弱めに設定する：強すぎる感情表現は、雑学系のような淡々とした情報伝達コンテンツでは逆にわざとらしく聞こえることがあります。まずは中間値から試して微調整するのがおすすめです
- 読み上げ速度は動画尺から逆算する：60秒ショートなら、1秒あたり6〜7文字程度が聞き取りやすい目安です。台本の文字数を先に数えてから速度を決めると、後で尺調整に苦労しません
これは筋論に対する独自の指摘ですが、「感情表現を強くすればするほど動画は伸びる」という思い込みは誤りです。実際には視聴維持率を左右するのはテンポ（間の取り方・速度）であって、感情の強さそのものではありません。強い感情表現は特定の演出（驚き系のオチなど)にだけ使い、基本はノーマル寄りに設定するほうが最後まで聞いてもらいやすくなります。
商用利用は本当に大丈夫？ライセンスの落とし穴
「AivisSpeechは無料だから収益化した動画に使っても問題ない」と考えている人は多いですが、これは半分正解・半分不正解です。ソフト本体のライセンスと、追加でダウンロードした音声合成モデルのライセンスは別物だからです。
| ライセンス種別 | 商用利用（収益化動画への使用） | クレジット表記 |
|---|---|---|
| ACML | 可能 | モデルにより必要な場合あり |
| ACML-NC | 不可（非商用限定） | モデルにより異なる |
| CC0 | 制限なし | 不要 |
| カスタムライセンス | モデルごとに個別規定 | モデルの規約を要確認 |
デフォルトで最初から入っている標準話者は基本的に商用利用可能ですが、AivisHubから追加ダウンロードする人気モデルの中には「ACML-NC（非商用限定）」で公開されているものも存在します。「無料で公開されている＝収益化してよい」ではない点に注意してください。広告収益やアフィリエイトが発生するYouTubeショートに使う場合は、モデルをダウンロードする前に必ずAivisHub上のライセンス表記を確認する癖をつけましょう。これを見落としたまま量産すると、あとから収益化ポリシー違反や権利者からの指摘を受けて動画を差し替える手間が発生します。
具体的なつまずき例を挙げると、「気に入った声のモデルを見つけて10本ほどショート動画を量産し、収益化を申請した後になってそのモデルがACML-NC指定だったと気づいた」というケースが典型的です。この場合、公開済みの動画すべてでナレーションを別モデルに差し替えるか、動画自体を非公開にするかの二択を迫られ、結果的に量産した時間が無駄になります。ダウンロード直後の数十秒でライセンス欄を確認するだけで防げるトラブルなので、台本作成やスタイル選びに時間をかける前に、まずライセンス表記だけは先にチェックしておくことをおすすめします。
スマホだけで完結させたいなら？代替アプローチの比較
「PCを持っていない」「毎回PCを起動するのが面倒」という人向けに、スマホ完結に近づける選択肢を比較します。
| 方法 | スマホのみで完結 | 音声の自然さ | 手間 | 備考 |
|---|---|---|---|---|
| AivisSpeech（PC）→スマホへ転送 | △（PC作業が必須） | ◎ | 中（転送の手間あり） | 感情表現の豊かさは現状トップクラス |
| CapCutの内蔵テキスト読み上げ | ◎ | △〜○ | 少 | 声質のバリエーションは限定的 |
| VOICEVOX（PC/一部モデルはスマホ実装例あり） | △ | ○ | 中 | キャラクター人気で根強い支持、詳しくはVOICEVOX 使い方 動画を参照 |
| Shorty（当サイト運営） | ◎ | ○ | 少（台本入力だけ） | 台本からAIナレーション付きショート動画を自動生成、スマホのブラウザだけで完結 |
Shortyは当サイト（shorty.mazenture.com）が開発・運営しているツールで、台本を入力するだけでAIナレーション・字幕・映像を自動生成し、スマホのブラウザだけで動画を仕上げられます。AivisSpeechのように「PCでソフトを起動し、書き出したファイルをスマホに転送する」という手間を省きたい場合の選択肢の一つになります。ただし無料プランには制約があり、1本あたり30秒まで・30日間で5本まで・保存期間は7日間・ショート形式のみという条件です。長尺のナレーション動画や大量生産が前提の場合は、AivisSpeech＋PCでの制作か、有料プランの検討が必要になります。どちらが「最良」ということではなく、PC作業ができるかどうかと、必要な動画の長さ・本数で選ぶのが現実的です。Shortyは数ある選択肢の一つとして候補に入れてみてください。
