音声記述子の説明：AIと人間の声を表現する50以上の言葉

音声記述子の解説：AI音声と人間音声を表現する50以上の単語

300以上のAI音声のライブラリをスクロールしている、またはコンプライアンスナレーションの7番目のオーディション音声を確認している、またはマーケティングリーダーがブランド音声は「もっと温かい」べきだと主張し、プロデューサーが「もっとプロフェッショナル」と言い張るSlackスレッドに座っている。誰もが他の人が何を意味しているのかを聞き取ることができません。プロジェクトが停滞する——音声が間違っているからではなく、プレイ中の音声記述子が不一致で、定義されておらず、同じチーム内の異なる人々に異なる役割を果たしているからです。

これは音声主導型コンテンツにおける最も一般的な制作時間の漏洩であり、共有された語彙を使用すれば完全に修正可能です。

目次

• 「なんか違う」が制作時間を消費している理由
• 音声記述の5つの独立した側面
• 50以上の音声記述子：コンテンツタイプとオーディエンスでマッピング
• 音声を記述子に対して監査する方法——5段階のプロセス
• 誰もが勘違いする5つの記述子——その代わりに何と言うか
• 音声記述子ブリーフ——記入テンプレートと実例付き
• FAQ

「なんか違う」が制作時間を消費している理由

3つのシナリオ、1つの根本的な原因。YouTubeクリエイターが数百のオプションを持つ音声カタログを開き、40分ランダムにサンプリングしてから諦める。eラーニングプロデューサーが安全モジュールの音声を何度も棄却する。各種は「ほぼ合っているが、まだ違う」という状態です。マーケティングチームが新製品ローンチのブランド音声が「十分温かいか」どうかについて1時間議論する。これらのボトルネックはすべて、味の問題に見せかけた語彙の失敗です。

認知科学は曖昧ではありません。PNAS誌のMcAleerら同僚による研究では、リスナーは音声の信頼性、優越性、その他の社会的特性に関する安定した判断を1秒未満で形成し、その判断はリスナー全体で非常に一貫していることが示されています。人々は音声品質を正確に聞き取ります。彼らが苦労しているのは、他の誰かが行動を起こせるほど十分に聞いたことを名付けることです。

リスナーは1秒以内に音声について確信を持った意見を形成します——ボトルネックは認識ではなく、聞いたことを説明する語彙です。

音声科学はこれを知覚レベルで支持しています。Krymanと Sidtisは『Foundations of Voice Studies』（Wiley-Blackwell、2012）で、リスナーが音高、ラウドネス、粗さ、息感、テンポを独立した側面として別々に知覚することを示しています——つまり、記述子は全体的ではなく組み合わせ的です。音声は温かく機敏になりえます。冷たく滑らか。歯切れよく親密。「温かい」を単一のダイアルですべてをカバーするものとして扱うことは、キャスティングルームにおける意見の不一致の半分の原因です。

制作コストは具体的です。『Backstage』および『Voices Magazine』で公開されているボイスオーバー業界ガイドは、標準的なキャスティング周期を説明しています：15～30秒のオーディション台本、候補者あたり2～3の代替テイク、および——記述子スコアカードのないチームの場合——候補者8～15人がショートリスト前にサイクルされます。これに現代のAI音声カタログ内の音声数を乗じると、計算はより悪くなり、より良くなりません。より良いフィルターのない多くのオプションは、より多くのランダムサンプリングを意味します。

AI音声ライブラリ内で数百の音声を含む大規模に同じ問題が発生し、ElevenLabs、Murf、または任意のニューラルTTSプロバイダーを参照します。記述子なしでは、ランダムにサンプリングします。記述子を使用すると、フィルタリングします——そして、ショートリストまでの時間は数時間から数分に低下します。

記述子を標準化していないすべての制作チーム内で、3つの特定のペイントポイントが繰り返されます：

曖昧なフィードバックは修正ループを作成します。「もっと自然に」とは、ボイスアクターまたはAIエンジンに調整するパラメータを提供しません。どの側面に沿って自然ですか？ペース？質感？感情的な色合い？3つの異なる修正、3つの異なるセッション。

