Voices ja JP - on22s/Side-Story GitHub Wiki

English · 简体中文 · 日本語

声の選択と管理

Voices でスクリプトの話者に声を割り当てます。本全体の生成前にEditorで代表的な数行を聴いてください。

変更は自動保存されます。カードのフィルター横に saved が出てから移動／本の切り替えを行います。save failed — edits retained ならタブを開いたまま保存問題を解決してください。

声の種類

Custom voice

最初に使いやすい9種類のプリセットです：Aiden、Dylan、Eric、Ono_anna、Ryan、Serena、Sohee、Uncle_fu、Vivian。

キャラクタースタイルには抑えた口調やアクセントなど持続的な特徴を書きます。各行の読み方指示と組み合わせて使われます。発話本文は Text に入れ、スタイルには入れません。ローカル／外部TTSで使えます。Setupで言語を指定し、Editorで発音と読み方を試します。

Clone voice

参照音声と正確な書き起こしを使います。Uploaded Voices、Designed Voices から選ぶか、Upload で追加します。外部TTSでは参照音声と本文も送られるため、非公開録音の前に送信先を確認します。

通常のクローン生成はCustomやLoRAと同じようには行の読み方指示を適用しません。Delivery の編集で感情が変わると決めつけず、行ごとの指示が必要なら別の種類も試してください。

Custom path... はアプリ実行PCにあるファイルの指定です。ブラウザー側PCのパスはリモート／Docker側から自動的に読めません。ライブラリーに取り込んだ参照は管理・検証しやすくなります。

Built-in LoRA voice / LoRA voice

ローカルTTSのアダプターを使い、学習した声の特徴とスタイル・行の読み方を組み合わせます。

  • Built-in LoRA voice は付属カタログから選びます。(not downloaded) はTrainingで重み取得が必要です。
  • LoRA voice は学習済みを含む利用可能アダプターです。

カタログ表示は重み導入済みの証拠ではありません。学習に使っていない行で試聴してから全体に使います。自分で学習する必要はありません。追加ツールを参照してください。

Voice Design

Base voice description に声の説明を入れます。各行の読み方を追加し、ローカルVoiceDesignモデルでその行の声を作ります。

再利用する参照音声を作る場合はDesignerで：

  1. Voice Description と Sample Text を入力。
  2. Generate Preview で試聴。
  3. Voice Name を付け Save Voice で保存。
  4. Voicesに戻り Clone voice から保存済み参照を選択。

Voice DesignはローカルTTSが必要です。直接生成と、デザインした参照のクローン利用は別の経路なので、選んだ方を試聴してください。

Character ensemble

一緒に話す人物を選びます。それぞれの声を生成し、最長クリップに合わせて混ぜるため、完全な同時発話より合唱に近い効果になります。メンバーの声を先に設定します。外部TTSでは対応Custom/Cloneの組み合わせが使えますが、ローカル限定LoRA/Voice Designのメンバーは使えません。

参照クリップを取り込む

利用権限のある録音と声だけを使ってください。アプリの確認操作が所有権や許諾を証明するわけではありません。

  1. 話者カードの Clone voice → Upload でWAV、MP3、FLAC、OGGを選びます。
  2. Import reference clip → Exact transcript of the clip に実際の発話を書き起こします。要約や後で読ませたい文ではありません。
  3. 分かれば Source title、Source URL、Rights basis を記録します。任意ですが後の確認に役立ちます。
  4. 実際に権利がある場合だけ I have the right to use this voice を選び、Import を押します。
  5. 成功後、対象話者の Uploaded Voices で新しい参照を選びます。参照を再生し、Reference Text を確認してからテスト行を生成します。

明瞭な1人の話者による完結した文を使い、無関係な無音、音楽、他の声を除きます。取り込んだ音声は24 kHz・モノラル・16ビットWAVに変換され、次は拒否されます：

  • 3秒未満または30秒超。
  • ピーク音量検査でほぼ空／小さすぎる音声。
  • 許容値を超えるクリッピング。
  • 大部分が無音。
  • デコードできない音声。

