感情のこもったテキスト読み上げ：AI音声を表情豊かにする方法
平坦な話し方は説明書には十分ですが、物語やゲームのセリフ、予告編には感情が必要です。興奮、怒り、落ち着き、恐怖、皮肉。感情タグを用意している読み上げサービスもありますが、SuperClonica の土台であるオープンモデル Supertonic 3 にはありません。その感情は、あなたがコントロールできる3つの要素から生まれます。
このガイドでは、表情豊かな音声を誠実に得る方法を紹介します。合う声を選ぶこと、必要な感情で演じた録音から声を学習すること、感じてほしいとおりにテキストを書くこと。どの声も自分のセリフで無料で試せます。
感情はどこから来るか
喜びや怒りのスライダーはないので、生成する前に感情を設計しましょう。
- 声：それぞれの声は、作られた元の録音の話し方（落ち着き、明るさ、陰気さ、弾み）を保ちます。
- 参照音声：怒った声、ささやき声、明るい声の録音で学習した声は、どんなテキストもその気分で話します。
- テキスト：句読点、文の長さ、言葉選びがイントネーションと勢いを作ります。
表情豊かな声を選ぶ
カタログの説明には、声がどうセリフを届けるか（平坦、明るい、起伏が大きい、抑えた、忍び寄るような）が書かれています。勢いが欲しければ、エネルギッシュなナレーターや多くのゲーム・アニメのキャラなど、明るい・エネルギッシュと書かれた声を。落ち着きや温かさには平坦で低めの声を。凄みには、低く落ち着いた話し方の悪役がいちばん合います。
感情をテキストに書き込む
モデルはフレーズ全体を一度に読むので、句読点は間だけでなく文のメロディーも変えます。
- 興奮：短い文と感嘆符。
- 落ち着き：長めの文と句点、感嘆符なし。
- ためらいや緊張：三点リーダーと読点で間を作る。
- 疑問：疑問符で文末が上がる。
- 個性：その気分の人が本当に言いそうな言葉。
必要な感情で声を学習する
どの声にもない特定の気分が欲しいなら、その気分で演じた5〜10秒のきれいな参照音声を正確なテキスト付きで録音し、NVIDIA のグラフィックカードを積んだPCでスタジオで声を学習するか、取引所で注文しましょう。同じ話者の声を、落ち着いた声、怒った声、ささやき声と複数作れば、セリフごとに感情を切り替えられます。
試してオフラインで生成
どの音声のページでも30〜100文字のセリフを入力して生成ボタンを押せば、その声が感情をどう表現するか聴けます。たくさんのセリフなら、音声ファイルをダウンロードして無料の SuperClonica エンジンを使います：python -m pip install superclonica-cpu のあと superclonica --text "出ていけ。今すぐだ。" --voice villain.json --lang ja --output line.wav。ふつうのCPUでオフラインで動きます。