Eleven v4でAIボイスオーバーに間を追加する方法

AIテキスト読み上げモデルでは、話し方がすべてです。声の品質やプロソディを理解していても、タイミングがなければ文章はまとまりません。セリフの後に少し間を置くことや、長めの沈黙は、高品質な出力を生み出すうえで重要な役割を果たします。 

一般的なテキスト読み上げツールでは、間の取り方は運任せです。ある生成では求めていた表現が得られても、再生成すると失われてしまうことがあります。Eleven v4では再生成ワークフローが改善され、そのような問題は過去のものになりました。スクリプト内の各行やフレーズを簡単に微調整できます。 

さらに、最初から最高のスクリプトを作るために、Eleven v4ではテキストに直接AIボイスオーバーの間を組み込む方法を3つ用意しています。それぞれの機能と使うべき場面をご紹介します。

概要

• Eleven v4ではSSMLタグは使えません。代わりにオーディオタグを使用し、[long pause]や[whispers]のような演出指示をスクリプトに直接書き込みます。
• 句読点を変えると文章のリズムを調整でき、ダッシュ、三点リーダー、短い文によってTTS出力の聞こえ方が変わります。
• 効果的な間を作るには、人間の話し手が自然に止まる位置に置きます。
• 長尺オーディオを書く際は、出力の一貫性を保つため、全体を通して同じ間のルールを使いましょう。

以前のモデルから何が変わった？

Multilingual v2など、以前のElevenLabsモデルはSSML構文に対応していました。<break time=”2.0s” />のような構文を文中に書けば、2秒間の間を追加できました。Eleven v4ではEleven v3で導入されたアプローチを継承し、SSMLタグをより直感的なオーディオタグに置き換えています。

執筆者にとって、この変更によりAIボイスオーバーに間を加える作業がはるかに簡単になります。どのSSMLタグを使うべきかを正確に把握する必要はなく、[pause]や[long pause]を使って自然な言葉で書くだけです。これらのタグはモデルへの指示となり、モデルはタグに反応し、シーンの文脈を活用してニュアンス豊かな最終パフォーマンスを作ります。あらかじめ定義された機械的な無音区間ではなく、その場面に合った長さの間が生まれます。

この記事の主題ではありませんが、オーディオタグを使って感情豊かなテキスト読み上げを作成することもできます。段落内で感情を変化させてみてください。 

Eleven v4の3つの間のコントロール

Eleven v4では、AIボイスオーバーに間を追加する方法が3つあります。 

テキストエディターでそれぞれを実際に使う方法と、音声例でどのように聞こえるかをご紹介します。

[pause]

pauseは短い間です。息継ぎや、話し手が文を続ける前に自然に取る間におおよそ相当します。[pause]オーディオタグは、導入となるセリフの後、分けたい2つの考えの間、強調したいフレーズの後、または句点だけでは急ぎすぎに感じる箇所に使うのが最適です。

以下の例では、[pause]オーディオタグあり・なしで同じセリフを使用しています。音声クリップを聞かなくても、一方が4秒、もう一方が6秒であることに気づくでしょう。[pause]による追加の間は、最終的なクリップでは積み重なります。

上記のクリップは、Eleven v4のFlintで生成しました。

[long pause]

long pauseはより意図的な間で、オーディオクリップに沈黙の瞬間を作ります。その沈黙は、劇的な緊張感を生むとき、シーンの切れ目、何かを明かす前、あるいは沈黙を強調したいあらゆる場面で使えます。

シーン内で[long pause]を使った例をご紹介します。

このオーディオクリップの音声は、Eleven v4のSpuds Oxleyです。

句読点

Eleven v4は句読点をペース調整の指示として使用します。三点リーダーを加えるとセリフの読み上げがゆっくりになり、ためらいの瞬間を作れます。文の構造を変えることで、長い文章の単調さを崩せます。短く。歯切れよく。直接的に。

スクリプト全体でオーディオタグを使うことはできますし、パフォーマンスの話し方を改善するために使うべきです。しかし、句読点だけでも大きな効果を得られます。

次の文章では、オーディオタグがなくても、句読点がテキストにどれほど生命を吹き込むかがわかります。

この音声サンプルは、Eleven v4のLauren Bによって命を吹き込まれました。

長尺オーディオでの間

長尺オーディオの生成では、スクリプト全体を通じて一貫したアプローチを取るのが最適です。たとえば、最初の1,500文字では句読点だけを使い、最後の1,000文字になってから[long pause]オーディオタグを使い始めると、出力が不自然に聞こえる可能性があります。

スクリプトを書く前に、どのアプローチを取るか決めましょう。すでに書き終えている場合は、オーディオタグを全体に一貫して適用してください。「Generate speech」の横にある「v4 Enhance」ボタンを使うと、文章にオーディオタグが自動で追加されます。

ElevenCreativeでEleven v4を始める

Eleven v4はシーンに命を吹き込みます。

テキストのペースを調整し、オーディオタグを追加することで、ボイスライブラリにある17,500以上の声を使って、豊かなボーカルパフォーマンスを作成できます。

詳しくは完全版の感情豊かなテキスト読み上げガイドをお読みいただくか、登録して、今日から最初の生成を始めましょう。

AIボイスオーバーに間を追加するFAQ