Rosebud AI、ElevenミュージックAPIで無音ゲームからデフォルトでオーディオ付きへ

Rosebud AIは、バイブコーディングでビデオゲームを作るプラットフォームです。これまでに200万本以上のゲームが作られ、毎日何千人ものクリエイターが活動しています。チームはElevenミュージックとサウンドエフェクトAPIをインテグレーションし、Rosebudで生成されるすべてのゲームにデフォルトでオーディオが付くようになりました。

デフォルトでオーディオ搭載、上級者向け機能ではなく

ElevenLabsのインテグレーション前は、Rosebudにはネイティブなオーディオ生成機能がありませんでした。ごく一部のテンプレートに、Rosebudチームが手作業で追加したアンビエントループが含まれていましたが、ほとんどのクリエイターは外部プラットフォームから自分で音楽やサウンドエフェクトを探して手動でアップロードする必要がありました。各トラックのライセンスを確認し、利用権をチェックし、プレビューのウォーターマークを外し、クレジット表記の要件も確認しなければなりませんでした。実際には、オーディオは複雑なプロジェクトを作る経験豊富なデベロッパーしか使っていませんでした。ほとんどのゲームは無音でリリースされていました。

ElevenAPIをインテグレーションしたことで、Rosebudはワンショット作成フロー（クリエイターがゲームを説明するとプラットフォームが一括で構築する体験）にオーディオ生成を追加しました。今では新しいゲームのコードやビジュアルと一緒に、サウンドトラックやサウンドエフェクトも自動生成されます。より細かく調整したいクリエイターは、アセットタブで自分のプロンプトを使って追加のオーディオを生成し、ジャンルやスタイル、雰囲気、長さを調整してトラックを追加できます。また、チャットインターフェースからサウンドの方向性をまるごと変えることもでき、ゲームを作り直さずにすべてのオーディオアセットを再生成できます。

以前はRosebudを離れてトラックのライセンス取得や別プラットフォームで音楽制作をしていましたが、今はそれが組み込まれています。ゲームのクオリティが一気に上がりました。ずっと目指していたワンクリックの魔法が、今ではすべてのワンショットで完成したゲームのようなサウンドになっています。

— Andi Bucescu、Rosebud AI マーケティング責任者

最初の生成がサウンドの方向性を決める

Rosebudの特集ページにある洗練されたレースゲーム「Midnight Rider」は、クリエイターが300回以上プロンプトを重ねて作り上げましたが、最初のプロンプトがサウンドを決定づけました。スコアやサウンドエフェクトとともに、最初のワンショットでサウンドの方向性（クリエイティブブリーフ）が生成され、その後のオーディオ生成も自動的にそれに従います。クリエイターが何百回も後からプロンプトを追加してスタート音やポーズ音、通過する車の「シュッ」という音をリクエストしても、新しいエフェクトはすべて既存の世界観にぴったり合う形で届きます。結果として、手作業のオーディオ編集なしで一貫したオーディオアイデンティティが生まれます。

毎日1,500本のゲームがオーディオ付きでリリース

Rosebudチームは、音楽やサウンドエフェクトを取り入れた効果をすぐに実感しました。リリース後、平均クリエイターエンゲージメント（制作にかける時間）は23％増加し、最もアクティブなクリエイター層ではP90エンゲージメントが28％アップしました。オーディオ生成が有効になると、投稿されるゲームのクオリティも明らかに向上。以前はプロトタイプのようだったゲームも、完成度が高くシェアしやすいものになり、優れた作品はRosebudの特集ページに掲載され、何千人ものプレイヤーに遊ばれています。

このインテグレーションは、プラットフォーム全体で高品質に動作しています。オーディオ生成にかかる時間は約4秒だけで、音楽とサウンドエフェクトは同時に生成され、エラーもありません。スケールすると、1日あたり約1,500本のオーディオ付きゲーム、15万以上のオーディオファイル、リリース以来300時間近い音楽とサウンドエフェクトが生まれています。デフォルト出力を手動で変更するクリエイターは1％未満で、多くはゲームの成長に合わせて追加の音楽やエフェクトをプロンプトで生成しています。

この勢いはプレイヤーにも広がり始めています。リリース以降、デイリーアクティブユーザーは8％増加し、よりオーディオに磨きがかかったゲームがRosebudで公開・発見されています。

デフォルトで、より完成度の高いゲームへ

ElevenLabsは、Rosebudのすべてのワンショットを、プレイするだけでなく“聴ける”洗練されたプロダクション体験に変えます。