動画、オーディオブック、ゲーム、アプリのテキスト読み上げ
ローカルのテキスト読み上げはナレーションと相性が良いものです。1つの文を何度でも作り直せて、本1冊分をノートPCで読み上げられ、文字数を数えられることもありません。このガイドでは、Supertonic 3の音声とSuperClonicaエンジンを使った実践面を扱います。プロジェクトに合う音声の選び方、耳で聴くための台本の書き方とテンポ、編集ソフトへの取り込み、そしてSuperClonicaで購入した音声でできることです。
まだ何もインストールしていない場合は、オフライン読み上げのガイドから始めてください。ここでは環境がすでに動いている前提で説明します。
プロジェクトに合う音声を選ぶ
カタログでデモを聴いたら、自分の台本で試しましょう。デモで映える声が、あなたの題材に合うとは限りません。
- 解説動画やチュートリアル：はっきりして落ち着いた、ほどよいテンポの声。
- オーディオブック：何時間でも聴き疲れしないナレーター。1文ではなく、長めの一節で判断しましょう。
- ゲーム：キャラクターごとに1つの音声を使い、そのキャラクターのセリフはすべて同じファイルで作ります。学習済みの音声ファイルは毎回同じ声質から始まるので、何百ものセリフを通してキャラクターの声が保たれます。
- アプリやアシスタント：短いフレーズが中心なので、疑問文、数字、名前の読み方を確認しましょう。
耳で聴くための台本を書く
音声合成は与えられたテキストをそのまま読むので、仕上がりの大部分は台本で決まります。
- 文は短くし、長い文は自然な切れ目で分けます。
- 数字、日付、単位、略語は、読んでほしい形で書きます。
- 間は句読点で作り、映像が切り替わるところで段落を改めます。
- 人名や外来語は耳で確認し、読み間違えるものは読み方どおりに書き直します。
- 言語コードは、テキストを書いた言語に合わせます。
テンポと撮り直し
ナレーションは分けて生成しましょう。シーン、スライド、段落ごとに1ファイルにすると、映像に合わせやすく、1文だけ作り直すのも簡単です。
しっくりこない文は、もう一度生成します。Supertonic 3の標準サンプルでは--speedオプション（既定値1.05、大きいほど速い）で全体のテンポを決めます。SuperClonicaのPythonの例では、seedパラメータが生成のランダムな部分を制御します。同じ値なら同じテイクを再現でき、値を変えれば別のテイクになります。細かいタイミングは編集ソフトで調整します。無音を詰め、文の間に間を足し、カットに合わせてクリップを動かしましょう。
当社の推定では、デスクトップ向け8コアCPUでSuperClonicaは1時間分の音声を約7〜11分で生成します。原稿を直したあと、オーディオブックの1章をまるごと作り直すこともできます。
動画・オーディオブック・ゲーム向けの音声形式
Supertonic 3の標準クライアントもSuperClonicaエンジンも、WAVファイルを保存します。編集はWAVで行い、完成した動画やオーディオブックは、配信先が求める形式（MP3やAACなど）で編集ソフトから書き出します。
ゲームやアプリには2つのやり方があります。セリフを前もって音声ファイルにしておくか、ユーザーの端末で音声を生成するかです。Supertonic 3はPC上でも、ONNX Runtime Webを使ったブラウザ上でも、対応するモバイルアプリでも動くので、セリフが事前に決まっていない場合も端末上で読み上げられます。
購入した音声でできること
SuperClonicaで購入した音声は、あなた自身のプロジェクト、つまりあなたが作る動画、オーディオブック、ゲーム、アプリで使うためのものです。音声を転売したり、音声ファイルを再公開したりすることはできません。Supertonic 3自体はOpenRAIL-Mライセンスで、ロイヤリティフリーですが禁止用途のリストがあり、同意のないなりすましもその1つです。
支払いは、作者が米ドルで設定した価格を1回だけ。ファイルはライブラリに残り、文字数や分数を数えられることはありません。依頼で作られた音声は非公開で、カタログには表示されません。製品に音声ファイルそのものを同梱する必要がある場合（たとえばプレイヤーのPCで音声を生成するとき）は、リリース前にsupport@superclonica.comまでご連絡ください。