ElevenLabs ナレーション生成
ElevenLabs APIを使用して、Remotion動画向けのプロフェッショナルなAIナレーションを生成します。
前提条件
.env.localにELEVEN_API_KEYを設定してください
クイックスタート
# テキストからナレーションを生成
node ~/.agents/skills/elevenlabs-remotion/generate.js --text "生成したいテキスト" --output public/audio/voiceover.mp3
# ナレータースタイルで生成(より自然)
node ~/.agents/skills/elevenlabs-remotion/generate.js --text "テキスト" --character narrator --output voiceover.mp3
# リクエストスティッチングでシーンを生成
node ~/.agents/skills/elevenlabs-remotion/generate.js --scenes remotion/scenes.json --output-dir public/audio/project/
# 単一シーンを再生成
node ~/.agents/skills/elevenlabs-remotion/generate.js --scenes scenes.json --scene scene2 --new-text "更新されたテキスト"
# 利用可能な音声とキャラクタープリセットの一覧表示
node ~/.agents/skills/elevenlabs-remotion/generate.js --list-voices
node ~/.agents/skills/elevenlabs-remotion/generate.js --list-characters
キャラクタープリセット
画面テキストをそのまま読むのではなく、キャラクタープリセットを使用することでより自然なナレーションになります。
| キャラクター | 説明 | 最適な用途 |
|---|---|---|
literal | テキストをそのまま読み上げる | 画面テキスト、引用 |
narrator | プロの語り手風、スムーズで魅力的 | 解説、ドキュメンタリー |
salesperson | 熱意があり、説得力があり、エネルギッシュ | マーケティング、広告 |
expert | 権威があり、自信に満ち、知識豊富 | 法律コンテンツ、チュートリアル |
conversational | カジュアルで親しみやすく、自然 | ソーシャルメディア、カジュアルコンテンツ |
dramatic | 強烈で感情的、インパクト大 | フック、問題提起 |
calm | 落ち着きがあり、安心感があり、優しい | 信頼構築、結論 |
# ナレータースタイルをグローバルに適用
node ~/.agents/skills/elevenlabs-remotion/generate.js --scenes scenes.json --character narrator --output-dir public/audio/
# または scenes.json でシーンごとに設定
{
"scenes": [
{ "id": "scene1", "text": "問題提起", "character": "dramatic" },
{ "id": "scene2", "text": "解決策", "character": "calm" }
]
}
シーンベース生成(リクエストスティッチング)
ElevenLabsのリクエストスティッチングを使用して、一貫したプロソディで複数のシーンを生成します。
scenes.json の形式
{
"name": "product-demo",
"voice": "George",
"character": "narrator",
"scenes": [
{
"id": "scene1",
"text": "一般的なテキスト読み上げはロボットのように聞こえます。あなたのブランドにはもっとふさわしいものがあります。",
"duration": 4.5,
"character": "dramatic"
},
{
"id": "scene2",
"text": "音声クローンを使用すれば、自分の声で無制限のコンテンツを作成できます。",
"duration": 5.5
},
{
"id": "scene3",
"text": "短いサンプルを録音し、クローンし、数分でプロフェッショナルなナレーションを作成します。",
"duration": 6,
"delay": 0.3
}
]
}
全シーンを生成
node ~/.agents/skills/elevenlabs-remotion/generate.js \
--scenes remotion/product-demo-scenes.json \
--output-dir public/audio/product-demo/
生成されるファイル:
product-demo-scene1.mp3~sceneN.mp3product-demo-combined.mp3(全シーンを結合)product-demo-info.json(メタデータ:各シーンの長さなど)
単一シーンの再生成
シーンの開始が早すぎる、タイミングが合わない、テキストを変更したい場合:
# シーン2を新しいテキストで再生成
node ~/.agents/skills/elevenlabs-remotion/generate.js \
--scenes remotion/scenes.json \
--scene scene2 \
--new-text "更新されたシーン2のテキスト" \
