感情のある日本語TTSを比較する笑い・驚き・落ち着きの確認項目

感情表現が豊かでも、商品名を読み違えたり、重要な数字を強調しすぎたりすれば説明音声には使えません。最初に原稿が正しいかを聞き、次に声の高さ・速さ・強さ・間、最後に笑い・驚き・落ち着きの演技を聞きます。

モデルの公式説明に「表現力」「感情」「演技」とあっても、自社の日本語原稿で同じ結果になるとは限りません。声の候補、指示の書き方、出力経路、生成回数、修正方法を揃え、結果と仕様を分けて記録します。

短い原稿を一つの感情で埋めず、同じ声で3種類の指示を出します。下記は説明用の架空ブリーフです。実際の試聴結果を示すものではありません。

同じ声・同じ原稿で指示だけを変えます。指示文を日本語で書くか英語で書くか、角括弧やメタデータを使うかも比較条件として残します。字幕を付ける場合は、音声用の読みと表示用の表記を同じ行IDで管理します。

Gemini TTSは、構造化されたターン情報とボーカルタグでスタイル、アクセント、速度、トーンを指示する経路を説明しています。単一話者と複数話者を同じTTS経路で扱えるため、短い台詞から長文へ拡張する際に、話者設定と原稿を分けて記録できます。

ElevenLabsは、テキストの感情的な文脈や音声タグが演技に影響すると説明しています。説明文そのものが発話される場合があるため、指示を音声へ含めない形式と、生成後のトリミングを確認します。v4・v3のモデルやAPI経路で対応範囲が異なる点も発注条件へ入れます。

Fish Audio Drama 3の公式記事は、角括弧内の演技指示を文中へ置き、途中からトーンを変える例を示しています。部分編集は公開範囲や提供状況を確認し、現時点で使える機能と将来予定を分けます。どの候補も、感情の機能があることと、狙ったテイクが一度で得られることは同じではありません。

音声を波形だけで判定せず、原稿の行IDと時刻を付けて聞きます。まず全文の読みを確認し、次に感情指示の開始位置、変化が終わる位置、直後の通常声への戻りを記録します。

• 読み：会社名、商品名、数字、日付、英字、単位を正しく発音しているか。
• 演技：笑い・驚き・落ち着きが指示した場所にだけ現れ、後ろの説明まで崩していないか。
• 間：字幕が読み終わる前に次の文へ進まないか。語尾や息がBGMに埋もれないか。
• 連続性：行ごとに生成した音声をつないだとき、声量・部屋鳴り・速度が急に変わらないか。

同じ原稿を複数回生成した場合は、どのテイクを採用したかと理由を残します。感情の強さを数値評価に置き換えず、採用・修正・不採用の条件を言葉で記録します。

固有名詞や数字の読み違い、感情指示と違う位置での笑い、驚きが文全体へ残る、説明が聞き取れない、字幕と間が合わない、声質が行ごとに大きく変わる、指示のための文字が読み上げられる場合は採用を見送ります。

演技が必要な台詞と、正確さが必要なナレーションを同じ声の設定で済ませる必要はありません。場面ごとに声・指示・修正方法を分け、必要なら人のナレーターや収録へ戻す判断を見積もりに含めます。

自作なら、原稿の正本、読み仮名、演技指示、採用テイク、未採用テイク、利用する声の権利を保存します。外注するなら、原稿の行数、声の人数、感情の切り替え、音声ファイルの分割単位、字幕同期、修正回数、BGMとのミックス、商用利用範囲を分けて依頼します。

「感情豊かな日本語音声」だけでは確認できません。笑い・驚き・落ち着きの例文、避ける演技、変えてはいけない固有名詞、納品形式、読み間違いの修正方法を提示します。モデル仕様の比較と、完成動画の演出・ミックス作業を一つの料金に隠さないことが重要です。