表現豊かなTTS
表現豊かな音声合成
多くの音声合成ツールは、リストから感情を選ばせます。Drama 3は別の道を取ります。台本そのものに自分の言葉で演技を書き込むのです。指示は、読み方が変わるべきまさにその位置に置かれます。
Drama 3の実際の生成例
以下の各クリップは、隣に示した台本をそのまま生成したものです。全文を開く、コピーする、スタジオに送って自分のバージョンを演出することもできます。
こらえながら
[barely holding it together] I'm fine. Really. [shaky breath] Go on without me. I'll catch up. [pause] I just need a minute.
冷たいオープニングのナレーション
[low, measured, like a documentary narrator] The city went quiet at 3 a.m. [short pause] No sirens. No traffic. <slow>Just the rain.</slow>
悪役の正体
[amused, taking his time] You came all this way. [soft laugh] For a file. [harder, dropping the warmth] Then let me show you what is in it.
深夜ラジオのパーソナリティ
[smooth, close to the microphone] You're listening to the midnight hour. [sigh] If you're awake with me, <emphasis>you're not alone</emphasis>.
研修動画：淡々と、そして強く
[clear and friendly] Welcome aboard. Today we cover the basics. [short pause] [firmer] And then we cover the mistakes that cost money.
昔話の書き出し
[hushed, telling a secret] Once, in a village that no longer exists, [pause] a girl traded her name for a lantern. <whisper>This is her story.</whisper>
サポート対応、我慢も限界
[professional, polite] I understand. [short pause] [slower, holding it together] I have explained that twice. [exhale] Let us try once more.
オーディオブックの一節、優しく
[gentle, unhurried] She kept the letter for forty years. [pause] [almost a whisper] She never read it again, but she never threw it away either.
感情セレクターなしで感情を表す
読み上げではなく演じているように聞こえるために効く考え方です。
プリセットを選ばず、演技を描写する
[苛立っているが悟られまいとしている]のような指示は、どんなドロップダウンのラベルよりも多くの情報を持ちます。話し手がそのセリフで何をしているかを示しているからです。
感情が変わる場所に書き込む
指示は文中に入るので、台本を分割したり二度生成したりせずに、一文を軽く始めて重く終わらせられます。
音と間を句読点として使う
息遣い、ため息、笑い、間は、人が実際に取るのと同じ位置に置けます。モデルが入れてくれるのを待つ必要はありません。
制御は局所に保つ
<whisper>…</whisper>のような対になるタグは、囲んだ単語だけを変えます。ある一節をささやき声に落としながら、残りのセリフは通常の声のままにできます。
平板なテキストから演技へ
3つの手順、どれも短時間です。
プレーンテキストから始める
文章を貼り付け、頭の中で音読します。タグに触れる前に、感情を担う言葉に印を付けましょう。
変化ごとに指示を1つ書く
口調が変わる位置に、自然な言葉で指示を加えます。雰囲気だけでなく、意図と聞き手を描写しましょう。
生成して聴き比べる
指示が効いた瞬間を聴き取ります。まだ読み上げに聞こえるなら、別のタグを足す前に言い回しを研ぎましょう。
表現豊かな読み方が効く場面
オーディオブックと物語
ナレーションを場面に合わせましょう。ある段落は静かに、次の段落は張り詰めて、二人目のナレーターなしで。
動画のボイスオーバー
アナウンサーらしく聞こえてはいけない静かなセリフも含めて、カットに読みを合わせます。
ゲームやアプリのキャラクター
その瞬間にふさわしい態度を1行ごとに与え、外したテイクは生成し直します。
広告とSNSの読み上げ
フック、転換、締めを1本の短い台本に収めます。
eラーニング
同じ声のまま、説明は淡々と、警告は強く伝えます。
アクセシビリティの読み上げ
理解を助ける場所に表現を足し、それ以外は平板に保ちます。
知っておきたいこと
表現豊かな読み上げには実用上の制限があります。ここでは仕組みに由来するものを挙げます。
1回の生成につき2000文字まで
制限は指示を含む台本全体に適用されます。
感情は選ぶものではなく書くもの
感情のドロップダウンはありません。演技はあなたが書く言葉から生まれます。
1回の生成につきMP3が1つ
各テイクは試聴とダウンロードができる音声ファイルを1つ返します。
声のクローンは不可
スタジオは台本と指示から音声を生成します。声のクローン機能は提供していません。
表現豊かな音声合成のよくある質問
リストから感情を選ぶ必要がありますか？
いいえ。Drama 3に感情セレクターはありません。台本の中で自然な言葉で演技を描写します。例えば[安堵して、ようやく力を抜いた]のように書きます。
気分を表す言葉と説明では、どちらが良いですか？
説明です。[平然を装いながら内心は焦っている]は、話し手が何をしているかをモデルに伝えるので、ひと言の気分語より安定してテイクを方向づけます。
文の途中で感情を変えられますか？
はい。指示は文中に入るので、生成を分割せずに1行の中で口調を変えられます。
1行にいくつの指示を入れるべきですか？
まず1つから始めて聴き、読み方が本当に変わる場所にだけ足していきます。指示を重ねると互いに競合します。
テイクごとに結果は安定しますか？
Drama 3はプレビューモデルで、Fish Audioも結果が変わると案内しています。重要なセリフを数テイク生成するのは一般的なやり方です。