TTSに正確なポーズを追加する方法

エディタにテキストを入力します。デフォルトのポーズだと文同士がつながって流れていきます。多くの場合はこれで十分ですが、重要な場面ではより長い呼吸が欲しいときがあります。

ポーズを入れたい位置にカーソルを置き、ツールバーのポーズアイコンをクリックします。カーソル位置に小さなマーカー — -. — が挿入されます。TTSエンジンはこれを短く自然なポーズとして読み上げます。完全なSSMLをサポートしていない音声を含む、すべての音声で動作します。

ポーズアイコンは呼吸の間を追加する最速の方法です。SSMLの知識は不要です。

正確なタイミングを指定するには、SSMLのブレイクタグを直接入力します。1秒なら <break time="1s"/>、半秒なら <break time="500ms"/> です。秒(s)とミリ秒(ms)、好きな単位を使えます。

ツールバーで ① SSML をクリックしてSSMLパネルを開き、② Break をクリックするとビジュアルピッカーが起動します。タグの構文を覚える必要はありません。プリセットを選ぶか、数値フィールドに値を入力するだけです。

Breakモーダルには八つのクイックポーズプリセットが用意されています: 200ms · 300ms · 500ms · 700ms · 1000ms · 1500ms · 2000ms · 5000ms。任意のプリセットを1回クリックすると、対応するブレイクタグがカーソル位置に挿入され、モーダルが閉じます。

カスタムの長さが必要な場合はManualセクションを使います: ① 秒(0〜30)またはミリ秒(50〜1000)で値を入力し、② Insert をクリックします。指定したタイミングのタグが挿入されます — 例えば <break time="750ms"/> のようにです。

長めの間には秒(1s、2s、5s)、細かい調整にはミリ秒(250ms、600ms、850ms)を使います。

エディタの下の Settings を開きます。中央の列 — Pause Control — には二つのドロップダウンがあります: ① Pause for paragraphs(デフォルト400ms)は空行で区切られたテキストブロック間の沈黙を制御します。② Pause for sentences(デフォルト300ms)は文末の句読点ごとの間を制御します。

範囲は150msから30秒まで。ポッドキャストやオーディオブック、じっくり聴かせるコンテンツには長めの値を、テンポの速い広告やニュースには短めの値を使います。

Convert to Speech をクリックします。SpeechGenはツールバーのマーカー、手動のブレイクタグ、グローバルポーズコントロールの設定を組み合わせて、あなたが設定したすべてのポーズを反映してテキストを生成します。下のプレイヤーで結果を聴いてみましょう。

では、ブレイクの長さを一つ変えてみましょう — 例えば <break time="1s"/> → <break time="3s"/> のように — そしてもう一度Convertをクリックします。結果パネルを見てください: ① Smart Cache 100% が表示され、② 0 Limits の消費となっています。

SpeechGenはテキストを文単位で音声化し、生成された各チャンクをキャッシュします。ポーズの長さを変更したり、ブレイクタグを追加・編集したりするだけなら、実際の音声チャンク自体は変わりません。それらはキャッシュからゼロコストで提供されます。ペース配分は何度でも調整できます。