音声感情コントロール

Morphic の音声感情コントロールを使うと、生成される音声がどのように聞こえるかを、感情のトーンから反応、間の取り方、話し方のスタイルまで調整できます。適切な指示を含めてプロンプトを書けば、音声はあなたの指定どおりに演じます。

音声感情コントロールの使い方

Morphic で音声感情コントロールを使う簡単なチュートリアルはこちらです。

1. Morphic を開いて、プロジェクトに移動します。

2. 新しいファイルを作成するか、既存のファイルを開きます。

3. 下部のプロンプトバーで、モードを「Audio」に切り替え、「Speech」を選択します。

4. 音声モデルとして「ElevenLabs」または「MiniMax」を選択します。

5. ボイスピッカーから音声と言語を選択します。

6. 選択したモデルの感情コントロール形式を使ってプロンプトを書きます（下記参照）。

7. 「Generate」をクリックします。

Morphic は 2 つの音声モデルをサポートしています。それぞれ感情コントロールの構文が異なります。モデルを選択してから、以下のガイドに従ってください。

ElevenLabs

ElevenLabs では、角括弧タグをプロンプトに直接書き込みます。感情、反応、指示を角括弧で囲むと、その部分は話し言葉ではなく演技の指示として解釈されます。

仕組み

[tag] ここにセリフを入力します。

タグは、新しいタグが現れるまで、その後のすべてに影響します。テキストのどこにでもタグを置けて、複数のタグを連続して組み合わせることもできます。

タグなし	タグあり
役をもらえたんだ。本当に役をもらえたんだ。	[excited] 役をもらえたんだ。本当に役をもらえたんだ。
出ないと。今すぐ。	[whispers][tense] 出ないと。今すぐ。
これはうまくいかない気がする。	[sad][hesitant] これはうまくいかない気がする。
宝は古い礼拝堂の地下に埋まっている。	[pirate voice] 宝は古い礼拝堂の地下に埋まっている。

ElevenLabs は自由度が高いです。固定された一覧はありません。角括弧の中に任意の感情や指示を書けば、モデルはそれを解釈しようとします。たとえば [jealous], [romantic], [awkward], [suspicious tone]や [continues after a beat] などもすべて使えます。

以下のタグは一般的によく使われ、安定して効果が出ますが、これらに限られるわけではありません。

タグ

感情

タグ	効果
[excited]	高いエネルギー、熱意のある話し方
[happy]	温かく、前向きなトーン
[cheerfully]	軽やかで明るい話し方
[sad]	沈んだ、抑えめのトーン
[sorrowful]	深い悲しみ、嘆き
[angry]	鋭く、力強い話し方
[nervous]	不安げで、やや震えた感じ
[frustrated]	張りつめた、いらだちのあるトーン
[calm]	安定した、リラックスした話し方
[tired]	元気がなく、疲れ切った感じ
[curious]	好奇心のある、問いかけるようなトーン
[sarcastic]	乾いた、皮肉っぽい話し方
[playful]	軽快で、からかうような雰囲気
[deadpan]	平板で感情のない話し方

試してみよう:

[excited] 資金がついたんだ。本当に信じられない。 [nervous] でも、ここからは本当に成果を出さないと。 [calm] 一歩ずつやろう。何とかなるよ。

感情のニュアンス

トーンをより繊細に変化させたいときに使います。全体の演技を覆い隠すことなく、セリフに深みを加えます。

タグ	効果
[hesitant]	自信がなく、ためらう
[relieved]	肩の荷が下りた、緊張が解けた
[tense]	張りつめていて、何かに備えている
[warm]	やさしく、思いやりのあるトーン
[resigned tone]	諦めて受け入れる
[stammers]	言葉に詰まる、うろたえる
[regretful]	何かが違ってほしかったと思う
[sympathetic]	思いやりがあり、理解のある
[reassuring]	安心させるような、落ち着いた
[awe]	驚嘆や感動に打たれる

試してみよう:

[tense] 何かがおかしい。そう感じる。 [relieved] ああ、君だったのか。よかった。 [warm] こっちへ。君のことが心配だったんだ。

反応

セリフの合間や中にリアリティを加える非言語音。

タグ	効果
[laughs]	大きな笑い
[giggles]	やわらかく、軽い笑い
[light chuckle]	短く、控えめな笑い
[sigh]	疲労、安堵、または苛立ちのため息
[gasps]	息をのむ、驚きや衝撃
[gulps]	緊張した飲み込み
[crying]	涙ぐんだ、声が詰まる
[clears throat]	軽い喉の整え

試してみよう:

[laughs] まさか。 [gasps] え、冗談じゃないの？ [clears throat] よし。ちゃんと話そう。

話し方

感情とは別に、声が実際にどのようにセリフを演じるかを調整します。

タグ	効果
[whispers]	やわらかく、息混じりで、近い話し方
[shouts]	大きく、響く声
[quietly]	小さな声で、抑えめに
[loudly]	声量を上げて、力強く
[rushed]	速いテンポ、切迫したリズム
[drawn out]	ゆっくり、引き伸ばすような話し方
[dramatic tone]	劇的で、強調された強さ

試してみよう:

