AI Text to Speech ジェネレーター：自然なナレーション作成

Text-to-Speech（TTS）は、音声合成モデルを使用して書き言葉を話し言葉のオーディオに変換する技術です。AI Text-to-Speechは、句読点、文のリズム、言葉の選択によって表現が形成され、複数の言語にわたって自然に聞こえる音声を生成します。

出力結果はダウンロード可能なオーディオファイルで、ポッドキャスト、動画のナレーション、eラーニング、広告、アクセシビリティツールなどに使用されます。

言語や性別でフィルタリング可能な30種類の音声があります。それぞれにsoft（柔らかい）、bright（明るい）、firm（力強い）、warm（温かい）、informative（情報提供型）、casual（カジュアル）といったキャラクターを表す短い説明がついているため、名前ではなく必要な読み上げのトーンで絞り込むことができます。

ライブラリ内のすべての音声は多言語対応です。そのため、英語以外の言語でスクリプトを記述しても、同じ音声で生成することができます。ローカライズ版を公開する前に、ターゲット言語での名前、数字、ブランド用語の発音を確認してください。

現在対応していません。getimg.aiの「音声を作成（Create speech）」ではプリセットの音声ライブラリを使用します。利用可能なオプションから音声を選び、スクリプトとインラインキューを使って表現を指示します。

はい。スクリプト内に直接 [calm, warm] や [bright, energetic] のような括弧で囲んだキューを追加してください。句読点や文の長さもペースやフレーズをガイドする役割を果たすため、一般的に長い文よりも短い文の方が予測通りに読み上げられます。

はい。キューはそれが配置された行から適用されるため、1回の生成で落ち着いたトーンからエネルギッシュなトーンへ変化させ、また元に戻すこともできます。例：

[calm, warm] おかえりなさい。

[bright, energetic] そして、ここからが面白くなるところです。

難しいセリフだけを短いテストフレーズとして生成し、スクリプトを調整してから全体を読み上げさせてください。発音されるべき通りに用語のスペルを変更するのが最も確実な修正方法であり、私たちのブランド名でもこの方法が機能しました。ただし、私たちのテストではすべてのケースで解決できたわけではないため、スペルを変えれば必ずうまくいくと思い込まず、特に人名については個別に確認してください。

多くの場合可能ですが、造語による製品名やブランド用語は最も予測が難しいケースです。推測できる唯一の正しい読み方が存在しないためです。私たちのブランド名でもこの問題に直面しました。getimg.aiと記述すると1つの単語として読まれてしまいましたが、スクリプト内で "get I-M-G dot A-I" とスペルを調整することで解決しました。まずは短いフレーズでブランド用語をテストし、うまく読まれないものはスペルを調整してください。

日付、通貨、時間、略語は文脈から解釈されるため、同じ数字でも前後の文によって複数の読み方がされる可能性があります。数字を正確に読ませたい場合は、言葉で書き出してください。

音声はWAVファイルとしてダウンロードされ、編集タイムライン、ポッドキャストのフィード、または動画プロジェクトにすぐにドロップして使用できます。

音声生成の料金は、画像や動画生成と同じ有料プランにおいて、スクリプトの長さに応じて1,000文字ごとに課金されます。

有料プランには、当社の規約に基づく、適格な生成音声の商用利用権が含まれています。ただし、元となるスクリプト、名前、商標、その他のサードパーティの素材に関する権利は、引き続きお客様の責任となります。

まずは音声の品質と音声ライブラリの規模から始め、次に対応言語、表現のコントロール、システムが名前や数字の発音をどう処理するか、出力形式、スクリプトの文字数制限、価格設定、そして商用利用の条件を確認してください。

音声そのものに加えて、getimg.aiは同じワークスペース内でText to Speechを画像、動画、音楽、効果音の生成と組み合わせることができます。これにより、ナレーションと背景のビジュアルを1つのプロジェクトで完結させることが可能です。