Seed Audio はじめに

Seed Audio は、ElevenLabs のインフラストラクチャ上に構築されたテキスト読み上げおよび対話生成ツールで、NanoPhoto プラットフォームから利用できます。このサービスは、書き起こしスクリプトを MP3 オーディオに変換し、単一音声のナレーションと複数話者による割り当てボイス付き対話の 2 つの主要モードを提供します。

[laughing]（笑い声）、[whispering]（ささやき）、[sighs]（ため息）、[short pause]（短い間）などのパフォーマンスタグを使用して、表現スタイルを細かく制御できます。Natural（ナチュラル）、Warm（ウォーム）、Cinematic（シネマティック）の 3 つのプリセット方向性が、解説動画、予告編、オンボーディング資料など、さまざまなコンテンツタイプに合わせてペースとトーンを調整します。

ワークフローは「作成-指示-レンダリング-試聴-ダウンロード」のループで構成され、エクスポート前にブラウザ内で MP3 をプレビューできます。出力は、動画編集、ポッドキャストの下書き、広告モックアップ、製品デモなどに利用できます。

Seed Audio は、ElevenLabs のテキスト読み上げ（text-to-speech）およびテキスト対話（text-to-dialogue）モデルを活用した、簡素化された4ステップのワークフローで動作します。ユーザーはまずソーススクリプトを作成します。ナレーション用の単一パラグラフか、複数話者シーン向けの2〜4ターンの対話形式です。次に音声を選択します。テキスト読み上げモードでは1人のナレーター、対話モードでは各ターンに異なるキャラクターの声を割り当てます。[warmly]（温かみを込めて）、[curious]（好奇心旺盛に）、[laughing]（笑いながら）、[whispering]（ささやくように）、[sighs]（ため息）、[short pause]（短い間）などの演技タグが感情表現とテンポを指示します。最後にシステムがブラウザ上で再生可能な MP3 プレビューを生成し、ダウンロード前にすぐに試聴できます。動画編集、ポッドキャストの下書き、広告モックアップ、製品デモなどに利用できます。

Seed Audio は、テキスト読み上げと複数話者対応の対話生成を、ElevenLabs を搭載した単一のブラウザツールに統合し、個別のエディタを行き来する必要をなくします。[laughing]、[whispering]、[sighs]、[short pause] といったパフォーマンスタグにより、Natural、Warm、Cinematic の各話法スタイルにわたってきめ細かな感情制御が可能です。また、ターンごとに音声を割り当てられるため、ポッドキャスト、ゲームプロトタイプ、ストーリーボードデモで信頼性の高いキャラクター間の対話を実現します。記述から指示、レンダリング、試聴、ダウンロードまでの一貫したワークフローにより、公開可能な MP3 を数秒で生成できます。ただし、ワークフローは ElevenLabs の音声ライブラリに限定されており、カスタム音声トレーニング、API アクセス、バッチ処理には対応していません。また、年間 668 ドルの価格帯は、気軽な実験用途としては高めです。

メリット

• TTS（テキスト読み上げ）と対話生成を1つのツールに統合
• パフォーマンスタグで感情や話し方を制御
• 複数話者による対話シーンと話者割り当てに対応
• ブラウザ上で高速MP3プレビューとダウンロード
• 3つの話し方スタイル：Natural、Warm、Cinematic

デメリット

• ElevenLabsアカウントが必要
• クレジット制の料金モデルで使用量が制限される
• 音声のみの出力で動画同期は非対応
• カスタム音声クローン機能については言及なし
• Web版のみでオフライン非対応