tts

tts スキルの概要

tts スキルでできること

tts スキルは、テキストを音声に変換して、ボイス生成、ナレーション、吹き替え、タイムラインに同期した再生に使える音声として出力します。チャットの返答だけでなく、実際に使える音声ファイルが必要な人に最適です。たとえば、プロンプトからボイスクリップを生成する、記事やテキストファイルを音声化する、SRT に基づくナレーションをタイミング調整しながら生成する、といった用途に向いています。

tts スキルをインストールするべき場面

ワークフローに tts install 形式のセットアップがある、テキスト読み上げの処理を繰り返し行う、毎回その場しのぎでプロンプトを書くのではなく再現可能な tts usage の流れが必要、という場合に tts スキルをインストールしてください。短い「これを読んで」系の依頼と、字幕や分割テキストからの構造化されたボイス生成の両方を 1 つで扱いたいときに特に便利です。

何が違うのか

この tts スキルは、実際に動く実行パスを前提に設計されています。基本のシンプルモード、タイムラインモード、バックエンドを意識したスクリプトがそろっているのが特徴です。出力形式、ボイスクローン、字幕のタイミング、ローカル TTS とクラウド TTS のどちらを使うかにこだわるなら、この違いは重要です。逆に、ファイル出力もレンダリング制御もいらず、1 回きりの自然言語プロンプトだけで済ませたいなら、あまり向いていません。

tts スキルの使い方

インストールしてエントリポイントを確認する

まずはリポジトリ提供のインストール手順を使ってください。npx skills add NoizAI/skills --skill tts を実行し、その後で skills/tts/SKILL.md、続いて scripts/tts.py、scripts/render_timeline.py、scripts/text_to_srt.py を確認します。これらのファイルを見ると、実際のコマンドの形、対応モード、各モードが想定している入力が分かります。

漠然とした依頼を使えるプロンプトに変える

tts usage をうまく回すには、少なくとも 4 点を明確にしてください。テキストの元データ、目指す音声の方向性、出力形式、そしてタイミングが重要かどうかです。良い入力例は、「この記事を落ち着いた英語音声で MP3 に変換して」「この SRT 字幕をタイムラインに正確な音声にして」「この台本から参考音声を使って OPUS の音声メモを作成して」などです。「もっと良くして」のような弱い指示だと推測が増え、再生速度や形式がずれやすくなります。

適切なワークフローを選ぶ

プレーンテキストやテキストファイルがあり、単一の音声ファイルを素早く作りたいならシンプルモードを使います。テキストがすでに分割されている、字幕と音声をきっちり合わせたい、セグメントごとに別の音声設定を使いたい、という場合はタイムラインモードが適しています。単純に音声を出したいだけなら最小の経路にとどめ、セグメント単位の制御が必要なら、先に SRT を使うか、テキストから作成してから始めてください。

出力品質を左右するファイルを読む

特に重要なのは、コマンドの入口を確認する scripts/tts.py、クラウド連携の選択肢を確認する scripts/noiz_tts.py、整列ルールを確認する scripts/render_timeline.py です。入力の例外や既定値の挙動を把握したいなら scripts/test_tts.py も見てください。ref_3rd_party.md は、生成した音声をレンダリング後に別プラットフォームへ送る予定がある場合だけ確認すれば十分です。

tts スキル FAQ

tts はテキスト読み上げ専用ですか？

いいえ。tts スキルは、ボイスクローン、字幕から音声へのレンダリング、ボイスオーバー作成などの音声生成ワークフローもカバーします。やりたいことが「このテキストを音声にする」なら適していますが、「台本をゼロから書く」用途ではありません。

使うのにコーディング経験は必要ですか？

それほど必要ではありませんが、構造化された入力は用意する必要があります。初心者でも、テキスト、ファイルパス、SRT を渡せて、基本的な出力形式を選べるなら tts を使えます。より複雑なタイムライン機能やクローン機能は、スクリプトが何を入力として想定しているかを理解していると使いやすくなります。

一般的なプロンプトと何が違いますか？

一般的なプロンプトでも作業内容は説明できますが、tts スキルは再利用できる実行パス、ファイル処理、バックエンド固有の挙動を提供します。これにより、特に繰り返しのボイス生成や出力形式が重要な場面で、tts usage の試行錯誤を減らせます。

tts を使わないほうがいいのはどんなときですか？

保存ファイルのない気軽な音声要約だけでよい場合や、テキスト、字幕、参考音声のいずれも用意できない場合は tts を使わないでください。音声合成よりも広い範囲の音声編集が目的なら、これも不向きです。

tts スキルをより良く使うには

スキルに適切な素材を渡す

品質を最も大きく左右するのは、入力をどれだけ整えられるかです。ナレーションなら、句読点と段落区切りを整えた完成版の原稿を渡してください。タイムライン作業なら、適切な長さに分割された SRT を用意します。クローンやスタイル寄せをするなら、参考音声ファイルまたは URL を入れ、自然な発話にしたいのか、より近いクローンが欲しいのか、より表現豊かな読み方が欲しいのかも明示してください。

レンダリングに影響する制約を明記する

tts for Voice Generation を重視するなら、その点をはっきり伝え、WAV や OPUS など必要な出力形式も指定してください。タイミング制約、言語、速度、感情、さらに出力先がそのまま再生用なのか、別サービスへのアップロード用なのかも伝えるとよいです。こうした情報があると、見た目は問題なくても後工程で使えない経路を選ばれるのを防げます。

よくある失敗を先に潰す

典型的な失敗は、音声の目標が曖昧、セグメントが長すぎる、出力形式の条件が足りない、の 3 つです。結果が急ぎ足に聞こえるなら、テキストを短くするか、もっと細かく分割してから再実行してください。声質が合わないなら、ニュートラル、温かい、エネルギッシュ、クローン調など、どれを求めているかを明記します。下流工程で使えないファイルになったら、最初から正確なコンテナやコーデックを指定してください。

1 回目の出力から反復する

最初の出力は下書きとして扱ってください。改善するときは、プロンプトだけでなく原稿そのものを直すのが効果的です。句読点で間を作る、密度の高い段落を分ける、SRT の区切りを見直してタイミングを整える、といった調整を入れてください。タイムラインモードでは、まずセグメント分割を調整して再レンダリングし、その後で音声や感情の設定を詰める流れが最も効率的です。