主観的用語はチームの不一致を隠します。「プロフェッショナル」はB2B SaaSマーケターにとっては歯切れよく、測定され、信頼できることを意味します。トゥルークライムポッドキャスターにとっては、研磨されて超然としたことを意味します。両チームは同じ言葉を使用し、異なるブリーフを作成します。

ローカライゼーションは問題を複雑にします。33の言語にダビングする場合、不正確な英語ブリーフはすべてのターゲット市場で翻訳、解釈、再解釈されます。アメリカ英語の「温かい」音声はドイツ語またはコリア語のビジネス文脈で実演的に親しみやすく読むことができます。共有の記述子フレームワークがなければ、各市場がドリフトします。

記述子は美的語彙ではありません。これらは制作効率ツールです。正確な音声記述子を使用するチームはキャスティング周期を短縮し、再記録を減らし、ローカライズされたコンテンツをより速く配信します——このツールを持つチームと持たないチームの間のギャップは、プロジェクトスコープが成長するたびに拡大します。

音声記述の5つの独立した側面

以下のフレームワークは、側面が知覚的に独立しているため機能します。KrymanとSidtisの音声科学的研究は、リスナーが音高、質感、テンポ、感情品質に関する判断を変更でき、それらの判断が単一の評価に崩壊しないことを確認しています。したがって、音声をクールでありながらスムーズである、または権威的かつ親しみやすい——単軸的な語彙「プロフェッショナル」が記述できないような組み合わせとしてブリーフすることができます。

ほとんどの誤解は、1人がトーンを説明している間に別の人が質感に反応しているために発生します。以下のマトリックスがそれらを分離します。

側面	測定内容	記述子の例	制作レバー
トーン	感情的な温かさとリスナーの距離	温かい、冷たい、中立的、権威的、親しみやすい、超然とした、真摯な、皮肉な	音高レジスタ、イントネーション輪郭
ペースとリズム	分当たりの単語数、句のグループ化、休止パターン	測定された、機敏な、緩い、スタッカート、流れのような、躊躇的な、意図的な、息を切らした	発話速度（130～200+ wpm）
質感	音の表面品質	滑らか、がさつく、息感のある、歯切れよい、かすれた、薄い、共鳴する、ごろごろとした	マイク、処理、声帯品質
アイデンティティマーカー	認識された年齢と性別の提示	若々しい、成熟した、中性的、男性的、女性的、高齢者コード、子供コード	基本周波数、フォルマント配置
感情的な色合い	言葉の下の気分	自信に満ちた、不確かな、喜びに満ちた、陰鬱な、遊び心のある、親密な、懐疑的な、緊急	プロソディ、マイクロ変動、音高範囲

各側面には測定可能なアンカーがあり、これが記述子を意見から仕様に変換します。

ペースは分当たりの単語数に直接マップされます。Foulkeおよび Stichtのリスニング速度研究（『Journal of Communication』で要約）は、カジュアル会話を150～160 wpmの周辺に配置します。形式的なプレゼンテーションと密集したeラーニングは130～150 wpmのバンドで快適です。ビジュアルサポート付きのYouTubeコメンタリーは160～180 wpmで実行されます。高速免責条項読み上げは250 wpmを超えています。理解度は、密集した情報コンテンツでは大約200 wpmを超えると急落します。したがって、「測定された」には数字が付きます：約130～145 wpm。

質感はスペクトルコンテンツと録音品質にマップされます。ACX/Audible音声送信要件は、約−23～−18 dBのRMSレベル、−3 dBFS以下のピーク、および−60 dB以下のノイズフロアを指定します。「歯切れよい」音声は、明確な高周波数子音と低いノイズフロアを備えています。「こもった」音声は一方または両方に失敗します。記述子は詩的ではなく——仕様書です。

トーンと感情的な色合いは音高とプロソディにマップされます。PNAS誌のKlofstadら同僚は、より低いピッチ、より共鳴する音声が一貫して、より有能で権威的であると評価される——しかし常により温かい、またはより好まれるわけではないことを発見しました。これは、「権威的」と「親しみやすい」が別々の追跡を必要とする理由です。一方に最適化された音声は、もう一方の反対の端に位置することができます。

