感情TTS
初回実行:ライブAPIからこのスキルを完成させる
Gemini TTS は自然言語によるスタイル指示で制御されます。初回使用前に、現在の Gemini 音声生成ドキュメントを取得し、config/models.yaml 内のモデル ID を確認し、利用可能な音声をリストアップし、scripts/tts.py とこのファイルを、異なる箇所(音声名、スタイルプロンプトの構文、マルチスピーカー対応、サンプルレート)に合わせて更新してください。3種類の音声で段落 p01 を聴き比べ、ユーザーに選択させます。その後、このセクションを削除してください。
使用法
python scripts/tts.py work/<slug>/script.md work/<slug>/vo/
このスクリプトは、各段落の括弧付きタグをスタイル指示に変換します。
- 基本ペルソナ(常に先頭に付加):"温かみのある、ゆったりとした大学講師が小人数の部屋で話すように読む。カンマで自然な間を置く。決して慌てず、決して大げさにしない。"
- タグを追加:"この一節のトーン:<タグ>。"
段落ごとに1つの WAV ファイルを生成することで、リテイク(再録音)を安価に行えます。vo/timing.json には各 WAV の再生時間が記録され、アセンブリ(結合)に使用されます。
発音
config/pronunciations.yaml は書き言葉と読み言葉のマッピングを定義し、TTS 入力にのみ適用されるため、字幕では "835" と表示されたままになります。これは "eight thirty-five" と読まれ、"eight hundred thirty-five" とは決して読まれません。音声が誤読する用語があれば、ここに追加してください。
品質基準
まず p01 のみをレンダリングしてください。読み上げが一本調子または大げさに聞こえる場合は、感情語を追加するのではなく、タグの文言を和らげてください。