応用機能
マルチボイス台本
JSON 台本で各セリフをどのボイスが読むかを制御し、複数キャラクターの対話や台本の演出を実現します。
基本の TTS は「一つのテキストを一つのボイスが読む」形式です。マルチボイス台本では代わりに、どのセリフを誰が話すかを 1 行ずつ制御できます — 3 人のディベート、小説の対話、あるいは各キャラクターが自分のボイスとセリフを持つ教材シナリオなど。
リクエストの開始
マルチボイス台本を使いたいと AI に伝えます。AI が複数キャラクターの対話を組み立て、話者ごとに異なるボイスを割り当てます。この例では：
- Su Zhe（落ち着いた男性ボイス）— ホスト。オープニングと主要な論点を担当
- Ruo Yun（温かみのある女性ボイス）— 質問役。論点の緊張を引き出して掘り下げる
- Yuan Ye（北京訛りの男性ボイス）— 締め役。哲学的なまとめを担当
台本の構造
生成される台本は素の JSON ファイルです。各セリフは content（話す内容）と speakerId（どのボイスが話すか）を指定し、配列の順序どおりに読み上げられます：
この構造の要点は完全に決定論的（deterministic）であることです — 2 人が交互に話す会話、3 人の座談会、ナレーションを挟んだモノローグは、いずれも同じ配列の並べ方が違うだけです。台本は手で書いても、説明をもとに AI に生成させても構いません。
完成した対話
送信からおよそ 30 秒で、3 人の対話が完成します。AI は試聴リンク、字幕ファイル、ボイスの構成、対話の構造を返します：
FlowTTS と Script の違い
| 観点 | FlowTTS（単一ナレーター） | Script（マルチボイス） |
|---|---|---|
| 制御の粒度 | テキスト全体を 1 つのボイスで | セリフ単位で複数のボイス |
| 適した用途 | 記事の読み上げ、長文 | 対話、台本、オーディオブック |
| 入力形式 | プレーンテキスト | JSON（scripts 配列） |
| 編成の自由度 | 低 | 高 |
基盤となる API については 音声合成 API リファレンス を参照してください。