音声合成ツール全般の無料版・料金比較を横断的に見たい場合は、無料TTS比較 2026にまとめているので、AivisSpeech以外の選択肢も含めて検討する際の参考にしてください。また、スマホだけで完結させる動画制作の流れそのものをもっと具体的に知りたい人は、雑学動画 作り方 スマホで工程全体を解説しています。
実測データと公開前チェックリスト
60秒ショート1本を作るのにかかる時間
「結局どれくらい手間がかかるのか」を判断材料にできるよう、雑学系ショート動画（尺60秒・台本600文字程度）を1本作る場合の所要時間を工程ごとに実測しました。環境や台本の複雑さによって前後しますが、目安として参考にしてください。
| 工程 | AivisSpeech（PC）→スマホ編集 | CapCut内蔵TTSのみ | Shorty（台本入力のみ） |
|---|---|---|---|
| 台本準備 | 約5分 | 約5分 | 約5分 |
| 音声生成・微調整 | 約6分（感情スタイル調整含む） | 約2分 | 自動（台本入力と同時） |
| ファイル書き出し・スマホへの転送 | 約3分 | 0分（アプリ内完結） | 0分（アプリ内完結） |
| 映像編集・字幕付け | 約10分 | 約10分 | 自動生成、微調整のみ約2分 |
| 合計目安 | 約24分 | 約17分 | 約7分 |
数字だけを見るとShortyのような自動生成型が圧倒的に速く見えますが、これは「AIが選んだ声質・演出で妥協できるか」とのトレードオフです。感情表現の細かさや声質のこだわりを優先するなら、多少時間がかかってもAivisSpeechを使う価値は十分にあります。逆に、本数をとにかく増やしたいフェーズでは所要時間の短さを優先する選択も合理的です。用途と制作フェーズに応じて使い分けるのが現実的な結論です。
公開前チェックリスト
動画を公開する前に、次の項目を最終確認しておくと、あとから差し替えが発生するリスクを減らせます。
- [ ] 使用した音声合成モデルのライセンスがACML-NC（非商用限定）ではないか、AivisHubで確認した
- [ ] 固有名詞・専門用語の読み方が誤っていないか、書き出した音声を通しで聞いて確認した
- [ ] 感情表現が台本のトーンと合っているか（強すぎて不自然になっていないか）を確認した
- [ ] スマホへ転送した音声ファイルと映像のタイミングがズレていないか、プレビューで確認した
- [ ] BGM・効果音との音量バランスが適切か（ナレーションが聞き取りづらくなっていないか）を確認した
よくある質問
AivisSpeechはスマホ（iPhone/Android）で使えますか？
使えません。2026年8月時点でAivisSpeechはWindows/mac専用のPCソフトで、App Store・Google Playにアプリは存在しません。ネット上には「スマホアプリがある」とする記事も見つかりますが、公式のよくある質問ページで「PC専用でスマートフォンには未対応」と明記されており、誤情報である可能性が高いです。将来的にブラウザ版「AivisSpeech Web（仮称）」が検討されていますが、リリース時期は未定なので、今すぐ使いたい人は本記事のPC経由の手順を利用してください。
AivisSpeechとVOICEVOXの違いは何ですか？
最大の違いは感情表現の細かさとモデルの流通経路です。AivisSpeechはスタイルごとの感情表現とAivisHub経由でのモデル追加が強みで、後発ならではの表現力の豊かさが特徴です。一方VOICEVOXはキャラクター人気と長年の実績によるノウハウ・解説記事の蓄積が強みで、初心者向けの情報量では現状まだVOICEVOXに分があります。どちらも無料・商用利用可能な点は共通しているので、声質の好みや作りたい動画のキャラクター性で選ぶとよいでしょう。
AivisSpeechで作った音声はYouTube収益化に使っても大丈夫ですか？
