演技を指定する
台本のすぐそばに、感情、意図、テンポ、話者同士の関係性など、自然言語による指示を追加できます。
概要
Drama 3は、指示可能なFish Audioの音声合成モデルです。単なるテキストとして入力を扱うのではなく、台本から音声を生成すると同時に、台詞をどのように表現するかについて書かれた指示も解釈します。
このワークフローでは、インラインの演技指示、音、間、単語レベルのコントロールに対応しています。Fish Audio Text to Speechエディターで利用でき、drama-3モデル識別子を使ってAPIから呼び出すこともできます。製品ページではプレビュー版のモデルと説明されているため、生成結果はテイクごとに異なる場合があり、複数のバージョンを生成する必要が生じることがあります。
主な機能
インラインの音と間を追加する
インライン指示を使って、台詞の特定の箇所に音、感情表現、息づかい、笑い、ため息、間を挿入できます。
選択した単語をコントロールする
Whisper、Emphasis、Soft、Faster、Slower、Forcefulなどのスコープ付きタグを、異なる表現が必要な単語だけに適用できます。
自分の言語で指示する
台本のワークフロー内で指示を維持しながら、英語または別の言語で指示やタグを記述できます。
初期指示を生成する
Auto Tagを使って台本に初期指示を追加し、生成前に編集または置き換えができます。
複数話者のシーンを作成する
複数の話者を追加して音声を割り当て、完全な会話シーンを一度に生成できます。
ユースケース
複数話者の会話
話者名とシーンの文脈を含む台詞を書き、音声を割り当てて、各台詞を個別に生成するのではなく、完全なやり取りをまとめて生成できます。
キャラクターとナレーションの音声表現
温かみ、ためらい、懐疑、ほとんどささやき声といった表現指示を追加し、台本に沿ったシーンのキャラクター演技を形作れます。
表現豊かなタイミングのナレーション
タイミングや質感が重要なナレーションや会話で、間、息づかい、笑い、その他のインラインサウンドを正確な箇所に配置できます。
プログラムによる音声生成
再利用可能なテキストテンプレートから音声を生成する必要があるアプリケーションや制作ワークフロー向けに、指示付き台本をText to Speech APIへ送信できます。
Pros and Cons
Pros
- 台本テキストと演技指示を、1つの編集可能なワークフローに統合できます。
- 台詞全体への幅広い指示と、選択した単語への範囲指定エフェクトの両方に対応しています。
- 息づかい、笑い、ため息、短い間などの効果を含む、インラインの音と間を追加できます。
- 複数話者の会話生成と、drama-3モデル識別子を使用したAPIリクエストに対応しています。
Cons
- モデルはプレビュー版として提供されており、製品ページにはテイクごとに結果が異なる場合があると記載されています。
- 元の資料では、Drama 3の料金、クォータ、対応する出力形式、詳細な音声ライセンス条件は指定されていません。
FAQ
Drama 3とは何ですか？
Drama 3は、台本に沿った音声表現を指示するために設計されたFish Audioの音声合成モデルです。話し方を指定したり、音や間を追加したり、選択した単語に効果を適用したりできます。
Drama 3ではどのように指示を記述しますか？
発生させたい箇所に、[sigh]や[barely holding it together]のような指示や音を角括弧で記述します。選択した単語への効果には、指定した単語だけを囲むスコープ付きタグを使用します。
英語以外の言語で指示を記述できますか？
はい。指示やタグは英語で記述できるほか、台本で使用する言語でも記述できます。
Drama 3は複数の話者に対応していますか？
はい。Text to Speechエディターで話者を追加し、それぞれに音声を割り当て、台詞全体を一度に生成できます。
Drama 3はAPI経由で利用できますか？
はい。モデルヘッダーにdrama-3を設定し、Text to Speech APIを使用します。ページには、指示・音・対応するタグを含む台本をリクエストで送信する例が示されています。
Quick Facts
- カテゴリー
- AI音声合成
- プロバイダー
- Fish Audio
- 主なワークフロー
- インライン演技指示を用いた台本ベースの音声生成
- アクセス方法
- Fish Audio Text to SpeechエディターとAPI
- モデル識別子
- drama-3
- 提供状況に関する注記
- プレビュー版モデル。テイクごとに異なる場合があります
Drama 3の代替品
Fylom
Fylomは、トピックや質問をリサーチ済みのナレーション付きエピソードに変換するAIポッドキャスト生成ツール。入力・音声プロンプト、声の選択、定期配信型の番組視聴に対応。
Gemini 3.8 Text-to-Speech
Gemini 3.8 Text-to-Speechは、台本をカスタマイズ可能な音声に変換するGoogleの表現力豊かな音声モデル。声の設計や行ごとの演出、コンテンツ・吹き替え・音声エージェント向けの会話生成に対応。
Kugel 3.5
Kugel 3.5は、音声エージェントや電話応対向けの音声合成モデルです。短い返答、IPA発音、タイミング付きポーズ、文字単位のコード読み上げに対応し、Kugel 3の音声・言語・辞書・APIを継承。VAT別€0.0525/音声分、秒単位で課金されます。
Gemini 3.1 Flash TTS
Gemini 3.1 Flash TTSは、表現力の高いAI音声を生成し、スタイルや話し方を細かく制御できるGoogleのプレビュー音声合成モデルです。Gemini API、Google AI Studio、Vertex AI、Google Vidsで利用できます。
蓝藻AI
蓝藻AIは、テキストを音声に変換できるオンラインAI音声合成・配音ツールです。自助式の音声クローンにも対応し、短編動画やオーディオブックのナレーションに最適です。
Ondoku
Ondokuは、ブラウザで使える文字起こし・音声化ソフトです。テキストを.mp3でダウンロードでき、無料枠と有料プラン、多言語読み上げ、画像読み上げ、条件付き商用利用に対応します。