長文TTSの読み崩れを減らす方法｜台本2行分割と部分再生成の検証手順

長いナレーションや教材音声をTTSで一括生成すると、途中の固有名詞だけが崩れたり、短い一文が不自然になったりすることがあります。完成音声の一部に問題があるだけなのに、全編を再生成すると、すでに良かった部分の発音や間まで変わり、確認作業が最初からやり直しになります。

結論は、長文TTSを「あとで差し替えられる意味のまとまり」に分け、ブロック番号・入力文・音声・字幕を同じ番号で管理し、問題箇所だけを再生成することです。分割単位を文字数だけで決めず、普段の台本なら隣接する2行程度から試すと、文脈を残しながら修正範囲を小さくできます。

長文を一括生成すると修正範囲が広がる理由

TTSは同じ声や設定を使っても、入力の長さ、句読点、前後の語、読み方辞書の適用範囲によって出力が変わります。長い文章を一度に渡すと、途中で崩れた箇所を特定しにくく、再生成した時に別の場所まで変化します。反対に一文ずつ細かくしすぎると、文脈が不足して、語尾や間がばらばらになりやすくなります。

大切なのは、最短に分けることではなく、意味がつながり、かつ交換できる大きさにすることです。会話文なら発話のまとまり、解説台本なら隣接する2行、箇条書きなら項目単位のように、台本の構造を基準に決めます。文字数は補助値として記録しても、唯一の分割条件にはしません。

分割方法	利点	注意点
全文一括	操作が少ない	一部修正でも全編確認が必要
固定文字数	機械処理しやすい	文の途中や固有名詞の直前で切れやすい
一文ずつ	差し替え範囲が小さい	短すぎる入力で抑揚が不安定になりやすい
台本2行など意味単位	文脈と交換性を両立しやすい	見出し・空行・演出メモの除外が必要

元台本と生成用テキストを分けて管理する

音声用に読み仮名や区切り記号を追加する場合でも、公開用の元台本を直接書き換えない方が安全です。元台本、生成へ渡す派生テキスト、表示用字幕を分け、どのブロックがどの行から作られたか対応表を残します。これにより、発音のために変更した表記が字幕へ混ざる事故を防げます。

台本・音声・SRTを分けて進める基本フローと組み合わせると、音声修正で字幕の本文まで書き換えてしまう問題を減らせます。出力形式を編集へ渡す時はWAV・MP3・SRTの確認手順も参考になります。

最初は台本2行を1ブロックとして試す

一つの実務検証では、154行の台本を隣接する2行ずつに分け、77ブロックへ固定しました。空行と章見出しを除き、77件すべてが2行単位になっていることを生成前に機械確認しました。この方法は万能な正解ではありませんが、可変の文字数分割よりも台本上の意味を保ちやすく、後から同じ位置へ差し替えやすい出発点になりました。

1. 台本を行単位にする: 表示上の一文や発話のまとまりを1行として整える
2. 非発話行を除く: 見出し、空行、区切り線、演出メモを音声対象から外す
3. 隣接2行を組にする: 行順を変えず、欠番と重複を検査する
4. IDを付ける: 001、002のような固定番号を音声・字幕・ログで共通にする
5. 短い試聴を行う: 冒頭、固有名詞、数字、英字を含むブロックを先に確認する

台本の1行が極端に長い場合は、2行固定にこだわらず、意味の切れ目で再調整します。反対に短い掛け声が連続する場合は、2行より多くまとめた方が自然なこともあります。分割ルールを変えた時は、同じ台本の一部で比較し、全編へ一気に適用しません。

比較するときは、同じ話者設定と同じ入力文を使い、分割単位だけを変えます。速度や声質まで同時に変えると原因を切り分けられません。採用した分割条件、試聴したブロック番号、判断理由をログへ残せば、次の長文でも検証を再利用できます。

問題ブロックだけを再生成して差し替える

全ブロックを生成したら、読み間違い、イントネーション、ノイズ、無音、語尾の欠けを記録します。修正対象の番号を固定し、ほかの音声ファイルを触らず、対象だけを再生成します。実務検証では、77ブロックのうち問題が残った2ブロックだけを差し替え、ほか75件は再利用できました。

差し替え時は、対象WAVのハッシュや更新時刻が変わり、対象外のファイルが変化していないことを確認します。その後で全体を再結合し、総尺、サンプルレート、チャンネル数、デコード、長い無音、字幕件数、末尾の一致を検査します。部分修正でも、完成音声としての全体検品は省きません。

確認	機械で確認しやすいこと	人が聴くこと
入力	行数、欠番、重複、文字列	意味の切れ目が自然か
音声	ファイル数、形式、長さ、デコード	発音、抑揚、速度、ノイズ
差し替え	対象ハッシュの変化、対象外の不変	前後のつながり、音量差
完成版	総尺、長無音、字幕件数	全編の聞きやすさ

読み方辞書は広く当てすぎない

読み方辞書は固有名詞の再現に役立ちますが、長い文字列を丸ごと登録すると、区切り位置や後続語との組み合わせで不自然になる場合があります。まず元表記のまま複数回試し、必要なら語の最小単位だけを登録します。句読点を発話用テキストだけに加える方法もありますが、表示用字幕は元表記を維持します。

辞書対応の考え方はACS VoiceForgeの読み方辞書アップデートで確認できます。現在の製品情報と入手先はACS VoiceForge製品ページ、関連記事はVoiceForge記事ハブにまとめています。

よくある質問

まとめ

長文TTSの読み崩れを減らすには、全文を一括生成するのではなく、意味を保った交換可能なブロックへ分けます。元台本、生成用テキスト、音声、字幕を同じIDで対応させ、問題ブロックだけを再生成します。修正時刻と採用理由も残しておくと、同じ語で迷った時に前回の判断を再利用できます。最後に対象外ファイルの不変、全体の機械検品、人の実聴まで行えば、修正コストを抑えながら完成音声の品質を守れます。

長文TTSを部分再生成する時にも、AI音声と外部音声を混在させる方法も確認してください。