NodaroAccount
Nodaro ドキュメント
ドキュメントノードリファレンスモデルテンプレートAI エージェント(MCP)開発者向けセルフホスティングリサーチ比較
オーディオ

テキストから会話

会話全体を 1 つのオーディオファイルに読み上げます。セリフごとにボイスを選び、タグで感情を加えられます。ElevenLabs Dialogue v3、v4、または Gemini の音声モデルを使います。

テキストから会話ノードは、会話全体を 1 つのオーディオファイルに読み上げます。セリフを書いて各セリフにボイスを割り当てると、ElevenLabs Dialogue v3、ElevenLabs Dialogue v4、または Gemini の音声モデルがそれを順番に、1 つの自然なやり取りとして読み上げます。別々の音声クリップを生成してつなぎ合わせる代わりに、インタビュー、ポッドキャスト風の会話、会話のシーンに使います。

使いどころ

  • 2 人以上の話者による、ポッドキャスト風の会話。
  • ホストの声とゲストの声によるインタビュー。
  • アニメーション動画や解説動画の会話トラック。
  • キャラクターごとに 1 つのボイスを割り当てた、オーディオブックの会話シーン。
  • 会話をすばやく試すための、オーディオのプロトタイプ。

1 つのボイスでテキストを読み上げる場合は、テキストから音声を使います。

クイックスタート

ノードを追加する

キャンバス上で Tab を押し、オーディオ › 音声とナレーション › テキストから会話を選びます。

セリフを書く

設定パネルを開きます。セリフの欄で、最初のセリフのボイスを選び、そのテキストを入力します。会話に新しいセリフを加えるたびに、セリフを追加をクリックします。

または脚本からセリフを入力する

脚本生成ノードのセリフ出力を、プロンプト入力に接続します。設定パネルで、脚本から 12 行のセリフを入力などの、セリフを入力するボタンをクリックします。次に、話者ごとにボイスを選びます。

実行する

ノードの実行をクリックします。ノードは、すべてのセリフを順番に収めた 1 つのオーディオファイルを返します。

プロンプトオーディオオーディオ脚本生成セリフ出力テキストから会話2 つのボイステキストからオーディオカフェの環境音オーディオをミックス
脚本からセリフを入力し、その会話を、生成した環境音の上にミックスします。

入力

入力接続できるノード説明
プロンプト脚本生成などのテキスト系ノード脚本生成ノードのセリフ出力が接続されていると、設定パネルに、脚本からセリフを入力するボタンが表示されます。ノードが読み上げるのは、パネルにあるセリフです。
出力内容
オーディオすべてのセリフを順番に読み上げた、ひと続きのオーディオファイル 1 つです。
文字起こしElevenLabs のモデルのみです。会話のタイミングです。各単語の開始時刻、終了時刻、話者と、セリフごとに 1 つのセグメントが入ります。話者は、そのセリフのボイスです。

文字起こし出力を、字幕を追加の文字起こし入力に接続します。すると字幕を追加は、オーディオを改めて文字起こしせず、会話そのものの単語とタイミングを使います。セリフ内のオーディオタグが字幕の単語になることはありません。

