Fish Audio Drama 3 の特長
Drama 3 がほかの音声モデルと違う点は6つあります。どれも台本の書き方に直結します。ナレーション、吹き替え、ショート動画、広告、eラーニングの音声を演出する方は、まずこの表から読むのが近道です。
| Drama 3 | 台本での意味 |
|---|---|
| 自分の言葉で演出 | プリセットは選びません。気持ちと場面をそのまま書きます。例：[誇らしげに、でも疲れ切って] |
| 行の途中で切り替わる | 明るく始めて、3語後にささやきへ落とせます。演出は書いた位置から効きます |
| 難しい感情 | 言葉の下の涙、抑えた怒り、真顔を崩す笑い |
| 語単位の制御 | ペアタグで囲んだ語だけを、ささやく、遅くする、強調する |
| 難読語もそのまま | コード、日付、地名を正しく読みながら、感情も乗せます。正答率は93.2%で、公開時点で最高のスコアです |
| シーン丸ごと | 最大9人の声を1回で生成し、各セリフが前の行に応えます |
出典：Fish Audio の公開記事、Artificial Analysis の Pronunciation Robustness ベンチマーク。
Drama 3 での演出の書き方
Drama 3 の台本には3種類の指示があります。必要なら同じ行に混ぜて使えます。
| 指示 | 書き方 | 効く範囲 |
|---|---|---|
| 行の演出 | 言葉の前に [温かく、落ち着いて] | 次の演出まで、後ろのすべて |
| 効果音と間 | [sigh]、[laugh]、[breath]、[pause] | その位置にその音を入れます |
| ペアタグ | <whisper>来るのは一人で。</whisper> | タグの内側の語だけ |
Drama 3 のペアタグ
短いフレーズを、開きタグと閉じタグで囲みます。タグの外側は、その行の演出がそのまま続きます。
| タグ | 使いどころ |
|---|---|
| <whisper> | 秘密、警告、脅し文句の最後の一言 |
| <emphasis> | 文が向かう先の、たった1語 |
| <stress> | 1語をさらに強く押す。例：あの場に「彼が」いた |
| <soft> | やさしい補足や、安心させる一言 |
| <forceful> | 命令や、感情の爆発 |
| <slow> | 種明かしや、間を保ちたい瞬間 |
| <fast> | 急いだ補足や、緊張した早口 |
Drama 3 の演出のコツ
声優に渡すメモを、ひと息で言える長さで書きます。効果が大きい習慣は次のとおりです。
| こうする | 例 |
|---|---|
| 気持ちと、その下にあるものを書く | [明るく、でも心配を隠している] |
| 状況や聞き手を添える | [小声で、隣の子どもたちに聞こえないように] |
| 気分が変わるたびに新しい演出を書く | [穏やかに] … [急に鋭く] … |
| 音は、その原因の後ろに置く | これで3回目だよ。[sigh] まあ、いいけど。 |
| 役に合う声を選ぶ | 柔らかく息の多い声は、怒鳴る命令が苦手です |
| 2〜3テイク生成する | Drama 3 はプレビュー中で、テイクごとにばらつきます。良いものを残します |
各地の言語での Drama 3
Drama 3 は83言語に対応します。各サンプルは、その地域で録音された Fish Audio の声を使い、セリフも演出も現地の言語で書いています。最後のカードは別の技です。ある言語の演出を、別の言語のセリフに重ねます。日本語でメモを書き、外国語のセリフを演じさせたいときの形です。
Drama 3 の複数話者シーン
複数の登場人物が話す場面では、Dialogue に切り替えます。最大9人の声、1シーン10,000文字までを1回でまとめて演じるので、反応が行から行へ引き継がれます。各行は1人の声と同じように演出し、はっきり違う声を配役してください。
Drama 3 と S2.1 Pro の違い
S2.1 Pro は Fish Audio の前のモデルです。どちらも角括弧の演出に対応しているので、S2.1 Pro の台本はそのまま Drama 3 で使えます。Fish Audio によると、Drama 3 は同じ指示に感情を深く乗せ、指示により忠実に従い、難読語をより正確に読みます。
| 正しく読めた難読語 | S2.1 Pro | Drama 3 |
|---|---|---|
| 全体 | 88.1% | 93.2% |
| ブランド名、地名、専門用語 | 87.3% | 95.9% |
| 文脈で読みが変わる語 | 86.1% | 95.3% |
| 数字、日付、単位 | 92.7% | 93.6% |
| コード、ファイルパス、メールアドレス | 79.4% | 86.3% |
出典：Fish Audio の公開記事、Artificial Analysis の Pronunciation Robustness ベンチマーク。
Morphic での Drama 3 と Eleven v4
どちらも Morphic で演出できる音声モデルです。仕事に合わせて選ぶか、1つのプロジェクトで両方使います。
| Fish Audio Drama 3 | Eleven v4 | |
|---|---|---|
| 1回の音声生成の台本量 | 最大10,000文字 | 最大3,000文字 |
| Dialogue | 最大9人の声、10,000文字 | 2〜10人の声、2,000文字 |
| 語単位の制御 | 7種類のペアタグ | 語の隣に置くタグ |
| 言語 | 83 | 90以上 |
| 声 | Fish Audio の声のライブラリ | ElevenLabs の声のライブラリ |
Eleven v4 のタグと間の作り方は、Eleven v4 プロンプトガイドをご覧ください。
よくある質問
角括弧に入れた自由な言葉の演出、たとえば [nervous, almost a whisper] のような指示に対応します。[sigh]、[laugh]、[breath]、[pause] といった効果音と間も使えます。選んだ語を囲むペアタグは7種類で、whisper、emphasis、stress、soft、forceful、slow、fast です。
沈黙を置きたい位置に [pause] を書きます。そのあとに [slow, deadly serious] のような新しい演出を足すと、そこから先のテンポも変わります。
はい。演出は角括弧の中に自由な言葉で書くので、日本語でも書けます。このページの言語カードの最後が、日本語の演出を英語のセリフに重ねた例です。Drama 3 は83言語に対応し、ヒンディー語、アラビア語、ポルトガル語、スペイン語、中国語、フィリピノ語、インドネシア語を含みます。ヒンディー語と英語の混ざった話し方も自然に扱えます。声はその地域で録音されたものを選び、セリフはその言語で書いてください。
括弧を確認してください。演出は角括弧に入れ、ペアタグには対応する閉じタグが必要です。括弧の閉じ忘れやタグの打ち間違いがあると、文字として読まれることがあります。
Speech でも Dialogue でも、1回の生成で最大10,000文字、音声にして約10分です。それより長いものは、区切りのよい位置で分けてください。
本人の許可がある場合に限ります。Fish Audio の Drama 3 のライセンスは、同意のない声のクローンを禁じています。Morphic では Fish Audio のライブラリから声を選んでください。