小説のテキストや動画の脚本を魅力的な登場人物の対話へ変換する作業は、一般的なナレーションの読み上げよりもはるかに高度な表現力が求められます。標準的な音声合成（TTS）ツールは平坦かつ機械的なリズムになりがちで、オーディオブックやドラマ性の高い動画シーンでは視聴者の没入感を損なう原因となります。Lovo.ai Gennyにおいて人間味あふれるキャラクター対話を実現するには、単一話者向けのSimple Modeから脱却し、**Advanced Mode（高度モード）**を活用することが不可欠です。話者ごとのテキスト分割、感情プリセットの適用、0.1秒単位のポーズ挿入、語句レベルの強調（Emphasis）、そしてProducer Modeによるピッチ調整を組み合わせることで、合成音声に本物の演技力を吹き込むことができます。
緊迫した掛け合いを描くオーディオブック制作者から、映像のカット割りにセリフのタイミングを完璧に同期させたい動画編集者まで、実務で役立つ具体的なステップと調整ノウハウを解説します。
ステップ1：Advanced Modeで複数話者の対話タイムラインを構築する
GennyのSimple Modeは単一話者による手短なナレーション生成に特化しており、複数キャラクターによる複雑な対話の演出には適していません。キャラクター対話の制作は必ずAdvanced Modeから開始します。
- 高度プロジェクトの作成： Gennyのワークスペース画面で New Project をクリックし、Advanced Mode を選択してタイムライン編集画面を開きます。
- 話者ごとにテキストブロックを分離： 会話全体をひとつのブロックに貼り付けるのではなく、セリフのやり取りごとに独立したテキストブロック（Text Block）を新規作成します。
- キャラクター専用の音声モデルを割り当て： 各ブロック上部の Change Voice をクリックし、Gennyが提供する500種類以上の音声ライブラリからキャラクターの属性に合ったボイスを選択します。
- 感情対応モデルのフィルタリング： 対話のクオリティは使用する音声モデルの表現力に大きく左右されます。ライブラリのフィルターで「Emotion（感情）」に対応したボイスを絞り込みます。Gennyには感情表現に長けた150種類以上の自然な音声が用意されており、これらを選択することで単調な中立トーンを回避できます。
ステップ2：感情プリセット（Emotion Presets）の選択と細分化
対話の最初から最後まで全く同じトーンで話すと、不自然な合成感が強まります。Gennyには、Cheerful（陽気）、Sad（悲哀）、Angry（怒り）、Terrified（恐怖）、Hesitant（ためらい）、Euphoric（高揚）、Whisper（囁き）など、25〜30種類以上の感情プリセットが備わっています。
- 感情の変化をセリフ内で捉える： 感情はキャラクター全体に一律に適用するのではなく、状況に応じて変化させます。例えば、平静を装っていた人物が文末で激昂する場合、セリフを2つのテキストブロックに分割します。前半にはニュートラルまたはHesitantを適用し、後半の反駁にはAngryプリセットを割り当てることで、劇的な感情の高まりを再現できます。
- 生成前のサンプル試聴： 音声モデルによって、同じ感情タグでも表現の強弱が異なります。「Sad」であっても静かな落胆を示す声もあれば、震えるようなトーンになる声もあります。クレジット消費を抑えるためにも、長文を一括生成する前に1〜2文の短いサンプルを試聴し、シーンのニュアンスに合致しているか確認してください。
ステップ3：呼吸の間（ポーズ）とタイムライン上のペーシング調整
人間の対話には、息継ぎや逡巡、相手の発言への割り込みなど、多様なリズムの揺らぎが存在します。Gennyでは以下の手法でペーシングを自在にコントロールできます。
- 0.1秒単位のマイクロポーズ（Pauseツール）： スクリプト編集画面の左側パネルにある Pause アイコンをクリックします。単語の間や句読点の直後にカーソルを合わせることで、0.1秒単位から任意の無音時間を挿入できます。重要な告白の前に0.2〜0.4秒の短い間を置くだけで、キャラクターの葛藤を雄弁に物語ることができます。
