見出し画像

Gemini TTS (Text to Speech) のコントロール

usamix

Google AI Studio の、Speech Generation( Gemini TTS ) を利用すると、会話形式の軽快なおしゃべりをコンピューターに作らせる事ができます。非常に自然で良い感じになるんですが、ちょっと悩んだところがあったので、ヒントを置いておきます。

話す速度の制御

Style Instrucions のところに、スピードを指定してあげると早く話してくれるようです。

At about 1.2× speed.

感情表現

笑わせたいときは、（笑）などと書くと笑ってくれます。他にもト書き的にセリフの前に（怒りながら）などと書くと、そのように演技してくれるみたいです。
長文は試してみていませんが、ChatGPT先生によると、短文に分割する事がポイントだとか。

like close friends chatting fast at ~1.2× speed
A: いやー、思わず笑っちゃうね（クスクス笑い）
B: （不思議そうに）何がそんなにおかしいの？
A: 隣の家に囲いができたってね。
B: へえ
A: ほら、笑っちゃうだろ（爆笑）
B: （怒りながら）もう、いい加減にしなよ！
（ため息）

話者の混乱の防止

Gemini TTS のスクリプトでは、Speaker 1: や Speaker 2:といった話者名を冒頭につけて明示しますが、ちゃんと明示していても、違う話者が話してしまう事があります。以下のような対策が有効のようです。

  • 話者名を混同しづらくする。単純に A: B: で良いんだと思います。

  • 長文は分割して、同じ話者が話しているときも、A: ほにゃらら、A:ほげほげ、などと、その文を誰が話しているか、話者を一文ごとに明示する。

  • 文中に記号を用いない。たとえば、以下の文は、何度やっても違う話者が読んでしまっていて悩んでいたんですが、途中のハイフンつなぎの部分( woods-what's のところ) をやめて、ピリオドで普通の英文として終わるようにしたところ、きちんと読んでくれました。

Tomo:There’s a bench in the woods—what’s that?

Temperature は？

これでくだけた調子で話してくれるのかな、と思ったんですが、どう効くのかいまいち分からない感じでして。もしくだけた調子で喋らせたいなら、スクリプトの段階で調整するのが良いように思いました。


いいなと思ったら応援しよう！