(91)では、警備員のセリフをひらがなにしたら自然になった(00102)。今回は、そのセリフの表記だけを変えて生成し直した。プロンプトの他の部分は1文字も変えていない。
目次
先に要点
- 変えたのはセリフ2か所だけ。本文の発話と、音の全体指定にある同じ発話。実行履歴のプロンプトを00102と比べて、それ以外の差分がないことを確かめた。
- 変更前「おつかれさま、おそくまでごくろうさまです。」→ 変更後「お疲れ様です、遅くまでっ、大変ですねぇ。 」(促音「っ」、語尾の「ぇ」、読点、末尾の全角空白まで指定どおり)。
- 本人評価は「表現が良くなった」。全体22カットの通用口を00102から00112に置き換えた。
- 音声参照は使っていない。警備員の声は「60代後半、穏やかで落ち着いた男声」という既存の文の指定のまま。(95)で書いた「録音の声質がそのまま移る」経路とは別。
- 「常にひらがなが良い」とは言えなくなった。(91)はひらがな化で良くなり、今回は漢字を含む表記で良くなった。効いたのは「ひらがなか漢字か」ではなく、語句の選び方・文末の形・間を示す記号を含めた書き方全体、という読み。

変更前と変更後
| 00102((91)で採用) | 00112(今回採用) | |
|---|---|---|
| セリフ | おつかれさま、おそくまでごくろうさまです。 | お疲れ様です、遅くまでっ、大変ですねぇ。 |
| 表記 | 全部ひらがな | 漢字あり。促音「っ」、小書き「ぇ」、読点2つ、末尾に全角空白 |
| それ以外の本文 | — | 変更なし(履歴で確認) |
| 参照 | 女性・トート・通用口の内側・警備員の4枚 | 同じ4枚 |
| 音声参照 | なし | なし |
| 本人評価 | 自然になった | 表現が良くなった → 採用 |
表記の案は、別のセリフ生成ソフトで読ませて調整したものを、H3にそのまま渡した。「っ」で言葉を一度切り、「ぇ」で語尾を伸ばし、末尾の空白で間を取る、という意図。追加の抑揚の指示は入れていない。
00112の出来
- 女性は右手にトートを持ち、左の警備窓口の横を通って、奥のガラス扉へ進む。警備員は窓口の中に着席したまま。歩きながら小さく会釈する。
- 1秒間隔の確認画像では、反対方向(会社の中へ戻る動き)は出ていない。
- カメラから女性が離れて全身が写るので、「全編ひざ上の追従」という指定どおりとは言えない。
- 声の評価は本人の聴取による。当方で別に聴き比べたものではなく、抑揚が指定どおりに出たと断定はしない。
実行の条件
| 項目 | 値 |
|---|---|
| 機材 | RTX 5060 Ti 16GB(Windows 11) |
| サイズ | 0.6MP・10秒指定・10step → 672×928・24fps・243フレーム(10.1秒) |
| 生成時間 | 約894秒(14分54秒) |
| 空きRAM | 計算中おおむね5GB台、一時約4.0GB(監視した時点の値)。メモリ不足や保護停止はなし |
全体編集
22カットのうち通用口の00102だけを00112に置き換えた。全体は162.458秒・672×928・24fps・3,899フレーム。改札は(113)の00111のまま。ほかの21カットの順序と長さ、電車の走行音のミックスはそのまま。全編のデコードとフレーム数の照合で確認した。
今回の結論と限界
- セリフは「何を言うか」だけでなく「どう書くか」で変わる。促音・小書き文字・読点・空白は、H3にとっても間や切れ目の指示として働いた、という読み。ただし効いた要素を1つに絞る比較はしていない。
- (91)の「ひらがな化」と矛盾しない。どちらも「読み方が決まる書き方」にした、という点で同じ。
- 声の固定は保証されない。文面を2か所変えただけでも、動作や声が毎回同じに出るとは限らない。

コメント