オーディオタグとは？感情表現TTSの完全ガイド
- 公開日
- 最終更新日
オーディオタグは、[laughs]、[gasps]、[excited]、[worried] などの角括弧で囲まれた自然言語のキューです。Eleven v3はこれらを発話する単語ではなく、演技指示として読み取ります。テキスト読み上げモデル用のスクリプトを書く際に、こうしたオーディオタグを挿入することで、感情表現を細かくコントロールできます。Eleven v3によって、オーディオプロンプトが必須スキルになりました。AI音声に話してほしい言葉を入力するだけでなく、新たな機能であるオーディオタグを使って、感情から話し方まで自在にコントロールできます。
Eleven v3はアルファ版のリサーチプレビューとなる新モデルです。従来モデルよりもプロンプトエンジニアリングが必要ですが、その生成結果は圧倒的です。
ElevenLabsオーディオタグは、角括弧で囲んだ単語で、新しいEleven v3モデルが解釈し、音声表現を指示できます。[excited]、[whispers]、[sighs]から、[gunshot]、[clapping]、[explosion]まで、さまざまなタグが使えます。
オーディオタグを使うと、
このガイドでは、オーディオタグとは何か、どのように機能するのか、利用できるタグのカテゴリ、そしてSSML（Speech Synthesis Markup Language）との違いについて解説します。よくある使い方も紹介し、それぞれ専用ガイドへのリンクも掲載しています。
オーディオタグはスクリプトのどこにでも挿入でき、リアルタイムで話し方を調整できます。タグを組み合わせて使うことも、1文の中で複数使うことも可能です。タグは主に以下のカテゴリに分かれます：
まとめ：
これらのタグで声の感情的なトーンを設定できます。たとえば、[sad]、[angry]、[happily]、[sorrowful]などを単独または組み合わせて使えます。
オーディオタグはスクリプト内にそのまま書き込み、角括弧で囲みます。たとえば、普通の話し方から[worried]に切り替えたい場合は、オーディオタグを追加するだけです。
こちらはトーンやパフォーマンスの調整に使います。ボリュームやエネルギーを変えて、抑えたい場面や強調したい場面に合わせられます。例：[whispers]、[shouts]、[x accent]など。
人間らしい反応
Eleven v3のアーキテクチャにより、従来モデルよりも深い文脈理解が可能になりました。感情のキューやトーンの変化、話者の切り替え、文脈のヒントなどを、特別なパラメータや設定なしで読み取ります。必要な表現をモデルに伝えるだけで、思い通りの演技をしてくれます。
Eleven v3は、複数話者の自然な会話も得意です。割り込みや気分の変化、リアルなやりとりも、タグとスクリプト構成だけで表現できます。
オーディオタグとSSMLの違い
他のTTSシステムを使ったことがあれば、Speech Synthesis Markup Language（SSML）に触れたことがあるかもしれません。Amazon PollyやMicrosoft Azure Speechなどのプラットフォームでは、<break>や<emphasis>などのSSMLタグを使ってTTSスクリプトに追加情報を与えます。複数話者のダイアログも自然に作成可能です。割り込みやムードの変化、会話のニュアンスも最小限のプロンプトで表現できます。
現在利用可能
Eleven v3はSSMLのbreakタグやその他のSSMLタグには対応していません。その代わり、オーディオタグや句読点、テキスト構成自体で細かなコントロールが可能です。
Eleven v3はElevenLabsのUIで利用でき、6月末まで80％オフでご提供中です。Eleven v3（アルファ）のパブリックAPIも利用可能です。試してみたい方も、大規模導入を検討中の方も、今が新しい可能性を探るチャンスです。
下の表で、よく使われるSSMLタグとEleven v3での対応方法を確認できます。
執筆者の立場から見ると、[whispers] を1行に追加する方が、プロソディ（抑揚）レートを設定するよりずっと簡単です。「読む」だけでなく「演じる」ためには、オーディオタグの使いこなしがカギです。タグの使い方をわかりやすく解説した7つのガイドを用意しました。たとえば、【ささやき】, 【小さく笑う】や、【フランス語なまり】などのタグで、文脈や感情、話し方、複数キャラクターの会話まで、1つのモデルで自在に表現できます。
v3のオーディオタグカテゴリ：タグで演技を指示
- 状況認識 – たとえば、
【ささやき】,【叫ぶ】、【ため息】などのタグで、その場の雰囲気に合わせて緊張感を高めたり、警告を和らげたり、サスペンスのために間を取ったりできます。 - キャラクターパフォーマンス –
【海賊風】から、【フランス語なまり】まで、タグを使えばナレーションがロールプレイに変わります。途中でキャラクターを切り替えたり、モデルを変えずに本格的な演技も可能です。 - 感情の文脈 –
【ため息】,【興奮気味】や、【疲れた様子】などのキューで、その瞬間ごとの感情を表現し、緊張や安心、ユーモアを重ねられます。録り直しは不要です。 - ナラティブインテリジェンス – 物語はタイミングが大切。たとえば、
【間】,【感嘆】や、【ドラマチックな口調】リズムや強調を調整できるので、 - 複数キャラクターの会話 –
【話を遮る】,【重なって話す】やトーンの切り替えで、重なり合うセリフやテンポの良い掛け合いも表現できます。1つのモデルで多彩な声を使い分け、自然な会話を実現します。 - 話し方のコントロール – 間や強調を細かく調整。たとえば、
【間】,【急ぎ気味】や、【引き延ばす】などのタグでテンポを自在に操り、テキストをパフォーマンスに変えます。 - アクセントの再現 – 地域ごとのアクセントも即座に切り替え可能—
【アメリカ英語なまり】,【イギリス英語なまり】,【アメリカ南部なまり】など、多様な文化的ニュアンスをモデルを変えずに表現できます。