実例。持続可能性YouTubeチャネル（Gen Zおよびミレニアルビューアーをターゲットとし、複数の言語へのAIダビングを計画している）の場合、ブリーフは以下のようになります：トーン = 真摯かつ親しみやすい；ペース = 145～160 wpm（測定されたから会話的）；質感 = 暖かさが聞こえる滑らか、低シビラント；アイデンティティ = 30代コード、性別中立を受け入れます；感情的な色合い = 自信に満ちたプラス楽観的、説教的ではないことなし。5つの仕様、各フィルタリング可能。300音声ライブラリ内のあらゆる音声は、そのリストに対してすばやく受け入れるか拒否されることができます。

50以上の音声記述子：コンテンツタイプとオーディエンスでマッピング

記述子は文脈でのみ有用です。瞑想アプリで「親密な」と読む同じ音声は、カスタマーサービスIVRで「気味悪い」と読みます。「権威的」なテック確認チャネルはコンプライアンストレーニングモジュール内の「権威的」と異なります。以下のクラスターは、5つの最も一般的なコンテンツカテゴリーに記述子をマップします——各業界からの制作ベンチマークを描画しています。

YouTubeクリエイター向け

エネルギッシュ、会話的、推進力のある ——170～185 wpm、上向き語調、主要な単語への頻繁なマイクロエンファシス。アンボックス、ゲーム、ライフスタイル、リアクションコンテンツに最適。長編エッセイまたはドキュメンタリーで避けてください。エネルギーは10分以内にリスナーを疲れさせます。

温かい、親しみやすい、やや不完全 ——150～160 wpm、わずかな息の可聴性、時々編集されるのではなく保存される言語のティック。個人的なvlog、ストーリーテリング、ウェルネスコンテンツに最適。過度に研磨されたコーポレート配信を避けてください——Labrecueによって『Journal of Advertising』で公開された研究は、過度に滑らかな音声がピアツーピア文脈でわずかに不完全なものより信頼できないと評価されることが多いことを示しています。

シャープ、機知に富んだ、やや皮肉な ——160～175 wpm、ドライなトンブレ、パンチラインの制御された休止。解説、批評、風刺に最適。苦い方向に流れるのを避けてください。機知と冷笑的の線は単語選択ではなくトンブレとマイクロプロソディに存在します。

権威的、確実、のんびり ——140～155 wpm、より低い音高レジスタ、最小限のボーカルフライ。教育的な深い掘り下げとテック確認に最適。レクチャー口調に流れるのを避けてください——権威的配信を会話的の脇道と組み合わせて、オーディエンスが身を乗り出し続けるようにしてください。

eラーニングおよびコーポレートトレーニング用

明確、のんびり、明瞭 ——130～145 wpm、歯切れよい子音、意味的境界での意図的な休止。ClarkとMayerの『e-Learning and the Science of Instruction』は、このバンドを密集した情報コンテンツの理解度のスイートスポットとして識別しています。コンプライアンスおよび安全トレーニングに最適。

奨励的、忍耐強い、暖かい中立 ——140～150 wpm、上向きの親しみやすいイントネーション、子音への優しい攻撃。初心者スキルビルディング、言語学習、入門技術トレーニングに最適。

プロフェッショナル、測定された、低影響 ——135～150 wpm、制御されたダイナミックレンジ、最小限のプロソディック変動。リーダーシップ開発、認定、および規制業界コンテンツ（中立性がポイントの場合）に最適。

会話的、アクセス可能、ピアコード ——150～160 wpm、わずかなインフォーマル性、時々の短縮形と柔らかい言い回し。オンボーディングモジュール、内部コミュニケーション、カルチャービルディングコンテンツに最適。

SaaSおよび製品マーケティング向け

自信に満ちた、モダン、歯切れよい ——155～170 wpm、低いノイズフロア、明るい高周波数ですがシビラントではない。製品デモと機能ローンチに最適。

温かい、人間的、やや不完全 ——150～160 wpm、保存された呼吸、優しい攻撃。ブランドストーリーテリング、顧客証言ボイスオーバー、創業者主導のコンテンツに最適。

効率的、明確、低装飾 ——160～170 wpm、最小限のプロソディック変動、密集した情報パッケージング。技術的な説明者およびAPIドキュメンテーションに最適。API駆動音声生成ワークフローを通じてプログラム的にこれらの音声を生成する場合、数百クリップ全体の一貫性は個々の職人技より重要です。