拒否理由に応じて録音を修正します。検査通過は書き起こしの一致、1人だけの録音、期待する声の保証ではありません。参照と生成結果の両方を聴きます。取り込み成功ごとに新しい参照IDが作られます。一覧更新だけ失敗した場合は再取り込みせず、Voicesを開き直すか更新して重複を避けます。

ペルソナを生成する

Generate Personas は設定LLMに人物説明とサンプル文を求め、VoiceDesignで参照を作ってクローンを割り当てます。任意機能で、手動設定もできます。

  • 初回は Apply to → Only characters without a voice yet で既存の割り当てへの影響を減らせます。
  • All characters (regenerate) は既存割り当てを置き換えます。保持したい場合、表示される Save the current voices to the library first を有効にします。
  • Context は人物ごとのサンプル台詞数、Advanced → Batch は発見段階のバッチで、TTSバッチ数ではありません。

完了後に人物説明と参照音声を確認します。personaは人物説明、voiceは割り当てた音です。Approve persona、Mark persona reviewed、Reject persona と、対応する声の操作は別々に記録します。

中断時は Manual persona recovery で Recovery target を確認し、Copy prompt と Persona JSON を使えます。Validate & save は保存、Validate & resume は保存と続行要求です。対象人物と回復後の結果を確認してください。

Suggest LoRA Voices はダウンロード済みLoRAとのLLMによる対応提案です。同じApply toの範囲を使います。Apply all 前に確認し、適用しない場合は Dismiss を使います。

別名、Ready、バージョン

Alias of は DR. SMITH と SMITH などに同じ声設定を使わせます。生成時に参照先をたどり、原文は書き換えません。循環を避け、別人物なら独立した声にします。

Ready はユーザーが設定する独立した準備完了マークです。試聴後に使い、Hide ready で完了カードを隠せます。試聴検査でも Approve voice と同じでもありません。M4B／章出力の Require ready は必要な声が未Readyなら拒否しますが、全音声の存在や正しさは検査しません。

Version で別の声設定を保存できます。保存版を選ぶと現在設定を置き換えるため、戻したい設定を先に保存します。人物状態が表示される場合は各カードと Voice changes を確認します。物語上の年齢や性別の変化が必ず声の変更を必要とするわけではありません。Choose Main voice throughout で一貫した声を選べる場合があります。

Editorの Voice changes here はその行以降のスタイルを設定します。効果を聴くには関連行を再生成します。声バージョンの時系列を適用すると該当音声はpendingになり、Render Pending で作り直せます。設定変更だけで既存音声や書き出しは新しい読み方になりません。

初回は Narrator selection → Global にします。他のモードは場面／人物の焦点、章バージョン、特徴で語り手を選び、見つからない場合は主語り手に戻ります。Preview focus と Preview version はVoices内の試験だけで、スクリプトや生成済み音声は変更しません。

複数冊で配役を再利用する

Series Cast で：

  1. 既存配役を選ぶか New で作成。
  2. Save to cast で対象を確認し Save selected。初期選択は25行以上の人物と語り手を優先するため、台詞の少ない重要人物も確認します。
  3. 語り手は shared (whole series) または this cast only (different narrator) を選びます。
  4. 別の本で Apply cast。曖昧な一致も含め対応を確認し Apply selected。

適用は対象人物の現在の声を上書きします。Apply to multiple books でも選択した保存済み本に上書きするため、本と対応関係を点検します。

未保存の編集

ブラウザー保存が使える場合、未保存の声の下書きをそのブラウザーに保持します。Recover edits は対応する本の版に復元します。保存済み声が後から変わっている場合は比較してから復元します。Discard draft と Discard edits and reload は未保存変更を破棄します。

ブラウザー下書きはバックアップではありません。更新とバックアップに従い、データ、参照、アダプター、配役を保持します。次へ：音声生成と書き出し。

参照元

英語版の確認元（元の確認リビジョンを保持）： 8c7a33cb310ab9264594a09ca27e48271585094f: voice UI and save behavior, reference import UI, reference validation, and TTS capabilities.