speech

speech スキルの概要

speech スキルでできること

speech スキルは、テキストを音声に変換して、ナレーション、ボイスオーバー、IVR の案内音声、アクセシビリティ向け読み上げ、バッチでの音声生成に使えます。自由に「いい感じにしてほしい」と頼むのではなく、プロンプトどおりに再現性のある音声出力が必要なときに最適です。

どんな人に向いているか

speech は、実際のワークフローに組み込みたい場合に使うスキルです。たとえば、製品デモ、アプリのオンボーディング、アクセシビリティ用素材、構造化されたテキストから多数の短いクリップを作る用途に向いています。音声の選択、話速、出力形式、そして実行ごとの生成の一貫性を重視するなら、相性はかなり良好です。

何が違うのか

speech ガイドは OpenAI Audio API と付属の CLI を前提に作られているため、その場しのぎのプロンプト調整よりも、決められた手順での利用を重視します。組み込み音声を使い、単発ジョブにもバッチジョブにも対応し、ライブ生成には OPENAI_API_KEY を必要とします。カスタム音声の作成は対象外です。

speech スキルの使い方

インストールしてワークフローを確認する

npx skills add openai/skills --skill speech でインストールします。インストール後は、まず SKILL.md を読み、その次にコマンドの詳細は references/cli.md、モデルやパラメータの制限は references/audio-api.md、より良い指示文の書き方は references/prompting.md または references/voice-directions.md を確認してください。すばやく全体像をつかむなら、agents/openai.yaml と references/sample-prompts.md も見ておくと便利です。

ざっくりした目的を使えるプロンプトに落とし込む

speech の使い方は、読み上げる正確な本文、対象の音声、話し方のスタイル、出力形式、発音の制約まで明示すると最もよく機能します。たとえば、次のような依頼が有効です。「この原稿から 45 秒の製品デモ用ボイスオーバーを生成してください。cedar を使い、温かく安定した読み方にし、mp3 で出力し、製品名は初出時に強調してください。」これは「プロっぽくして」と頼むよりずっと有効です。後者では、スキルが使える合成条件が不足してしまうからです。

単発かバッチかを先に決める

このスキルは、1 本のクリップを作る場合と、多数のクリップをまとめて作る場合の 2 つの流れを想定しています。複数の行、プロンプト、ファイルがあるならバッチとして扱い、tmp/ 配下に一時的な JSONL ファイルを用意してから CLI を 1 回だけ実行し、使用後は JSONL を削除します。1 本の原稿だけなら、単一ファイルの流れを使ってください。出力量によって、スキルの構成や検証手順が変わるため、この切り分けは重要です。

実行前に確認しておくこと

最良の結果を得るには、テーマだけでなく本文を一字一句確認してください。音声、ファイル形式、話速、そして出力がニュートラル寄りか、表現豊かか、アクセシビリティ重視かも明確にします。実行時に主に確認すべきリポジトリ内ファイルは scripts/text_to_speech.py です。リポジトリの保守担当から指示がない限り、これを変更しないでください。

speech スキル FAQ

speech スキルはナレーション専用ですか？

いいえ。speech スキルは、ボイスオーバー、アクセシビリティ向けの読み上げ、IVR の案内音声、短い音声プロンプトにも向いています。一方で、カスタム音声クローンや創作的な音声デザインにはあまり向きません。このリポジトリはそうした用途をカバーしていません。

speech を使うのに CLI は必要ですか？

安定して speech を使うなら、はい。付属の CLI がライブ生成の想定ルートであり、--dry-run は API 呼び出しをせずに実行形を確認するのに便利です。単に一般的なプロンプトを書く方法では、このスキルの再現性を支える構造が失われます。

初心者でも使いやすいですか？

はい。正確な本文と基本的な音声指示を出せるなら使いやすいです。speech のインストール自体は簡単ですが、出力品質は、話速、トーン、形式、発音をどれだけ明確に指定できるかに左右されます。初心者は、短いクリップと 1 つの音声から始めると、成功しやすくなります。

どんなときにこのスキルを使うべきではありませんか？

カスタム音声の作成、重い後編集、または付属スクリプトの改変に依存するワークフローが必要なら、speech は使わないでください。ネットワーク経由の OpenAI API 呼び出しが使えない場合や、OPENAI_API_KEY がない場合にも不向きです。

speech スキルを改善する方法

曖昧さをできるだけ減らす

speech スキルの出力品質を最も大きく左右するのは、推測の余地を減らすことです。要約ではなく正確な本文を渡し、想定リスナーを明示し、読み上げがナレーション、サポート案内、アクセシビリティ、IVR のどれに近いかを指定してください。読みづらい語がある場合は、綴りを示すか発音メモを添えます。

変数は一度に 1 つだけ調整する

初回の結果が惜しいところまで来ているなら、変えるのは 1 点だけにします。音声、話速、指示の書き方のどれか 1 つです。そうすると、プロンプト全体を書き直すより、反復がずっと整理されます。たとえば、テンポが速すぎるなら、本文と音声は固定したまま、話速だけを 1.0 から 0.95 に調整します。

効く制約を具体的に入れる

speech ガイドは、曖昧な制約よりも、実務的な制約があるほうがうまく動きます。「すぐ再生するなら mp3」「レビュー用なら wav」「アクセシビリティ用途なら落ち着いたニュートラルな読み方」のように指定してください。バッチジョブでは、各行の範囲を狭く保つと、出力間で一貫した読み上げを保ちやすくなります。

先に適切な参照資料を読む

Design Implementation のために speech の結果を良くしたいなら、ニュートラルな読み上げには references/accessibility.md、発表向けの話し方には references/voiceover.md、プロンプトの形を知るには references/sample-prompts.md を優先してください。これらのファイルは、CLI や API が余計な解釈なしに実行できる指示文を書く助けになります。