--output-dir public/audio/project/
# シーン3を別のキャラクターで再生成
node ~/.agents/skills/elevenlabs-remotion/generate.js \
--scenes remotion/scenes.json \
--scene scene3 \
--character salesperson \
--output-dir public/audio/project/
# 単なる再生成(同じテキスト、同じキャラクター)
node ~/.agents/skills/elevenlabs-remotion/generate.js \
--scenes remotion/scenes.json \
--scene scene1 \
--output-dir public/audio/project/
# MP4動画にサムネイルを埋め込む
node ~/.agents/skills/elevenlabs-remotion/generate.js \
--embed-thumbnail public/videos/my-video.mp4 \
--thumbnail public/videos/my-thumbnail.png \
--output public/videos/my-video-with-thumb.mp4
このツールは自動的に:
- 前のシーンのリクエストスティッチングを使用して一貫したプロソディを維持
- info.jsonファイルを新しいメタデータで更新
--new-textが指定された場合、scenes.jsonを更新
サムネイル埋め込み
MP4動画にサムネイル画像を埋め込みます。これにより、Twitter、YouTube、その他の動画プレーヤーで、最初のフレームではなくカスタムサムネイルが表示されるようになります。
動画にサムネイルを埋め込む
# 基本使用法 - 出力は video-thumb.mp4
node ~/.agents/skills/elevenlabs-remotion/generate.js \
--embed-thumbnail public/videos/promo.mp4 \
--thumbnail public/videos/thumbnail.png
# カスタム出力パス
node ~/.agents/skills/elevenlabs-remotion/generate.js \
--embed-thumbnail public/videos/promo.mp4 \
--thumbnail public/videos/thumbnail.png \
--output public/videos/promo-final.mp4
Remotionとの連携ワークフロー
# 1. 動画をレンダリング
npx remotion render MyVideo public/videos/my-video.mp4
# 2. サムネイルをレンダリング(Stillコンポジションを使用)
npx remotion still MyVideoThumbnail public/videos/my-thumbnail.png
# 3. サムネイルを埋め込む
node ~/.agents/skills/elevenlabs-remotion/generate.js \
--embed-thumbnail public/videos/my-video.mp4 \
--thumbnail public/videos/my-thumbnail.png \
--output public/videos/my-video-final.mp4
サポートされている形式
- 動画: MP4(H.264/H.265)
- サムネイル: PNG、JPG、JPEG
埋め込みにはffmpegの -disposition:v:1 attached_pic フラグを使用し、ほとんどの動画プレーヤーやプラットフォームが認識する添付画像としてサムネイルを設定します。
タイミング検証
生成後、このスキルは自動的に ffprobe を使用してタイミングを検証します。
検証内容
| チェック項目 | しきい値 | 説明 |
|---|---|---|
| 長さの不一致 | >15% | 実際の長さが期待値と異なる場合に警告 |
| 先行無音 | >200ms | 音声の開始が遅れる(ナレーションの遅延) |
| 後続無音 | >500ms | 末尾に不要な無音がある |
| 発話速度 | 2~4.5語/秒 | 最適は約3語/秒 |
既存の音声を検証
# プロジェクト内の全シーンを検証
node ~/.agents/skills/elevenlabs-remotion/generate.js --validate public/audio/product-demo/
出力例:
🔍 product-demo を検証中(6シーン)
❌ scene1: 3.00秒(期待値: 4.5秒)
❌ 音声が期待値より1.50秒短い
👍 8語 @ 3.1語/秒
⚠️ scene2: 6.35秒(期待値: 5.5秒)
⚠️ 先行無音: 235ms(開始が遅れる可能性あり)
🐢 10語 @ 1.8語/秒
✅ scene4: 4.36秒(期待値: 4秒)
👍 9語 @ 2.3語/秒
📊 合計時間: 30.80秒(期待値: 30.00秒)
更新されたinfo.json
検証後、info.jsonには実際の測定値が含まれます:
{
"scenes": [
{
"id": "scene1",
"duration": 4.5,
"actualDuration": 3.0,
"leadingSilence": 0.05,
"wordsPerSecond": 3.1
}
]
}
正確な同期のために、Remotion構成で actualDuration を使用してください。
