AIToday
音声・スピーチZenn AI/ML掲載日時: 2026年11月21日 4:00

AIが口調の指示文まで読み上げた。冒頭を切って使った話

LINEで送る
AIが口調の指示文まで読み上げた。冒頭を切って使った話

3つのポイント

  1. 何が起きたか

    10行の台本と「有能な秘書の口調で」の指示を1回でGeminiのTTSモデル(音声Laomedeia)に送ると、62.7秒の音声は冒頭約15秒が指示文の読み上げで、台本部分は47.7秒だった。

  2. なぜ重要か

    faster-whisperによる文字起こしは音声と台本の一致を自動確認する工程に既に組み込まれており、指示文の混入は一致率を下げるため検出できた。

わからないところ、AIに聞けます

質問と回答はこのページに公開されます。

こういう要約が、毎朝あなたのメールに届きます。

背景と解説

この試みは、小さく繰り返されてきたワークフローから生まれた。AI役員のペルソナと毎日会議をするエンジニアが、その様子を約1分の動画にまとめている。これまで音声は手作業で作っており、Geminiで生成した動画から音声だけを抜き出していたため、台本から音声までが一発で完結したことはなかった。TTS APIを直接呼び出す案はCTO役のAIから出たもので、台本から音声へ一度で進める点が魅力だった。

その後の展開を形づくった設計上の選択が2つある。モデルを1行ごとに10回呼び出すのではなく、10行すべてを1回の呼び出しで送った。行ごとに呼ぶと声の調子が呼び出しごとに変わりやすいと考えたためで、行ごとのタイミングは後から文字起こしで復元する方針だった。また、モデルが口調の指示を台本と一緒に受け取ったため、両方を読み上げるテキストと解釈し、62.7秒のファイルの先頭に約15秒の指示が入り、削除後に台本部分が47.7秒残った。

この失敗が黙って見過ごされず検出できたのは文字起こし工程のおかげだ。台本との一致率90%以上を自動確認する用途が既に予定されており、指示文の混入はそのスコアを下げる。課題も残る。フロー全体はまだ承認待ちの草案で、フィールドを分ける修正は未検証だ。

よくある質問
指示文が読み上げられたことにどう気づいたか?
生成した音声をfaster-whisperで文字起こしし、冒頭に指示文のテキストがあるのを確認した。
どの音声とモデルを使ったか?
Geminiの音声合成(TTS)モデルで、Laomedeiaという高めの少女の声を使い、有能な秘書として振る舞う口調の指示を送った。
どう修正する予定か?
口調と役割の指示は専用の指示フィールドで送り、読み上げるセリフだけを読み上げフィールドに入れる考えだが、まだ試していない。
LINEで送る

あなたの仕事に関係するAIニュースを、毎朝お届けします。

業界と使っているAIツールを選ぶと、仕事に関係するニュースが毎朝届きます。

登録無料・Googleアカウントなら30秒・いつでも解除できますAITodayについて →

AIに質問

この記事についてわからないことをAIに質問できます。AIはこの記事・AIToday の過去記事・Wikipedia を読み、出典を付けて答えます。Q&Aはこのページに公開され、他の読者も読めます。

質問と回答はこのページに公開されます。

このようなAIの動きを、御社の業界・競合に合わせて毎日届ける法人プランもあります → 詳しく見る

関連記事

次の記事へ米大手テック、生成AIの競争軸を代行力に移す