生成AI研究室(114) 警備員のセリフを「表記だけ」変えて生成し直す——漢字に戻し、促音と小書き文字と末尾の空白を足した00112を採用。「常にひらがなが良い」とは言えなくなった

(114) セリフを表記だけ変えて生成し直す

(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。

00112(10.1秒)。女性の「お疲れ様です」に、警備員が「お疲れ様です、遅くまでっ、大変ですねぇ。」と返す
目次

先に要点

  1. 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。
  2. 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)。
  3. 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。
  4. 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。
  5. 「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。
図1: 00112の連続フレームと、セリフの変更前後

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。

関連

よかったらシェアしてね!
  • URLをコピーしました!
  • URLをコピーしました!

この記事を書いた人

コメント

コメントする

目次