設定

設定説明
モデルElevenLabs Dialogue v3(デフォルト)、ElevenLabs Dialogue v4、Gemini 3.8 Flash-Lite TTS、Gemini 3.8 Flash TTS、Gemini 3.1 Flash TTS、Gemini 2.5 Pro TTS のいずれかです。モデルを参照してください。
セリフ会話のセリフで、順番に並びます。各セリフには、それぞれのボイスとテキストがあります。セリフの中で [ か / を入力すると、オーディオタグを挿入できます。空のセリフは読み飛ばされます。
セリフを追加最後にセリフを 1 行追加します。ゴミ箱ボタンで、セリフを削除できます。
脚本から … 行のセリフを入力脚本生成ノードのセリフ出力が接続されているときに表示されます。今あるセリフを、脚本の 1 行につき 1 行ずつのセリフに置き換えます。各セリフには話者の名前が残り、ボイスは最初、デフォルトの Sarah になります。
安定性低いほどドラマチックに、高いほど均一になります。デフォルトは 0.5 です。Dialogue v3 では、最も変化に富む(0)、バランス(0.5)、最も安定(1.0)から選びます。Dialogue v4 では、スライダーで 0〜1 の任意の値を指定できます。v3 に切り替えると、段階の間にある値は最も近い段階に移ります。
類似度Dialogue v4 のみです。各セリフが、そのボイスの特徴をどれだけ保つかを 0〜1 で設定します。デフォルトは 0.75 です。
言語自動検出(デフォルト)か、1 つの言語です。
シード0〜4,294,967,295 の整数です。シード、セリフ、設定が同じなら、同じオーディオが再現されます。ランダムなテイクにするには、空欄のままにします。
テキストの正規化自動(デフォルト)、オン、オフのいずれかです。オンにすると、数字、日付、略語が読み方どおりに展開され、自然に聞こえるようになります。
セリフ … の話し方のスタイルGemini 3.8 Flash-Lite と 3.8 Flash です。1 行のセリフの話し方を、最大 1,000 文字の言葉で指定します。たとえば「tired, slow, barely awake」(疲れて、ゆっくり、ほとんど目が覚めていない)です。読み上げられることはなく、料金にも数えられません。
話者Gemini 3.1 Flash と 2.5 Pro です。ボイスごとに、話し方のスタイル(Vocal Smile、Newscaster、Whisper、Empathetic、Promo/Hype、Deadpan)、ペース(Natural、Rapid Fire、The Drift、Staccato)、アクセントと、話しているのが誰かを最大 1,000 文字で示すオーディオプロフィールを指定します。どれも読み上げられず、料金にも数えられません。
フィラーGemini 3.8 Flash-Lite と 3.8 Flash で、ボイスがちょうど 2 つの場合です。2 人の話者が、「um」や「you know」などの自然なフィラーを加えます。
ファイルGemini のモデルです。MP3 形式(128 kbps)(デフォルト)、MP3 形式(192 kbps)、WAV 形式(24 kHz)のいずれかで、クレジットは同じです。ElevenLabs のモデルは、128 kbps の MP3 だけを届けます。
クローンしたボイスGemini 3.8 Flash です。この実行のためだけにクローンした、本人の声で話す話者を追加します。Gemini のモデルを参照してください。

入力している間、パネルにはボイス数と文字数が表示されます。たとえば 2/10 voices や 840/5000 です。文字数には、選んだモデルの上限が表示されます。

制限

制限値
すべてのセリフのテキストDialogue v3 では 5,000 文字、Dialogue v4 では 10,000 文字。2,000 文字以内で最も高い品質になります。
すべてのセリフのテキスト(Gemini のモデル)10,000 文字。
1 回の実行で使える異なるボイスElevenLabs のモデルでは 10、Gemini のモデルでは 2。同じボイスを複数のセリフで使っても、1 つと数えます。

会話には、テキストの入ったセリフが少なくとも 1 行必要です。どのセリフにもテキストがない場合、実行は開始前に拒否されます。選んだモデルの上限を超える脚本も、クレジットが引かれる前に拒否されます。

ボイスとオーディオタグ

ElevenLabs のモデルでは、どのセリフでも、どのボイスでも使えます。標準ボイス、ボイスライブラリのボイス、自分のボイスを自由に組み合わせられます。会話専用のボイスの一覧はありません。Gemini のモデルは、後述する自身のボイスだけを話します。

ElevenLabs のどちらのモデルでも、セリフでは、テキストから音声の ElevenLabs v3 と v4 と同じオーディオタグを使えます。たとえば [laughs]、[whispers]、[sighs] です。

モデル

テキストから会話は、2 つの ElevenLabs のモデルか、4 つの Gemini のモデルのいずれかを使います。2 つの ElevenLabs のモデルは同じ 46 言語を話し、オーディオタグを使えます。

