本当に人間らしく聞こえますか？

普通の文であれば、現在のモデルはかなり近いところまで来ています。差が出るのは間の取り方と、長い文にまたがる感情の起伏です。より自然に読ませたいなら、句読点でフレージングを制御してください。読点、句点、改行はいずれもリズムを変えます。何度も生成し直すよりずっと効果があります。

どのモデルを選べばいいですか？

中国語なら、それを最も得意とするモデルから。細かい感情表現やキャラクター表現が必要なら表現力の高いモデルを。コストを抑えたい長尺なら安価なティアを選んでください。スペック表を読むより、同じ文章を 2〜3 モデルで生成して素直に聴き比べるほうが確実です。

このページはプリセットのボイスライブラリを使います。特定の声を使いたい場合はボイスクローンへ。サンプルをアップロードして自分の声を作れば、その声で任意のテキストを読ませられます。

音声をダウンロードするか、キャンバスに送って動画トラックに合わせてください。画面上の人物にその言葉を話させたい場合はリップシンクを使います。この音声と顔を渡せば、口の動きを合わせてくれます。

ボイスオーバーのボトルネックは、これまで創作面ではなく段取りにありました。ナレーターを決め、スタジオを押さえ、収録し、1 語の読み間違いに気づいて、また押さえ直す。自分で録れば、その代わりに部屋鳴り、言い淀み、揃わない話し方と付き合うことになります。編集の手間は録音より重くなりがちです。

AI のテキスト読み上げは、これを 1 ステップに圧縮します。テキストを貼り、声を選び、数秒で音声を得る。台本が変わった？もう一度生成するだけ。誰かに再依頼する必要はありません。

このページでは複数の音声モデルを動かせます。感情の制御がきめ細かいモデル、中国語がより自然なモデル、長尺でも気軽に使える安価なモデル。合わないモデルの上でパラメーターを詰めるより、同じテキストを別のモデルで生成し直したほうがたいてい早く正解に着きます。

ボイスライブラリは性別・年齢・アクセント・言語で絞り込め、どの声も決める前に試聴できます。些細に聞こえるかもしれませんが、そうではありません。名前を見ただけでは、その声が自分のコンテンツに合うかどうかは判断できないからです。

自然さの半分はテキスト側にあります。句読点はリズムを直接動かします。読点は短い間、句点は長めの間、改行は段落の間を開けます。ある一文だけをゆっくり読ませたいなら、話速のスライダーを触るより、その文を独立した行にするほうが正確なことがよくあります。

課金は実行回数ではなく文字数ベースなので、台本全体を一度に入れられます。分割してから継ぎ合わせる必要はありません。

このページはプリセットの声でテキストを音声にします。次のような作業には、もっと適した入り口があります。

このページは、ほとんどの場合ゴールではなく連鎖の一環です。台本を書き、ここで音声を生成し、キャンバスで映像に合わせるか、リップシンクに渡す。

つまり本当に注意を払うべきなのは、ひとつ手前の工程——台本のフレージングと句読点です。テキストが整っていれば、読みはたいてい一発で決まります。リズムが雑なままだと、どれだけモデルを切り替えても救えません。