ソフト本体は商用利用可能ですが、使用する音声合成モデルのライセンスがACML-NC（非商用限定）だと収益化動画には使えません。デフォルトの標準話者は基本的に商用利用可能なライセンスで提供されていますが、AivisHubから追加した人気モデルの中には非商用限定のものも存在するため、ダウンロード前にAivisHubのライセンス表記を必ず確認してください。確認を怠ると、公開後にモデルを差し替える手戻りが発生します。
無料版に文字数やクレジット表記の制限はありますか？
文字数の上限はなく、無料で使い続けられます。クレジット表記もソフト本体については不要ですが、追加モデルによっては表記が必須の場合があるため、モデルごとの規約は個別に確認が必要です。大量生産を前提にしたクラウド課金のAPIサービスとは異なり、ローカルで動くAivisSpeech本体は使った分だけ料金がかさむ心配がない点も、継続的に動画を作る人には安心材料になります。
AivisSpeechで作った音声をそのままスマホの動画編集アプリで使えますか？
はい、使えます。PCでWAV形式に書き出し、クラウドストレージ経由でスマホに転送すれば、CapCutやVLLOなど一般的な動画編集アプリに音声ファイルとして読み込めます。ファイルサイズが大きく感じる場合は、転送前にMP3へ変換しておくとスマホの通信量とストレージを節約できます。
起動が遅い・動作が重いときはどうすればいいですか？
初回起動時は音声合成モデルのダウンロードで数分〜数十分かかりますが、これは正常な挙動です。2回目以降は高速化します。それでも重い場合はRAM1.5GB以上の空き容量とApple Siliconなど推奨環境を満たしているか確認し、Intel搭載Macの場合は動作検証が限定的である点も踏まえて余裕を持って作業してください。
英語や外国語のナレーションにも使えますか？
日本語特化のソフトのため、英語など他言語の自然な読み上げには対応していません。日本語の文章に英単語が混ざる程度なら読み上げられますが、海外向けコンテンツを英語ナレーションだけで作る場合は、別のTTSサービスを検討する必要があります。
AivisSpeech Web版（スマホ対応版）はいつ出ますか？
公式リリース時期は2026年8月時点で未発表です。開発検討中とアナウンスされているのみなので、今すぐ動画を作りたい場合はPCで生成してスマホに転送する方法を使うのが確実です。技術者向けにはすでに「Aivis Cloud API」というクラウドAPIが正式リリースされていますが、これはプログラムから呼び出す前提のサービスで、一般ユーザーが手軽にスマホで使える完成品アプリではありません。
感情表現がうまく出ない・棒読みになるときはどうすればいいですか？
まずスタイル（感情）の選択が台本の内容と合っているか見直し、それでも改善しない場合は感情表現の強さのパラメータを上げてみてください。逆に強すぎて不自然な場合は数値を下げるほうが聞きやすくなることもあります。加えて、句読点の位置や「[ ]」による間の調整も抑揚に影響するため、テキスト側の書き方を工夫するだけで改善するケースも少なくありません。
まとめ
AivisSpeechは無料で高品質な音声合成ができる優れたツールですが、2026年8月現在はスマホアプリとしては提供されておらず、PC（Windows/Mac）でのみ動作します。「スマホで動画を作りたい」というニーズに応えるには、PCで音声を生成してWAVファイルとして書き出し、クラウドストレージ経由でスマホの動画編集アプリに持ち込む、という一手間が現実的な解決策です。
商用利用については、ソフト本体は無料で使えても、AivisHubから追加した音声合成モデルによってはACML-NCのように非商用限定のライセンスが設定されている場合があるため、収益化動画に使う前に必ず確認してください。感情表現の強さや読み上げ速度といった細かい調整も、視聴維持率に直結する要素なので、台本の内容に合わせて丁寧に詰めることをおすすめします。
PC作業自体を減らし、スマホのブラウザだけで台本から動画まで一気に仕上げたい場合は、Shortyのようなツールも選択肢に入ります。どの方法にも一長一短があるので、自分の制作環境（PCの有無)と作りたい動画の本数・長さに合わせて、無理のない制作フローを選んでください。