  • ElevenLabs Dialogue v3 はデフォルトのモデルです。表現が豊かで、安定性は 3 段階です。
  • ElevenLabs Dialogue v4 は最新のモデルです。安定性に 0〜1 の任意の値を指定でき、類似度が加わり、最大 10,000 文字の脚本を扱えます。
モデル開発元モードクレジット詳細
ElevenLabs Dialogue v3ElevenLabs複数話者の会話5 からElevenLabs の API を直接使って複数話者の会話を作るモデルで、台本を渡すと役ごとに声を当てます(既製のボイス、ライブラリのボイス、クローンしたボイスのどれでも使えます)。
ElevenLabs Dialogue v4ElevenLabs複数話者の会話5 からElevenLabs v4 による複数話者の会話で、[オーディオタグ]、安定性と類似度の調整に対応しています。ElevenLabs の API を直接使います。

Gemini のモデル

Google の 4 つの Gemini の音声モデルは、1 人または 2 人の話者の会話を読み上げます。モデルは、Gemini 3.8 Flash-Lite TTS(最も安価)、Gemini 3.8 Flash TTS、Gemini 3.1 Flash TTS、Gemini 2.5 Pro TTS です。デフォルトは引き続き ElevenLabs Dialogue v3 です。

  • ボイスは 2 つで、どちらもモデル自身のリストから選びます。リストはテキストから音声と同じで、3.8 のモデルでは 70 ボイス、3.1 Flash と 2.5 Pro では 30 ボイスです。3 つ目のボイスや、リストにないボイスは、何も請求される前に拒否されます。
  • モデルを切り替えても、話者は 2 人のままです。Gemini のモデルに切り替えると、モデルが話せるボイスはそのまま残り、ほかのボイスはモデルの未使用のボイスに移ります。ElevenLabs のモデルに戻すと Gemini のボイスは消去されるので、すべてのセリフのボイスを選び直します。
  • 指示。3.8 のモデルでは、セリフごとに話し方のスタイルを指定でき、フィラーで 2 人の話者の間に自然なフィラーが加わります。3.1 Flash と 2.5 Pro では、ボイスごとに話し方のスタイル、ペース、アクセント、オーディオプロフィールがあります。
  • タグ。3.8 のモデルでは、テキストから音声と同じように、角かっこのタグがモデル自身のタグに書き換えられるか、取り除かれます。Gemini 3.1 Flash と 2.5 Pro は、角かっこのタグを書いたとおりに受け取ります。
  • ElevenLabs の設定はありません。****安定性、類似度、言語、シード、テキストの正規化は表示されません。言語はテキストに従います。
  • タイミングはありません。Gemini の会話は文字起こしを返しません。
  • Gemini 3.8 Flash TTS での使い捨てのクローン。話者の 1 人または両方が、この実行のためだけにクローンされ、保存されない本人の声で話せます。クローンしたボイスで話者に名前を付け、リファレンス録音と同意の録音をアップロードし、同意のチェックボックスにチェックを入れます。すると、セリフでその名前をボイスとして選べます。録音のルールはテキストから音声と同じです。クローンに追加料金はかかりません。

クレジット

料金は脚本の長さで決まります。すべてのセリフを合わせた 100 文字ごと(端数も 1 ブロック)に、Dialogue v3 では 5 クレジット、Dialogue v4 では 5 クレジットかかります。1 回の実行は最低 8 ブロックとして課金されるため、800 文字までの脚本はすべて同じ料金です。文字起こし出力に追加の料金はかかりません。

Gemini のモデルでは、会話の料金はテキストから音声で話者 1 人の場合と同じ 1 文字あたりの料金で、開始した 100 文字ごとに、最低 8 ブロックとして数えられます。セリフのスタイルと話者への指示は数えられません。正確な料金は、実行前にノードに表示されます。

