オーディオブックの朗読やプロモーション動画の音声制作において、デフォルト設定の音声合成（TTS）は機械的な平坦さや不自然なリズムに陥りがちです。固有名詞や造語の読み間違い、感情の起伏の欠如、息継ぎのない早口な進行は、リスナーの没入感を著しく損ないます。Lovo.ai の制作環境である「Genny」で肉声に近い高品質なナレーションを実現するには、単なるテキスト流し込みから脱却し、Advanced Mode（高度モード） を基盤とした3大要素の統合制御が不可欠です。すなわち、文ブロック単位の感情表現（Emotional Inflection）、言語固有の発音辞書（Pronunciation Editor）、そしてタイムライン上での**ペースと間（Pacing & Pauses）**の精密な調整です。
これら3つの機能を正しく連動させることで、ロボットのような棒読みをドラマチックで自然なナレーションへと昇華させることができます。
1. プロジェクト設計：なぜ Advanced Mode が必須なのか
Genny で新規プロジェクトを立ち上げる際、Simple Mode（シンプルモード） と Advanced Mode（高度モード） の選択が求められます。シンプルモードは単一話者の素早い試作には適していますが、複数トラックの編集や微調整機能が制限されています。
本格的なオーディオブック朗読や映像連動のナレーション制作では、Advanced Mode が必須となります。以下の機能が解放されるためです：
- マルチトラック・タイムライン：音声トラック、映像トラック、効果音（SFX）、BGM を並行してミリ秒単位で配置可能。
- ブロック単位の話者・感情割り当て：文章ごとに異なるキャラクター声や感情プリセットを柔軟に適用可能。
- Producer Mode（プロデューサーモード）：ピッチ（音高）などを微調整し、キャラクターの声質に明確な個性を付与。
- スナップ機能の解除：グリッドへの自動吸着をオフにして、微細な沈黙やブレス（息継ぎ）の間隔を自由に設定。
2. 感情表現とキャラクター性の細やかな演出
Genny には 100 以上の言語に対応する 500 以上の AI ボイスが用意されており、その一部は 25〜30 種類を超える多彩な感情スタイル（歓喜、悲しみ、怒り、泣き声、ささやき声、恐怖、威厳、酔い、ためらい等）に対応しています。
長尺原稿全体に一律の感情を適用するのではなく、「ブロック・スタッキング（文ブロックの多段配置）」手法を適用するのがプロの鉄則です。
ブロック・スタッキングによる動的な感情変化
劇的な会話シーンでは、登場人物の感情は1文の中でも移り変わります。例えば、躊躇しながら語り始め、途中で激高し、最後は恐怖のささやきで終わるような台詞です：
- 文章を細かくブロック分割する：エディタ上で1つの長いセリフを感情の節目ごとに2〜3個のテキストブロックに分割します。
- ブロックごとに感情スタイルを割り当てる：冒頭のブロックには Hesitant（ためらい）、中間部には Angry（怒り） や Serious（真剣）、結びの文には Whisper（ささやき） を個別に選択します。
- 前後のつながりをプレビューして調整：感情の落差が急激すぎると感じられる場合は、中間にニュートラルな文を挟むか、ピッチを微調整して声色の落差を自然に馴染ませます。
Producer Mode による声質の差別化
同一のナレーターボイスを用いて複数の登場人物を演じ分ける場合、Advanced Mode 内の Producer Mode を活用します。ピッチスライダーをわずかに上げ下げするだけで、世界観の一貫性を保ちながら、声の年齢感や体格の違いを表現し分けることができます。
3. 発音辞書（Pronunciation Editor）の徹底活用
SF・ファンタジー小説の造語、外国の地名、企業ブランド名、技術的な英字略称などは、AI 音声が最も読み間違えやすいポイントです。Genny の Pronunciation Editor（発音エディタ） を使うことで、プロジェクト全体で正しい読みを統一できます。
発音辞書の標準登録手順
- 発音エディタを開く：作業画面上部ツールバーの Pronunciation アイコンをクリックします。
- 言語とアクセントの一致を確認する（極めて重要）：発音ルールは言語・地域アクセントに厳密に紐付いています。English (US) で設定した発音置換は、English (UK) や他言語のブロックには反映されません。割り当て中の話者の言語設定と完全に合致させてください。
- Source Word と Target Word の入力：
- Source Word（元単語）：原稿中の表記（例：
LOVO、Daenerys、SQL）。 - Target Word（目標発音）：AI が意図通りに発音するための音素・アルファベット表記（例：
Lovoe、Duh-NAIR-iss、Sequel）。
- Source Word（元単語）：原稿中の表記（例：
- 辞書への保存：
