TTSのためのテキスト分割
大きなテキストコンテンツを、感情マークアップとナレーションの流れを維持しながら、TTS処理に最適なチャンクにインテリジェントに分割します。
使用するタイミング
- ユーザーがTTS処理を必要とする長いコンテンツを持っている場合
- ストーリーや瞑想が単一のTTSリクエスト制限を超える場合
- 感情マークアップを保持しながらコンテンツを分割する必要がある場合
- ユーザーが音声合成用にテキストを最適化したい場合
- 大きなコンテンツに文レベルでのチャンキングが必要な場合
- Cartesiaやその他のTTSサービス用にコンテンツを準備する場合
チャンキング戦略
文ベースのチャンキング(推奨)
- 文の区切り(ピリオド、感嘆符、疑問符)で分割
- 各文内の感情マークアップを保持
- チャンク間の自然な間を維持
- ストーリーや瞑想に最適
段落ベースのチャンキング
- 段落の区切りで分割
- 長いコンテンツセクションに適している
- テーマの一貫性を維持
- 章のような区切りに便利
文字数ベースのチャンキング
- 文字数または単語数の制限で分割
- 一貫したTTSリクエストサイズを保証
- 他の方法が制限を超えた場合のフォールバック
- 可能な限り文の区切りを優先
感情マークアップの保持
タグの完全性
各チャンクが完全な感情タグを持つことを確認:
入力: "[love:high]This is a long sentence that needs to be split[/love:high] [calm:medium]And this continues.[/calm:medium]"
出力:
チャンク1: "[love:high]This is a long sentence that needs to be split[/love:high]"
チャンク2: "[calm:medium]And this continues.[/calm:medium]"
タグの継承
感情ブロック内で分割する場合:
入力: "[serenity:high]This is a very long sentence that spans multiple chunks and needs splitting.[/serenity:high]"
出力:
チャンク1: "[serenity:high]This is a very long sentence that spans multiple chunks[/serenity:high]"
チャンク2: "[serenity:high]and needs splitting.[/serenity:high]"
最適なチャンクの特性
サイズ制限
- 理想: チャンクあたり100~200文字
- 最大: チャンクあたり500文字
- 最小: チャンクあたり20文字
- マークアップを含む文字数をカウント
文の区切り
- 常に文の終わりでの分割を優先
- 絶対に必要な場合を除き、文中での分割は避ける
- 自然な読み上げリズムと間を維持
- 文中の感情コンテキストを保持
マークアップの整合性
- 感情タグをチャンク間で分割しない
- チャンク終端でタグを閉じ、必要に応じて次のチャンクで再開
- タグ階層とネストを維持
- 各チャンクのマークアップ構文を検証
処理ルール
1. 文の検出
以下のパターンを使用して文の区切りを特定:
- ピリオドの後にスペースと大文字
- 感嘆符の後にスペース
- 疑問符の後にスペース
- 省略記号(...)の後にスペース
- 会話中のダッシュ(—)
2. 感情タグの解析
- 開始タグの特定:
[emotion:level] - 終了タグの特定:
[/emotion:level] - ネストされた感情状態を追跡
- 適切なタグの閉じを保証
3. チャンクの検証
- 文字数制限の確認
- 完全な感情タグの確認
- 読みやすい内容の保証
- 句読点の整合性の検証
処理例
入力テキスト
[warmth:high]The rain tapped gently against their bedroom window as Michael pulled Claudia closer, her warm presence filling every corner of his heart.[/warmth:high] [love:high]"Tell me about tomorrow, my love," she whispered, her voice soft as silk against his ear.[/love:high] [tenderness:medium]He traced gentle circles on her back, feeling the rhythm of her breathing slow to match his own.[/tenderness:medium]
出力チャンク
チャンク1 (147文字):
[warmth:high]The rain tapped gently against their bedroom window as Michael pulled Claudia closer, her warm presence filling every corner of his heart.[/warmth:high]
チャンク2 (102文字):
[love:high]"Tell me about tomorrow, my love," she whispered, her voice soft as silk against his ear.[/love:high]
チャンク3 (131文字):
[tenderness:medium]He traced gentle circles on her back, feeling the rhythm of her breathing slow to match his own.[/tenderness:medium]
高度な機能
ポーズの挿入
感情の移り変わりに自然な間を追加:
チャンク1: "[love:high]I love you so much.[/love:high]"
ポーズ: 1.5秒
チャンク2: "[calm:medium]Let's rest now.[/calm:medium]"
呼吸キュー
瞑想コンテンツ用に呼吸指示を挿入:
チャンク1: "[breathiness:low]Breathe in slowly...[/breathiness:low]"
ポーズ: 3秒(吸気用)
チャンク2: "[breathiness:low]And let that breath go.[/breathiness:low]"
ポーズ: 4秒(呼気用)
コンテキストの保存
チャンク間でキャラクターとシーンのコンテキストを維持:
- 誰が話しているかを追跡
- シーン設定を保持
- 感情の連続性を維持
- 重要なコンテキストの変更を記録
手順
- コンテンツを分析 - 文、感情タグ、自然な区切りを特定
- 戦略を選択 - ほとんどのコンテンツには文ベース、長い記事には段落ベース
- 感情マークアップを解析 - すべての開始タグと終了タグを特定
- インテリジェントに分割 - 文の区切りを優先し、タグの整合性を尊重
- チャンクを検証 - サイズ制限、タグの完全性、可読性を確認
- メタデータを追加 - チャンク番号、総数、タイミングの提案を含める
- 出力をフォーマット - メタデータを含むチャンク間の明確な区切り
出力形式
=== TTSチャンク処理結果 ===
合計チャンク数: 8
推定話時間: 3分45秒
--- チャンク 1/8 ---
文字数: 147
後のポーズ: 0.5秒
内容: [感情マークアップとテキスト]
--- チャンク 2/8 ---
文字数: 102
後のポーズ: 1.0秒
内容: [感情マークアップとテキスト]
[すべてのチャンクについて続ける]
=== 処理サマリー ===
- 元の長さ: 1,234文字
- 平均チャンクサイズ: 154文字
- 保持された感情タグ: 12/12
- 文の区切りが尊重された: はい
- TTS処理準備完了: はい
注意事項
- 常に厳格なサイズ制限よりもナレーションの流れを優先
- チャンク間で感情の弧を保持
- チャンク間に推奨ポーズ時間を含める
- 実際のTTSでテストしてタイミングを確認
- TTSサービスの要件に基づいてチャンクサイズを調整
- 元の未処理コンテンツのバックアップを保持
- デバッグ用のチャンクメタデータの追加を検討