ElevenLabs Dialogue v3でAIセリフを生成する方法

対話を書く前に、21種類の声のライブラリからキャラクターごとに1つずつ声を選びましょう。声とキャラクターの相性は、他のどの制作判断よりもリアリティを左右します。タフな刑事にはBrianやRoger、好奇心旺盛なティーンにはLilyやCharlie、賢い祖母にはSarahやMatildaが向いています。キャラクターごとに10秒のテストセリフを生成し——同じセリフを2〜3種類の候補の声で読ませて——続けて聞き比べましょう。決まったら、声とキャラクターの対応関係を記録しておきます。プロジェクト内のすべてのシーンで同じ対応関係を使い回すことで、リスナーが無意識に感じ取るキャラクターの一貫性を保てます。

Dialogue v3は、明示的な話者タグの付いた台本を読み上げます。書式は、各行の先頭に角括弧で囲んだキャラクター名を置く形です。[Detective Cole]、[Mira]、[Captain]のようにします。各セリフは短く保ちましょう——1回あたり1〜3文が最も自然なペースになります。長い独白は、会話というより1つの声が段落を読んでいるように感じられてしまいます。セリフとセリフの間には改行を入れます。モデルはこれを話者を分ける自然な呼吸や間として扱います。割り込みや発話の重なりを表現するには、1人のキャラクターのセリフをダッシュで文の途中で終わらせ(「I was just about to —」)、次の話者にすぐ引き継がせます。

Dialogue v3のインラインタグはEleven v3と同じ仕組みです。[whispers]、[laughs]、[excited]、[sighs]、[pause]を、効果を与えたい単語の直前に、1人の話者のセリフの範囲内で置きます。例えば「[Mira] [whispers] Did you hear that?」と書けば、ささやくのはMiraのそのセリフだけで、シーン全体がささやきになるわけではありません。1シーンにつき3つのタグで十分です——60秒・4キャラクターのシーンでキャラクターごとに1つずつタグを置けば自然な抑揚になりますが、10個も入れると対話が芝居がかって演出過剰に感じられます。最も強いタグ([whispers]、[angry]、[terrified])は物語の要所のために取っておき、日常的なトーンは既製の声のキャラクター性に任せましょう。

Dialogue v3のオーディオノードは、すべての話者のセリフをレンダリングした1つの音声ファイルを出力します。そこから先は、Astorieのキャンバス上で制作フロー全体を展開できます。音声出力をビデオノードに接続してアニメーション短編シーンにしたり、OmniHumanやKling Avatarに接続して(キャラクターごとに1ノード)キャラクターの肖像によるトーキングヘッド動画にしたり、アニメーションのボイスオーバーとして動画のタイムラインに重ねたりできます。4キャラクターのアニメーション短編であれば、標準的な構成はキャラクターごとに1つの画像ノード(Nano Banana 2やFlux Kontextによる一貫した肖像)、キャラクターごとに1つのリップシンクノード(主役のクローズアップにはOmniHuman、群像ショットにはKling Avatar)、そしてキャラクターごとに分割したDialogue v3の音声を各リップシンクノードに供給する形です。