OpenAI.fmで感情豊かなAI音声を作る方法

TL;DR

OpenAI.fmでは、声の話し方を指示するプロンプト、読み上げる文章、声の種類を設定するだけで、感情や雰囲気を反映した音声を生成できる。生成音声は共有やダウンロードができ、台本の読み上げ、朗読、ポッドキャスト、AIアバターなどに活用できる。

Transcript

はいこんにちはケトですこのチャンネルは 生成案最新情報や活用事例を紹介してます 是非チャンネル登録のどお願いいたします そして今回はOpenAIが新しく リリースしたカスタマイズされた声をAI で生成することができるウェブサイト openai.FMを使っていきたいと 思いますえこれですねすごく面白かった ですそしてですね今後この声を カスタマイズして作っていくっていうのが YouTubeの台本読み上げやポッド キャストえそして本の朗読やリアルタイム の翻訳などいろんな活用の幅がですねある と思いますので是非ですね皆さんも1回 触ってみていただきたいですということで ですねやっていきましょうはいということ でこちらがですねオーAが新しくリリース したカスタムボイスを作成することが できるope... Read More

Key Insights

• ・OpenAI.fmは、話し方を指定するプロンプト、読み上げ用スクリプト、ボイスの3要素を設定し、目的に合わせたAI音声を生成できる開発者向けのデモ環境である。
• ・音声プロンプトは、時代劇風、渋い男性、京都の方言、落ち着いた口調など、人物像や感情、発話スタイルを言葉で具体的に指定するための設定である。
• ・生成された音声は共有とダウンロードが可能であり、YouTubeの台本読み上げ、ナレーション、ポッドキャスト、本の朗読などの素材として利用できる。
• ・日本語音声の作成は、求める声の概要をChatGPTで音声用プロンプトに整え、別途作成した読み上げ文章とボイスをOpenAI.fmで組み合わせる手順である。
• ・音声から直接音声を返す方式はリアルタイムの応答に向き、発話を文字化し、LLMの回答を再び音声化するチェイン方式は比較的高精度だが遅いと説明されている。
• ・紹介された音声認識モデルはリアルタイム処理を得意とし、ノイズキャンセルと話者の発話終了を自動検出する機能がAPIに組み込まれていると説明されている。
• ・アップロード可能な形式としてMP3、MP4、MPEG、MPGA、M4A、WAV、WebMが挙げられ、ファイルサイズの上限は25MBと紹介されている。
• ・セミナー冒頭の制作例は、資料から台本を生成し、OpenAI.fmで音声化したMP3をAIアバターへ追加して、登壇者への紹介と進行の受け渡しを映像化する流れである。

Questions & Answers

Q: OpenAI.fmで感情豊かなAI音声を作る方法は？

話し方や感情を指定するプロンプト、読み上げてほしい文章、使用するボイスを順番に設定して再生します。動画内では、時代劇風の渋い声や京都の方言などをプロンプトに指定し、それに合う約500文字の台本を入力して日本語音声を生成しています。完成した音声は共有やダウンロードが可能だと紹介されています。

Q: OpenAI.fmの音声プロンプトには何を書けばよいですか？

人物像、声の雰囲気、感情、口調、方言など、完成させたい話し方の条件を書きます。動画内の例では、時代劇風、渋い声、京都の方言といった概要をChatGPTのカスタムGPTへ渡し、OpenAI.fmの入力欄に適した形へ整えています。セミナー用では、好奇心が高く、はきはきして聞き手をわくわくさせる話し方を指定しています。

Q: OpenAI.fmで日本語の音声を生成する手順は？

最初に日本語で希望する声の特徴を整理し、それを音声用プロンプトへ変換します。次に、その雰囲気に合う読み上げ文章を作ってスクリプト欄へ貼り付け、最後に男性や女性などのボイスを選択して再生します。動画ではChatGPTを利用してプロンプトと台本を作り、OpenAI.fmへコピーして音声を完成させています。