- スナップツール（Snap Tool）の解除による自由な配置： ProおよびPro V2ボイスを活用する場合、タイムライン上で音声ブロックを直接ドラッグしてタイミングを微調整するのが効果的です。タイムライン上部にある磁石アイコンの Snap Tool をオフにすることで、グリッドへの自動吸着を無効化できます。
- セリフの重なりや割り込み： 次の話者の音声ブロックを左へわずかに手繰り寄せ、前の話者の語尾が消え去る直前にカットインさせることで、緊迫した言い争いを表現できます。
- 余韻と沈黙の演出： 音声ブロック間の距離をあえて広げることで、映像のクローズアップや心理描写に寄り添う意味深い沈黙を作り出せます。
- 話速（Speed）の最適化： オーディオブック制作では、全体の速度を-2%〜-5%程度わずかに落とすことで、AI音声特有の急ぎ足感を緩和し、落ち着いた重厚な演技感を引き出せます。逆に切迫した状況ではブロック単位で速度を上げるのが有効です。
ステップ4：強調（Emphasis）・音高（Pitch）・発音辞書による機械感の払拭
感情プリセットで骨格を整えた後は、細部のアクセントとイントネーションを詰めてリアリティを完成させます。
- 語句レベルの強調（Emphasis）： 会話の中で際立たせたい重要な動詞、固有名詞、反語的表現などをブロック内で選択し、Emphasis ツールを適用します。これにより、ニューラルエンジンが対象の語句に自然なストレスと音圧、イントネーションの抑揚を付与します。
- Producer Modeでのピッチ調整： Advanced Modeのメニューから Producer Mode を起動します。スライダーを使って文中の特定箇所のピッチ（高低）を上下に微調整できます。文末のピッチをわずかに上げることで自然な疑問文や皮肉のニュアンスを表現し、逆にピッチを下げることで断定的な確信を演出できます。
- Pronunciation Editorでの固有名詞固定： ファンタジー作品の固有名詞や技術用語は、TTSが読み間違えるリスクがあります。Genny内蔵の発音エディタを活用し、正しい音標や読み替え規則を事前に登録しておくことで、長大な章立てであっても全話者による発音の一貫性を担保できます。
ステップ5：環境音のレイヤリングと素材のエクスポート
無音の空間に響く乾いたセリフは不自然になりがちです。Gennyの機能を統合して音響空間を構築します。
- BGMと環境音の多重配置： 左側の Resource タブから、Pixabay連携のロイヤリティフリー音源や自前のオーディオ素材をタイムラインに読み込みます。雨音や足音、室内の環境ノイズを対話トラックの下に配置することで、一気に映画的な臨場感が生まれます。
- キャラクター間の音量バランス： 音声モデルや感情プリセットによって音圧レベルが異なるため、全体の掛け合いを通しで試聴し、キャラクター間のボリュームが均一になるようゲインを微調整します。
- 納品形式の選択と自動字幕： オーディオブック用途であれば高品位オーディオファイルを書き出し、DAWで最終マスタリングを行います。動画編集者の場合は、対話ブロックからワンクリックで生成できる Auto Subtitles（自動字幕）を活用して同期作業を大幅に効率化できます。
実務におけるトレードオフと運用の留意点
ワークフローを設計する際は、以下の制約と実情を考慮する必要があります。
- 感情対応ボイスの選択肢： 500種類以上の全ボイスが30種類の感情すべてに対応しているわけではありません。長編シリーズの配役を決める際は、キャラクターが劇中で見せる感情バリエーションをカバーできるモデルをあらかじめ確認してください。
- 生成クレジットの効率的管理： 0.1秒単位の間やピッチの試行錯誤を繰り返すと、生成時間を急速に消費します。まずはテスト用の短いフレーズで理想のパラメータを見定めてから、本番スクリプトへ反映させる手順を推奨します。
- 他社ツールとの使い分け： タイムライン編集を介さずワンストップで高度な自然さを求めるならElevenLabs、企業のプレゼン動画であればMurfが比較対象となります。Lovo.ai Gennyの最大の強みは、感情や間のきめ細かなコントロールと、動画・音響タイムラインが完全に一体化している点にあります。