オプション
| オプション | 説明 | デフォルト値 |
|---|---|---|
--text, -t | 音声に変換するテキスト | 必須(--file または --scenes も可) |
--file, -f | ファイルからテキストを読み込む | - |
--output, -o | 出力ファイルパス | output.mp3 |
--output-dir | シーン出力ディレクトリ | public/audio |
--voice, -v | 音声名またはID | George |
--model, -m | モデルID | eleven_multilingual_v2 |
--character, -c | キャラクタープリセット | literal |
--scenes | シーン定義JSONファイル | - |
--scene | 再生成する単一シーンID | - |
--new-text | シーン再生成用の新しいテキスト | - |
--validate | 既存の音声ディレクトリを検証 | - |
--skip-validation | 自動検証をスキップ | false |
--embed-thumbnail | サムネイルを埋め込む動画ファイル | - |
--thumbnail | サムネイル画像ファイル(PNG/JPG) | - |
--stability | 音声安定性(0~1) | キャラクターによって異なる |
--similarity | 音声類似性(0~1) | キャラクターによって異なる |
--style | スタイル強調(0~1) | キャラクターによって異なる |
--no-combined | 結合ファイルを作成しない | false |
推奨音声
| 音声 | スタイル | 最適な用途 |
|---|---|---|
George | 温かみのある、魅力的な英国風 | ナレーション、解説 |
Antoni | プロフェッショナルで温かい | 法律コンテンツ、チュートリアル |
Arnold | 権威があり、深みのある | コーポレート、真面目な話題 |
Josh | フレンドリーで会話調 | マーケティング、カジュアルコンテンツ |
Remotionとの統合
シーンナレーション生成後、コンポジションで使用します:
import { Audio, Sequence, staticFile } from "remotion";
// 個別シーンの音声ファイルを使用して正確に同期
const SCENE_DURATIONS = {
scene1: 4.5, // info.jsonから
scene2: 5.5,
scene3: 8.0,
};
export const VideoWithVoiceover: React.FC = () => {
const { fps } = useVideoConfig();
const scene1Frames = Math.round(SCENE_DURATIONS.scene1 * fps);
const scene2Frames = Math.round(SCENE_DURATIONS.scene2 * fps);
return (
<>
<Sequence from={0} durationInFrames={scene1Frames}>
<Audio src={staticFile("audio/project/project-scene1.mp3")} />
<Scene1Visual />
</Sequence>
<Sequence from={scene1Frames} durationInFrames={scene2Frames}>
<Audio src={staticFile("audio/project/project-scene2.mp3")} />
<Scene2Visual />
</Sequence>
</>
);
};
最高の結果を得るためのヒント
- キャラクタープリセットを使用: 画面テキストをそのまま読まず、自然な流れのために
narratorやexpertを使用 - 句読点が重要: ピリオドで間を置き、カンマで短い区切りを表現
- 数値: 自然な発話のために数値は書き出す(「500」ではなく「五百」)
- 省略形: 完全な単語で書く(「24h」ではなく「24時間」)
- シーンごとに: 異なるシーンで異なるキャラクターを使用可能(劇的な導入、落ち着いたCTA)
- 微調整:
--sceneを使用して個別シーンのみを再生成 - リクエストスティッチング: 全シーンで一貫した音声を維持
ワークフロー例
# 1. スクリプトでscenes.jsonを作成
# 2. ナレータースタイルですべてのシーンを生成
node ~/.agents/skills/elevenlabs-remotion/generate.js \
--scenes remotion/my-video-scenes.json \
--character narrator \
--output-dir public/audio/my-video/
# 3. Remotionでプレビュー、scene2の開始が早すぎることに気づく
# 4. 更新したテキストでscene2だけを再生成
node ~/.agents/skills/elevenlabs-remotion/generate.js \
--scenes remotion/my-video-scenes.json \
--scene scene2 \
--new-text "視覚的なタイミングを埋めるための少し長めのテキスト" \
--output-dir public/audio/my-video/
# 5. info.jsonの新しい長さで動画コンポジションを更新
# 6. タイミングが完璧になるまで繰り返し