[whispers] ドアのすぐ外にいる。 [rushed] 今すぐ動かないと、時間がない。 [shouts] 走れ！

アクセントとキャラクター

声は変えずにアクセントだけを切り替えるか、声にキャラクターの人格を与えます。

タグ	効果
[American accent]	標準的なアメリカ英語
[British accent]	標準的なイギリス英語
[French accent]	フランス訛りの英語
[Southern US accent]	アメリカ南部訛り
[Australian accent]	オーストラリア英語
[strong Russian accent]	強いロシア訛り
[strong X accent]	X は任意の国籍に置き換えます
[pirate voice]	荒々しく、海を渡る人物の声
[old man voice]	年老いた、くたびれた話し方
[robot voice]	機械的で合成音声のようなトーン
[fantasy narrator]	叙事的で、絵本のようなナレーション
[film noir narrator]	暗く、陰鬱で、皮肉なナレーション
[sarcastically]	乾いた、皮肉っぽいキャラクター読み

試してみよう:

[pirate voice] 宝は古い礼拝堂の下、3 ファゾムの深さに埋まっている。 [old man voice] この町に土の道と正直者しかいなかった頃を覚えているよ。 [robot voice] 警告。構造的完全性が損なわれています。直ちに避難してください。

複数キャラクターの会話

1 つのプロンプトで 2 人以上のキャラクターが登場する場面を書くときは、セリフ同士の関わり方を調整するためにこれらを使います。

タグ	効果
[interrupting]	相手のセリフが終わる前に割り込む
[overlapping]	別の声が続いている間に話し始める

試してみよう:

つまり私が言おうとしていたのは [interrupting] いや、待って。言い訳はさせない。 [overlapping] でも、少し聞いてくれれば...

間とテンポ

ElevenLabs は明示的なポーズの長さをサポートしていません。間の長さは文脈、タグ、句読点から推測されます。

これを書く	効果
[pause]	劇的な沈黙（長さはモデルが決定）
...	ためらいがちな、言いかけの間
すべて大文字	単語への強調
新しい段落	明確な間とイントネーションのリセット

試してみよう:

"ええと... まあ、そうかもしれない。"

[pause] そしてそれが起きた。

"今だって言っただろ！"

より良い結果を得るためのヒント

ヒント	うまくいく理由
タグをテキストに合わせる	[crying] 行かないで。 は自然に聞こえます。 [crying] をくだけた文に加えるのは自然ではありません。モデルは文脈を把握するために全文を読みます。
タグを組み合わせる	[whispers][tense] または [hesitant][nervous] とすると、2 つの手がかりをモデルに与え、よりニュアンスのある出力にできます。
適切な声を選ぶ	落ち着いた声は説得力のある叫び方はしません。高エネルギーの声は上手にささやけません。役に合った声を選びましょう。
Creative または Natural の安定性を使う	これらの設定では、モデルがタグを表現する余地が広がります。Robust はより一貫していますが、表現力は控えめです。
句読点をリズムの合図として使う	カンマはテンポを遅くします。ピリオドは明確な区切りを作ります。三点リーダーは言葉を言い切らずに余韻を残します。モデルは句読点を読み、それに反応します。

MiniMax

MiniMax では 括弧付きのサウンドタグ をプロンプト内で使い、さらに Morphic の UI で別の 感情セレクター を使います。

感情

生成時にドロップダウンから感情を選択します。これにより、出力全体のトーンが設定されます。

感情	効果
Auto	モデルがテキストを読み、最適な感情を選ぶ（デフォルト）
Happy	明るく、前向き
Sad	沈んだ、物悲しい
Angry	力強く、攻撃的
Fearful	不安げで、怖がっている
Disgusted	不快感、嫌悪
Surprised	驚いた、愕然とした
Calm	落ち着いた、穏やかな
Fluent	きれいで放送向けのスタイル — ニュースや技術ナレーションに最適
Neutral	感情的な偏りなし

サウンドタグ

括弧を使って、非言語音をプロンプトに直接追加します。これらは プリセットのみ で、以下に記載されたタグのみがサポートされます。

それはすごい (laughs) 本当にうまくいったなんて信じられない。
結果は... 予想外だった。 (sighs) 説明させて。

タグ	タグ	タグ
(laughs)	(chuckle)	(coughs)
(clear-throat)	(groans)	(breath)
(pant)	(inhale)	(exhale)
(gasps)	(sniffs)	(sighs)
(snorts)	(burps)	(lip-smacking)
(humming)	(hissing)	(emm)
(whistles)	(sneezes)	(crying)
(applause)	(yawns)

ElevenLabs とは異なり、 カスタムタグを作成することは できません。 (nervous) または (jealous) と書いても機能しません。モデルはそれらをテキストとして読み上げます。感情のトーンには感情セレクターを使ってください。

間

を使って、時間指定の無音を挿入します。 <#x#> ここで x は秒数です（0.01〜99.99）。

結果は予想外でした。 <#1.2#> その理由を見ていきましょう。
話があります。 <#0.5#> 重要なことです。

ヒント

• サウンドタグは控えめに使いましょう。多すぎると不自然に聞こえることがあります。

• 感情は Auto に設定しましょう

• 。長文全体で一貫したトーンが必要なときは、手動で上書きしてください。句読点も重要です。カンマやピリオドがモデルのテンポとイントネーションを導きます。