Fish Audio S2-ProでAIセリフを生成する方法

Fish Audio S2-ProがElevenLabs Dialogue v3より適しているのは、次の3つの具体的なケースです。(1) 対話を複数言語で配信する場合——Fish Audioは同じ声のIDのまま80以上の言語に対応し、モデルを切り替える必要がありません。(2) ElevenLabsの固定された[whispers] / [laughs] / [excited] / [sighs] / [pause]セットを超える自然言語の感情提示が必要な場合——例えば[conspiratorial whisper]、[nervous chuckle]、[exhausted sigh]などです。(3) 機密性の高いコンテンツのために、Astorieの外でセルフホスト基盤を使う場合です。洗練度が何より重要な英語オンリーの脚本アニメーションであれば、ElevenLabs Dialogue v3の方が安全な既定の選択です。

シーンを書く前に、キャラクターごとに声を選ぶかクローンしておきましょう。次に、[Speaker:Cole]、[Speaker:Mira]、[Speaker:Captain]のように明示的な話者タグで脚本を整形します。各行の先頭にその話者を示すタグを置き、モデルはこのタグを使って話者の切り替わり地点で声のIDを切り替えます。セリフは短く(1〜3文)保ち、セリフ間には改行を入れましょう。割り込みを表現するには、セリフをダッシュで終わらせ、次の話者にすぐ引き継がせます。声の同意について:あらかじめ用意された声ではなくキャラクター用に声をクローンした場合は、それぞれについて書面での許可を記録しておきましょう——Fish Audioはオープンソースのため、同意の担保はあなた自身の責任です。

Fish Audio S2-Proの自由記述型の方括弧タグを使えば、自分の言葉で演出を描写できます。[conspiratorial whisper]、[exhausted sigh]、[pause for two seconds]、[nervous chuckle]といった具合です。それぞれの指示は、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。ElevenLabsの固定タグセットと比べると、Fish Audioの自由記述型の方括弧はより幅広い表現の自由度を与えてくれますが、解釈のされ方はやや予測しづらくなります。微妙な感情の移り変わりがあるシーン(あるキャラクターが3行の間に平静から疑念、そして警戒へと変化していくような場合)では、固定された[excited] / [angry]タグよりもFish Audioの描写的な指示の方がぴたりと合います。シーンを確定させる前に、感情の節目ごとに2〜3パターンの読み上げを試しておきましょう。

Fish Audioの80以上の言語対応は、多言語の対話で真価を発揮します。まず英語の脚本でシーンのキャンバスを1つ作り、それを複製して脚本を翻訳しましょう——[Speaker:Name]の構造と声のIDはそのまま保ちます。Fish Audioはすべての言語版で同じクローン(またはあらかじめ用意された)声を使うため、各キャラクターの声の個性は英語、中国語、日本語、スペイン語のどの版でも一貫します。キャンバスをテンプレートとして扱うこのパターンにより、版ごとにキャラクターの声を作り直すことなく、1つの元キャンバスから多言語の音声ドラマを展開できます。注意:Astorie上のFish Audioは現時点ではSEO上の位置づけであり、実際の本番稼働はワークスペースの設定によって異なります。Fish Audioが接続されていない場合は、多言語ワークフローにはElevenLabs Multilingual v2を使いましょう。