ヒント

  • 話者ごとにはっきり違うボイスを選ぶ:聞き手が会話を追いやすくなります。割り当てる前に、ボイスブラウザーでボイスを試聴してください。
  • セリフは会話らしく保つ:1 行に長い段落を詰め込むより、短いセリフを何行かに分けたほうが自然に聞こえます。
  • 安定性はバランスから始める:ドラマチックなシーンや感情的なシーンでは下げ、ナレーションのような改まった読み方にしたい場合は上げます。Dialogue v4 では、その間の任意の値も選べます。
  • 複数の言語が混ざる会話では言語を設定する:1 つの言語なら、自動検出で十分です。話者が言語を切り替える場合は、主な言語を明示的に選びます。
  • 長い会話はつなぎ合わせる:長い会話を複数のノードに分け、オーディオを結合でパートを順番につなぎます。

API から

同じ生成を、MCP ツール generate_dialogue として使えます。MCP ツールと音声とメディアを参照してください。

POST /v1/text-to-dialogue は、dialogue([{ text, voice, styleDirection? }]、話す順)と、省略可能な provider、stability、similarityBoost、languageCode、seed、applyTextNormalization を受け取ります。provider は elevenlabs-dialogue(Dialogue v3、デフォルト)、elevenlabs-dialogue-v4、gemini-3-8-flash-lite-tts、gemini-3-8-flash-tts、gemini-3-1-flash-tts、gemini-2-5-pro-tts のいずれかです。Gemini のモデルでは、リクエストは speakers、fillerWords、outputFormat(デフォルトの mp3_44100_128、mp3_44100_192、または wav_24000)も受け取ります。ElevenLabs のモデルでデフォルト以外の outputFormat を指定すると 400 で拒否され、形式が正しくない speakers のリストや、同じボイスを 2 回挙げたリストも同じです。MCP ツールでは同じ選択を model、CLI では nodaro voice dialogue の --model と呼びます。Dialogue v3 では、0、0.5、1 以外の stability は拒否されます。完了したジョブの output_data.transcript には、文字起こし出力と同じタイミングが入ります。

よくある質問

1 つの会話で、いくつのボイスを使えますか?

1 回の実行につき、ElevenLabs のモデルでは最大 10 種類、Gemini のモデルでは最大 2 種類のボイスです。同じボイスを複数のセリフで使っても 1 つと数えるので、2 人の会話なら 40 行あっても、使うボイスは 2 つだけです。

会話は、どれくらいの長さまで作れますか?

すべてのセリフを合わせて、ElevenLabs Dialogue v3 では最大 5,000 文字、ElevenLabs Dialogue v4 と Gemini のモデルでは最大 10,000 文字です。2,000 文字以内のときに最も高い品質になります。それより長い会話は、複数の「テキストから会話」ノードに分け、「オーディオを結合」ノードでつなぎます。

会話の料金はいくらですか?

料金は脚本の長さで決まります。すべてのセリフを合わせた 100 文字ごと(端数も 1 ブロック)に、ElevenLabs のどちらのモデルでも 5 クレジットかかり、1 回の実行は最低 8 ブロックとして課金されます。Gemini のモデルは、1 文字あたりの料金がはるかに低価格です。正確な料金は、実行前にノードに表示されます。

セリフごとに、別々のオーディオファイルとして受け取れますか?

いいえ。「テキストから会話」は、すべてのセリフを順番に収めた、ひと続きのファイルを 1 つ返します。各セリフの開始位置と終了位置は、「文字起こし」出力でわかります。別々のクリップが必要な場合は、セリフ 1 行につき 1 つの「テキストから音声」ノードを使います。

書いた脚本を、自動でセリフにできますか?

はい。脚本生成ノードの「セリフ」出力を、このノードの「プロンプト」入力に接続します。設定パネルで「脚本から 12 行のセリフを入力」などの、セリフを入力するボタンをクリックし、話者ごとにボイスを選びます。

同じテイクをもう一度得るには、どうすればよいですか?

「シード」を設定します。シード、セリフ、設定がすべて同じなら、同じオーディオが再現されます。実行のたびに新しいテイクにするには、「シード」を空欄のままにします。

最終更新

目次