Q: OpenAI.fmで生成した音声は何に活用できますか？

YouTube動画の台本読み上げ、ナレーション、ポッドキャスト、本の朗読、AIアバターの発話などに活用できます。動画では、リアルタイム翻訳、音声カスタマーサポート、音声チャットボットも候補として挙げています。ただし、リアルタイム機能や外部サービスとの連携には、別途開発が必要になる場合があると説明されています。

Q: 音声エージェントのスピーチ・トゥ・スピーチ方式とは何ですか？

入力された音声を使って、直接音声で返答するマルチモーダル方式です。動画では、返答が速く、リアルタイムの対話に向いている方式として説明されています。一方、音声を文字に変換してから回答を作るチェイン方式とは処理の流れが異なり、素早い応答を重視する音声アプリケーションの構築候補として紹介されています。

Q: 音声エージェントのチェイン方式とは何ですか？

音声をいったんテキストへ変換し、そのテキストをLLMで処理して回答文を作り、最後にテキスト読み上げで音声へ戻す方式です。動画では、音声から直接返答する方式よりも比較的高精度な会話が可能である一方、複数の処理を順番に通るため応答が遅くなるという特徴が説明されています。

Q: 新しい音声認識モデルにはどのような機能がありますか？

動画では、GPT-4系の新しい音声認識モデルはリアルタイム処理を得意とし、ノイズキャンセル機能を備えると説明されています。また、話者が発話を終えたタイミングを自動的に検出する機能もAPIに組み込まれているとされています。これらは音声で対話するアプリケーションの構築を想定した機能として紹介されています。

Q: 音声ファイルをアップロードする際の形式と上限は？

動画内では、MP3、MP4、MPEG、MPGA、M4A、WAV、WebMがアップロード可能な形式として挙げられています。ファイルサイズの上限は25MBと説明されているため、長い動画よりも音声ファイルを中心に扱う用途が想定されています。実際に利用する際は、対象ファイルが形式と容量の両条件を満たしているか確認する必要があります。

Q: OpenAI.fmの音声をAIアバターに話させる方法は？

OpenAI.fmで作成した音声をMP3としてダウンロードし、AIアバター作成ツールの音声入力機能へアップロードします。動画の例では、追加した音声を文字起こしさせ、選択したオリジナルアバターに発話させて映像を生成しています。使用されたツールでは音声ファイルの追加機能が有料プラン向けと説明されているため、利用条件の確認が必要です。

Q: AI音声でセミナーの冒頭映像を作る方法は？

まずセミナー資料をChatGPTへ渡し、参加者への挨拶、講座の概要、登壇者への受け渡しを含むオープニング台本を作ります。次に、明るく好奇心を引き出す話し方のプロンプトと台本をOpenAI.fmへ入力して音声を生成します。最後にMP3をAIアバターへ追加し、口の動きと音声を組み合わせた司会映像として出力します。

Summary & Key Takeaways

• OpenAI.fmでは、話し方を指定するプロンプト、読み上げてほしいスクリプト、使用するボイスを設定して音声を生成する。動画内では、時代劇風の渋い男性、京都の方言、落ち着いた語り口などの条件をプロンプト化し、約500文字の台本と組み合わせて日本語音声を作成した。生成結果は人間らしい抑揚を持ち、共有やダウンロードにも対応すると紹介されている。

• 活用先として、YouTube動画の台本読み上げ、ナレーション、ポッドキャスト、本の朗読、リアルタイム翻訳、音声カスタマーサポートなどが挙げられている。音声エージェントには、音声から直接音声を返す方式と、音声を文字化してLLMで回答を作り、再び音声化する方式がある。動画では、前者は応答が速く、後者は比較的高精度だが遅いと説明している。

• 具体例では、セミナー資料をChatGPTに読み込ませて冒頭用の台本を作り、OpenAI.fmで明るく好奇心を誘うナレーション音声に変換している。さらに、そのMP3をAIアバター作成ツールへアップロードし、文字起こしと口の動きを組み合わせたセミナー司会映像を完成させた。音声生成だけでなく、台本作成、音声化、アバター映像化までを連携する制作手順である。