二人の会話音声を作るAIを比較する話者の一貫性と応答の間

動画、オーディオドラマ、研修コンテンツのように台詞を決めて保存するなら、TTSやText to Dialogueを比較します。二人の声、台詞、順番、間を台本で管理できるからです。ユーザーの発話へ即時に返答するサービスなら、リアルタイム音声APIの応答・割り込み・接続を評価します。

リアルタイム対話を使って台本の完成音源を作ると、応答が変わる、間が毎回違う、台詞を保持できないといった別の検収が必要になります。目的を先に決め、会話の自然さと、収録物としての再現性を同じ点数で比べません。

同じ会話を比べるため、話者A・Bの属性と、どこで沈黙するかを台本へ書きます。下記はサービス紹介動画の架空ブリーフです。

笑い声や重なりを入れる場合も、誰の声か、重なる時間、後から分離できるかを指定します。会話の間を「自然に」とだけ書かず、発話順や沈黙の役割を説明します。

Gemini TTSは、複数話者の台詞を話者名付きのターンとして渡し、各ターンにspeakerを指定する方法を案内しています。台本どおりの音声を作る用途へ向きますが、発話間の編集や効果音の追加は別工程として見積もります。

ElevenLabs Text to Dialogueは、台詞とvoice_idの組を並べて会話を作るAPIです。音声タグ、前後文、seed、文字数の上限などを条件として記録でき、話者ごとの声を分けて生成する候補になります。長い台本を分割する場合は、分割位置とつなぎの確認を残します。

Gemini Live APIは連続音声を扱うリアルタイム経路で、割り込みや応答トーンの適応などを案内しています。台本を保存する音源と同じものではないため、会話エージェントの試作、ライブ応答、ユーザー体験の検証に使う候補として分けます。

まず台本と音声のテキストが一致するかを確認します。次に話者IDを追い、AとBの声が途中で入れ替わっていないか、質問への応答が順番どおりかを見ます。その後に間、息、笑い、重なり、語尾の切れを聞きます。

• 話者：全ターンで声の割り当てが同じか。固有の声質・速度・発音が行ごとに急変していないか。
• 応答：質問に対して次の台詞が正しく返り、台本にない説明や相づちが加わっていないか。
• 間：字幕が読める時間があり、沈黙が長すぎないか。重なりは意図した時刻だけか。
• 納品：個別ターンの音声と全編を差し替えられるか。出力形式とサンプルレートが依頼条件に合うか。

リアルタイム経路では、同じ入力を再度送った結果が変わる可能性を考え、応答のログ・録音・字幕の対応を保存します。録音作品へ採用する場合は、応答を固定できる別経路を比較対象へ戻します。

話者が入れ替わる、台詞が抜ける・追加される、質問と応答が逆になる、指定した間や重なりが崩れる、声が行ごとに大きく変わる、個別ターンへ戻って修正できない場合は採用を見送ります。リアルタイム応答が自然でも、収録台本と同じ再現性がないなら用途を限定します。

会話の面白さを優先すると、字幕や製品説明の正確さを損なうことがあります。演技が必要な台詞、正確さが必要な案内、ユーザーの発話へ返す対話を分け、必要なら人の収録と組み合わせます。

見積もりでは、台詞数、話者数、声の指定、感情タグ、間・重なり、個別ファイル、全編編集、字幕同期、BGM・効果音、修正回数、商用利用範囲を分けます。会話が途中で変更される場合は、1行差し替えで済むか、全編の再生成・再編集になるかも確認します。

リアルタイム対話を組み込む場合は、接続方式、応答を保存するか、ユーザーの割り込みをどう扱うか、字幕・ログ・個人情報の扱いを別途確認します。完成音源の制作会社へ相談するときは、台本固定版とインタラクティブ版を別案として提示してもらいます。