すべての動画で同じ声を使う

よくある失敗と修正方法

開始前に

• キャラクターページ上のキャラクター。作成には名前と少なくとも1枚の写真が必要です。参照画像を追加を押して写真をアップロードし、キャラクターに名前を付けてキャラクターを作成を押します。当社のキャラクターは生成されたポートレートなので、実在の人物は関与していません。
• 名前付き音声を持つ音声モデル。ボイスダイアログには、ElevenLabsモデルとKokoroのみが表示されます。
• ナレーションしたいクリップをライブラリに用意します。当社の場合は、音声なしの5秒クリップ3本です。Kling v3で撮影したランウェイと屋上、Seedance 2.5で撮影した夜のドライブです。

キャラクターに声を保存する

キャラクターページで、キャラクターカードの ... メニューを開き、ボイス を選択します。ダイアログには カタログボイス と ボイスクリップ の2種類があります。カタログボイス を選択してください。音声モデル を選び、次に カタログボイス を選択します。プレビューを再生 ボタンを押すと、そのボイスの録音サンプルを無料で再生できます。必要に応じて言語を追加し、保存 をクリックします。カードの説明の下にボイスが表示されます。

「話す声」でナレーションを作成する

オーディオコンポーザーを開き、ナレーションタスクで話す声を押します。キャラクターを選択します。モデルピッカーが保存済みのモデルに、ボイスリストが保存済みのボイスに切り替わり、ボタン下の行で確認できます：Isla Marr · Sarah で話しています。セリフを入力し、オーディオを生成を押します。2つのガイドでこれを5回連続で行いましたが、ペアは変わりませんでした。

This is the sound of silk at midnight.

Nothing here was built to stand still.

You already know the ending. Wear it anyway.

ボイスの下に背景音とキューを配置する

一行だけの音声は寂しく聞こえます。オーディオコンポーザーの音楽タスクで音楽のベースを作り、効果音で1つのサウンドキューを作成してから、Studioで各クリップのタイムラインを構築します。タイムライン、新しいタイムラインを選択し、左パネルのライブラリタブでクリップの+をクリックします。次に、セリフが始まる再生ヘッドの位置にあるテイク、ベース、およびキューを追加します。

Sleek fashion-show runway track, 120 bpm, deep kick and a crisp clicking hi-hat, glossy synth stabs, instrumental, no vocals. Strong dynamics: two seconds of the full groove, then four seconds of a hushed, near-silent filtered pulse, then the full groove slams back in, and that shape repeats through the track.

Dark synthwave night-drive track, 100 bpm, driving analog bass arpeggio, gated snare, cold pads, instrumental, no vocals. Strong dynamics: two seconds of the full drive, then four seconds of a sparse, hushed passage with only a low filtered bass, then the full drive returns, and that shape repeats through the track.

Warehouse rave build for a rooftop party at night, 128 bpm, instrumental, no vocals: a soft muffled kick and a quiet rising filtered riser that builds for five seconds, then a huge drop with open hi-hats and a big supersaw lead, and that quiet build and big drop repeat through the track.

キューはそれぞれElevenLabs Sound Effects v2で短い1行で、Mark Outでトリミングして音声と重ならないようにしています。ランウェイの最初の1秒間のカメラシャッター、ドライブのセリフ後のエンジンと水しぶき、そしてルーフトップの紙吹雪が舞う際の観客の歓声です。再生ボタンを押してください。モデルと音声設定が毎回同じリクエストだったため、3つの動画すべてで同じ声が使われており、音楽の上に配置されています。

各エクスポートを測定しました。無音のギャップは0.5秒を超えず、彼女が話している間は声が他のすべての音より少なくとも3 dB高くなっています。これらのタイムラインではすべてのレーンを同じレベルでミックスしていたため、これらの数値は設定によるものではなく、選択した部分に基づいています。

実行方法3選

API については キャラクターとロケーション に記載されています。キャラクターの音声は、キャラクターIDを使った音声生成と、キャラクターの音声を指定した動画生成で使用されます。このガイドではコンポーザーパスを実行しました。他の2つのパスではありません。

再生成が必要な場合

• 納品物は依然としてわずかに異なります。 音声とモデルは同じでも、各テイクは新しい読み上げになります。セリフが平坦に聞こえる場合は、もう一度実行してください。音声自体は変わりません。
• BGM がまだ言葉を覆っている場合。 エクスポート時に音声の下で音楽は自動的に下げられますが、音量の大きい部分ではセリフがかき消される可能性があります。オーディオインスペクターでBGMの クリップの音量 を下げるか、マークインを静かな部分に移動してください。
• 自分の声は手動で選択します。有料プランでは、オーディオコンポーザーの「Voice」リストにあるカスタムボイスを作成を使用すると、ElevenLabsの音声モデルで10秒から5分間の録音から声をクローン化できます。「Characters」ページの音声ダイアログは、カタログ音声と音声クリップのみを保存するため、「Speak as」ではカスタムボイスをまだ使用できません。毎回「Voice」リストから選択してください。キャラクターの音声クリップは、それを受け取るモデル用の参照であり、テキスト読み上げ音声ではありません。
• 速度はAPIのみで調整可能です。現在、コンポーザーに速度調整機能はありません。

費用について

音声の保存は無料です。プレビューも無料です。各行は、モデルの文字単位の料金が最低料金付きで課金されます。各音楽ベッドと各キューは一律の料金です。クリップは長さによって価格が決まっており、Studioのエクスポートは課金対象外です。

試してみる

Fashion film, one continuous shot. A model in a sculpted emerald green floor-length gown with long sleeves walks down a mirrored runway toward the camera, camera strobes flashing from the crowd in silhouette on both sides, white haze, slow motion, low tracking shot moving backwards, anamorphic flares, deep blacks. No text, no logo.

Premium car commercial, one continuous shot. An original concept coupe that resembles no production car: a low, wide, wedge-shaped matte white body with a single thin continuous light bar across the nose, no grille, no badges, a smooth flush glass canopy, enclosed rear wheel arches and a sharp ducktail rear. It slides sideways through a wet night street lined with bare concrete walls and plain vertical neon tubes in teal and magenta, no shop windows, no signs, no lettering anywhere. Rain streaks in the air, neon reflections stretched across the asphalt, low side tracking shot, spray from the tyres, motion blur on the passing lights, cinematic contrast.

Music video, one continuous shot. A rooftop rave at night: a dense crowd in silhouette wearing long dark coats, hoodies and bucket hats, arms raised, under sharp green laser beams fanning through a thick haze layer, confetti bursting in slow motion, a city skyline of blurred lights behind them, low handheld camera looking up, backlit, high contrast. No text, no logo.

あなたのクリップと音楽ベッドは、私たちのものとは一致しないでしょう。プロンプトはモデルにシーンやムードを伝えるものであり、テイクを指定するものではないため、Mark In 用に自分だけの静かな部分を見つけてください。キャラクターがボイスを保持しているため、ボイスは一致します。

チェックリスト

1. 名前と写真のあるキャラクターが存在します。
2. ボイスダイアログ：カタログボイス、名前付きボイスを持つモデル、プレビュー再生、保存済み。
3. オーディオコンポーザー：「Speak as」にキャラクターが表示され、ノートにボイス名が記載されています。
4. 各行につき1回の生成。カットする前に各テイクを確認してください。
5. 強いダイナミクスを指定して作成した音楽ベッドと、クリップごとに1つのキュー。
6. Studio：クリップ、再生ヘッド位置でのテイク、静かな部分からの5秒間のベッドウィンドウ、ボイスと重ならないキュー、動画のエクスポート。