+ボタンを押してルールを登録します。 - 赤丸ブロックの再生成：辞書を保存しても、生成済みの音声ファイルは自動更新されません。修正対象の単語を含むブロックの横に**赤いドット（更新通知）**が表示されるため、必ず Regenerate（再生成） を実行してください。
Pro ボイス向けインライン発音テクニック
辞書機能への追従性が特殊な一部の Pro ボイスでは、エディタ内で直接音読用の表記に置き換える手法が効果的です：
- 読み仮名・音素スペルでの直接入力：原稿入力欄自体に発音表記（例：
APIをay-pee-eye、または頭文字大文字のApi）を直接打ち込みます。 - 大文字・小文字の使い分け：すべて大文字で書かれた単語は1文字ずつアルファベット読みされる傾向があります。単語として滑らかに読ませたい場合は、小文字混じりの表記に変更します。
4. ペース配分、間の取り方（ポーズ）、速度調整
適切な「間」のない朗読は、聴き手に息苦しさと疲労感を与えます。特にサスペンスや感情的な場面では、言葉と言葉の間の沈黙こそが臨場感を生み出します。Genny ではボイスの種類に応じて2通りのポーズ制御が可能です。
方法1：ポーズツール（Rapid / Global ボイス向け）
Rapid または Global ボイスを使用している場合、エディタツールバーの Pause ツールが直接利用できます：
- 単語と単語の間、または文末にカーソルを配置します。
- Pause アイコンをクリックし、秒数（
0.1秒刻みで指定可能。通常の読点なら0.2〜0.4秒、段落の切り替えなら0.8〜1.2秒）を選択します。 - Apply を押してブロックを再生成します。
方法2：タイムラインのクリップ分離と Snap 解除（Pro ボイス向け）
Pro ボイスで最も自然な呼吸感を出すには、タイムライン上での物理的な間隔調整が適しています：
- 息継ぎの位置でブロックを分割：ポーズを入れたい箇所で文を別のブロックに切り離します。
- Snap（磁石アイコン）をオフにする：タイムライン下部の磁石アイコンをクリックしてスナップを無効化します。これにより、固定グリッドの制約を受けず、ミリ秒単位で自由にクリップを移動できるようになります。
- 手動でクリップの間隔を空ける：後続の音声クリップを右側にドラッグし、意図した沈黙の長さを確保します。この手法により、人間の自然な息遣いに極めて近いタイミングが完成します。
速度スライダーの調整指針
AI 音声のデフォルト速度（1.0x）は、物語の朗読にはやや早口に感じられることが少なくありません。
- オーディオブック：全体速度を
0.95x〜0.98x（2〜5% 減速）に落とすのが推奨されます。言葉に落ち着きと重厚感が生まれ、長時間のリスニングでも聴き疲れしにくくなります。 - 解説動画・広告：テンポを重視して
1.05x程度に微加速することが有効ですが、子音の輪郭が崩れていないか注意深くモニタリングしてください。
5. オーディオブック制作と動画制作における要件の違い
同じ Genny プラットフォームを使用する場合でも、オーディオブックと映像制作では注力すべき優先事項が異なります：
| 項目 | オーディオブック朗読 | 商業動画・YouTube 制作 |
|---|---|---|
| 主目的 | 長時間の没入感、章をまたぐ音質・音量の一貫性、聴覚的疲労の低減 | 映像カットとの精密な同期、訴求力、テンポの良い視聴体験 |
| 構成 | 単一のメインナレーターを主軸に、必要に応じたセリフの演じ分け | ナレーション、登場人物の対話、テロップに合わせた話者切り替え |
| 音響設計 | ノイズのないクリアなドライ音声が基本、環境音や効果音は控えめ | ナレーション、BGM（ダッキング処理）、効果音（SFX）の複層配置 |
| 字幕機能 | 不要 | 音声ブロックからワンクリックで生成できる Auto Subtitles を活用 |
| 最終出力 | 非圧縮・高音質音声（WAV）を書き出し、DAW でマスタリング | 1080p MP4 動画を直接書き出すか、映像編集ソフト（Premiere 等）へ連携 |
6. 品質管理チェックリスト
作品を確定・書き出しする前に、以下の項目を確認してください：
- 記号の最適化：句読点、ダッシュ、リーダー（…）を適切に配置して自然な抑揚を促しているか。
- プロジェクトモードの確認：本格的な作品づくりにおいて Advanced Mode を使用しているか。
- 辞書と話者言語の一致：発音エディタの登録言語が対象話者の地域設定と合致しているか。
- 赤丸未生成ブロックの解消：辞書や設定の変更後、更新マークの出ている全ブロックを再生成したか。
- Snap 解除による間の調整：機械的な等間隔の再生になっていないか、手動で間隔を整えたか。
- マスタリング工程への引き渡し：市販オーディオブック（ACX 等の規格）向けには、Genny から出力した音声を DAW に取り込み、EQ、コンプレッサー、ラウドネスノーマライズを実施すること。
感情のブロック設計、発音辞書、そしてタイムラインでのポーズ調整をマスターすることで、Lovo.ai Genny は単なるテキスト読み上げ機から、表現力豊かなバーチャルレコーディングスタジオへと進化します。