AI音声 生成

AI音声生成は、書いたテキストを話し声の音声に変えるものです。話してほしい内容を入力し、年齢、アクセント、話すペース、感情などの声の雰囲気を伝えると、モデルがそのとおりに演じます。できあがるのは音声ファイルで、動画やゲーム、ポッドキャストのイントロ、プレゼンなどにそのまま使えます。

Mageの音声モデルはSeed Audioです。1つのプロンプトから声、セリフ、音楽、効果音を作り、5・10・30・60・120秒の中から選んだ長さぴったりのMP3を出力します。画像リファレンスは1枚、音声リファレンスは最大3つまで使って音の方向性を指定できますが、同じクリップで両方は使えません。

Mageならではの強みは、その先にあります。保存したキャラクターに声を設定でき、キャラクターの声に対応した動画モデル(Cherry、Raspberry、Plum、Lemon、MiniMax-H3)が自動でその声を使うので、作り込んだ人物がどのクリップでも同じ声で話します。Lipsyncアプリなら、作った音声に合わせて顔を動かすこともできます。

音声のプロンプトは、「何を話すか」と「どう聞こえるか」の2つで構成します。話す内容は引用符で囲んでセリフだとはっきり示し、その周りに演技の説明を加えます。たとえば「70代の温かみのあるしわがれ声の男性。ゆっくりと楽しげに、静かな部屋でマイクに近づいて言う:“どんな物語も、家にいればよかった誰かから始まる。”」と書けば、Seed Audioに話し手、話し方、空間が伝わります。

声の印象を大きく左右するのは、年齢、エネルギー、ペース、距離感です。マイクに近いささやき声、大ホールでの舞台の声、電話越しの疲れた声は、同じセリフでもまったく別の演技になります。感情は形容詞だけでなく、からかう、懇願する、告げるといった動詞で伝えましょう。

• 話す言葉そのものを引用符で囲む
• 年齢層とエネルギーの度合いを伝える
• ペースを示す:ゆったり、きびきび、とぎれとぎれ
• 場所を描写する:ブース、街中、大聖堂、電話
• 長い朗読の前に、5秒か10秒のセリフで声を試す

Seed Audioは選んだ長さぴったりの音声を返すので、台本に合わせて長さを決めましょう。ひと言のセリフやリアクションなら5秒か10秒、短いナレーションや商品紹介なら30秒、会話シーンやナレーションなら60秒か120秒が目安です。台本がクリップより長いと早口になり、短いと最後に無音や空気音が残ります。

音声の使い道も考えておきましょう。LipsyncとMusic Videoで使える音声は15秒までなので、話すポートレートを作るなら、10秒に収まるセリフを書いてその長さで生成します。

Mageのキャラクターには声を設定できます。MP3またはWAVをアップロードするか、キャラクターの作成時にSeed Audioで短いサンプルを生成します。以降は、そのキャラクターが話すたびに、Cherry、Raspberry、Plum、Lemon、MiniMax-H3が自動でその声を使います。キャラクターについてはAIキャラクター生成で、ポートレートにセリフを話させる方法はAIトーキングフォトのガイドで紹介しています。

リファレンス音声には、自分の声か、使用許可を得ている声だけを使ってください。実在の人物の声を本人の同意なしに真似することは、Mageでは禁止されています。