AIテキスト 読み上げ

テキスト読み上げ(TTS)は、文字で書かれたテキストを音声に変換する技術です。従来のTTSは、単語を1つずつ平坦な声で読むだけでした。最新のAIテキスト読み上げは、まず文章全体を読み取るため、どの言葉を強調するか、どこから疑問文になるか、どこで間を取れば効果的かを理解し、人間のような息づかいとリズムで話します。

Mageのテキスト読み上げは、ElevenLabsの最新モデルEleven v4を使ったEleven Speechで動いています。最大5,000文字のテキストを貼り付けて16種類の声から選ぶと、読み上げと同じ長さのMP3が生成されます。[whispers]、[laughs]、[excited]のように角括弧で囲んだ音声タグを使えば、タグ自体は読み上げられずに、話し方だけを指示できます。

Mageの画像・動画モデルと同じアカウントで使えます。作成したナレーションは、そのまま動画に付けたり、キャラクターの声に設定したり、Lipsyncアプリでポートレートに話させたりできます。

テキスト読み上げは、入力した文章をそのまま読みます。耳で聞くことを意識して書きましょう。読んでほしい通りの表記にします。たとえば「12h」ではなく「十二時間」、数字を年として読ませたいなら「二〇二六年」のように書きます。略語も、文字ごとに読ませたくない場合は正式な語で書きます。長い文は短く区切りましょう。聞き手は前に戻ってスクロールできません。

間の取り方は、句読点でいちばん手軽に調整できます。読点は短い息継ぎ、句点はもう少し長い間、三点リーダーはためらい、ダッシュは急な途切れになります。疑問符は文全体の抑揚を変えるので、質問文にはきちんと付けましょう。

• 読み方が大事なときは、数字を言葉で書く
• 文は短く、話し言葉で
• 間には三点リーダー、途切れにはダッシュを使う
• 生成する前に原稿を一度声に出して読む
• とても長いテキストは章ごとに分ける

16種類の音声で、よくある用途をひと通りカバーしています。長いナレーションやオーディオブックには、落ち着いた語り手のDarian、Florence、Sawyerがおすすめです。ニュース、研修、解説にはAliciaやEldrinのような歯切れのよいアナウンサー系、広告やSNS動画にはElowen、Jade、Lawrenceのような明るく今っぽい声、ゲームにはKaelenのようなキャラクターボイスが合います。

どの音声も対応する全言語を話せるので、スペイン語や日本語の原稿でも好きな音声を選べます。まず最初の2〜3文をいくつかの音声で生成して聞き比べ、気に入った音声で原稿全体を生成しましょう。

Eleven v4は、角括弧で囲んだタグを演技の指示として読み取ります。[excited]、[nervous]、[sarcastic]、[softly] は感情を、[whispers] と [shouting] は音量を変えます。[sighs]、[laughs]、[gulps] はリアクションを加え、[door creaks] や [applause] は読み上げの中に効果音を入れます。タグは変えたい文の直前に置き、1文につき1〜2個までにしましょう。

タグを使うと会話やキャラクターのセリフが生き生きしますが、通常のナレーションではなくても問題ないことが多いです。どの動画でも同じ声を保ちたいキャラクターボイスについては、AI音声生成のガイド、曲やBGMについてはAI音楽生成のガイドをご覧ください。

同じ音声をMage APIでも利用できます。POST /v1/eleven_speech/generate にテキストと音声を送るとMP3が返ります。料金は250文字ごとのブロック単位です。Mage APIのページでは、キーと料金について説明しています。Mage MCPサーバーを接続すると、ClaudeやChatGPTなどのアシスタントがチャット内で原稿を読み上げてくれます。その際は、かかるGem数を事前に知らせてくれます。