オーディオ生成とは、テキストプロンプトやその他の入力から、音楽、ボイスオーバー、効果音、環境音を含む音声をAIで創り出すことである。録音機材、ミュージシャン、声優なしで完全にカスタムのオーディオコンテンツを制作できる、AIクリエイティブツールの中で最も急速に成長している領域の一つである。

AIオーディオ生成モデルは、大規模な音声・音楽ライブラリで学習し、ジャンル、楽器、ムード、声のタイプを区別するパターンと構造を学ぶ。「製品デモ用のアップビートな電子系バックグラウンドミュージック」や「落ち着いたイギリス英語の女性ナレーター」といったテキスト記述を与えると、これらのモデルは記述に近いオーディオを生成できる。音声合成のElevenLabs、映像と同期したオーディオを生成できるVeo 3やSora 2などのモデルが代表的なオーディオAIツールである。

AI映像作家やコンテンツクリエイターにとって、オーディオ生成は完全にAIで制作したコンテンツにおける残りの大きな障壁の一つを取り除く。ライセンスや録音コストなしでボイスオーバー、音楽、効果音を生成できることで、AI支援ワークフロー全体で洗練された放送品質のアウトプットを制作することが可能になる。