Communitygithub.com

amtamaddon/rsk-explainer-studio

Gemini TTS を利用して段落ごとに感情を調整した表現豊かなナレーション音声を生成します。動画用のナレーション、ボイスオーバー、音声が必要なときに使用します。

rsk-explainer-studio とは?

このスキルは、Google Gemini の Text-to-Speech (TTS) API を活用し、段落ごとに感情や口調を細かく制御したナレーション音声を生成します。ユーザーは各段落にタグを付与するだけで、台本全体に対して一貫した「温かみのある、ゆったりとした大学講師」のような基本ペルソナを維持しつつ、特定のパッセージのトーンを「興奮」「悲しみ」などに変更できます。各段落は個別の WAV ファイルとして生成されるため、失敗した箇所だけを再録音でき、コストを抑えられます。また、`config/pronunciations.yaml` で発音のカスタマイズが可能で、字幕には元の表記を残したまま読み上げのみを変更できます。主に Claude Code や Cursor などの AI エージェント環境で動作し、動画制作やポッドキャスト用の音声素材を効率的に作成するのに有用です。

対応~Claude Code~Codex CLI~Cursor✓Gemini CLI
npx skills add https://github.com/amtamaddon/rsk-explainer-studio/tree/HEAD/.claude/skills/emotive-tts

お気に入りのAIに質問する

このエージェントスキルを事前に読み込んだ状態で新しいチャットを開きます。

ドキュメント

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。

Individual skills in this repo

This repo contains 3 individual skills — each has its own dedicated page.

関連スキル