招待的、信頼できる、柔らかい権威 ——140～155 wpm、低い音高、優しい攻撃、制御されたペース。セキュリティ、プライバシー、医療、金融サービスメッセージング（リスナーが有能な手と人間の温かさの両方を感じる必要がある場合）に最適。

「温かい」という記述子はB2B SaaS説明者寝物語で非常に異なる意味を持っています——文脈ではなく単語が意味を運びます。

ポッドキャスターとオーディオブック語り手向け

親密な、ニュアンスのある、マイクロ表現的 ——150～160 wpm（ACX推奨オーディオブック範囲）、クローズマイク呼吸の可聴性、句全体の微妙な音高変動。回想録、文学的小説、トゥルークライムナレーションに最適。リスナーは数時間ヘッドフォンを着用しています。

権威的、魅力的、ジャーナリスティック的中立 ——145～160 wpm、制御されたプロソディ、意見単語に対する低影響。ニュースポッドキャストと調査作業に最適。リスナー信頼は知覚された不偏性に依存します。

遊び心のある、演劇的、キャラクタシフト ——可変ペース、広い音高範囲、意図的な誇張。コメディポッドキャスト、子供向けコンテンツ、推測的フィクションに最適。

穏やか、瞑想的、低覚醒 ——110～130 wpm、息感のある質感は受け入れられ、多くの場合優先、フレーズ間の長い休止。ガイド付き瞑想、睡眠物語、自然ドキュメンタリーに最適。

ダビングおよびローカライゼーションプロジェクト向け

感情的に同等、文字通りマッチしない ——リップシンクまたは文化的適合について言い回しが変わった場合でも、ソースの色合いを保持します。NetflixおよびおよびSDI Media ローカライゼーションQAワークフローは『Journal of Audiovisual Translation』に記載されているように、シンクと同様に感情的適合を明確にチェックします。

文化を超えた年齢コード ——「ティーンエージャー」音声キャスティングはブラジルポルトガル語と日本語市場間で異なります。認識された年齢バンド、単に年代順年齢でブリーフしてください。1つの市場で17歳のように聞こえることが別の市場では14または20になります。

文化的に調整された温かさ ——アメリカ英語で「温かい」はドイツ語またはコリア語のビジネス文脈で「過度に親しみやすい」に近い。複数のターゲット言語間でダビングする場合、各市場で記述子が意図した通りに着陸するかどうかについてネイティブレビューアーをブリーフしてください。

アイデンティティ保存音声クローニング経由 ——オリジナルクリエイターの音声がブランドエクイティを持つ場合、音声クローニングは言語が変わっても言語全体のアイデンティティマーカー（質感、音高、年齢コード）を保持し、ターゲット言語プロソディは現地規範に適応します。言語が変わっても、記述子ブリーフはそのまま移動します。

音声を記述子に対して監査する方法——5段階のプロセス

ほとんどのチームは音声を間違ってオーディションします。サンプルを再生し、漠然とした感覚に反応します——「ダメ、次」——そして、どの側面が失敗したかを分離しません。以下の監査プロセスはITU-T P.800およびP.808から引用します。これらは音声品質のMean Opinion Scoreテストの国際標準で、クリエイティブキャスティング決定に対してそれらのマルチ次元リスニングプロトコルを適応させます。

ステップ1——一度に1つの側面を分離します。
トーン、ペース、質感、アイデンティティ、感情的な色合いを同時に評価しないでください。15～30秒のサンプルを再生します（ボイスオーバー業界慣行あたりの標準オーディション台本長とマッチング）。最初のリスニングで、トーンのみをスコアします：冷たい ↔ 中立 ↔ 温かい、1～7スケール。ペースのために再生します。質感のために再生します。ITU-T P.808テストプロトコルはこの分離方法を正確に使用して、基準全体のリスナー判断を安定に保ちます。

ステップ2——キャリブレーションのためのアンカーサンプルを使用します。
「歯切れよい」が何のようなものかが不確かな場合は、最初に既知の歯切れよいリファレンス音声（ネットワークニュースキャスターがうまく機能します）を聞き、次に候補者をそのアンカーに対して再評価します。アンカーは、ダースの音声を聞いた後に起こる漂流を防ぎます。参照点は静かに前回サンプリングしたのどへ移動しました。

ステップ3——分離ではなく制作文脈でテストします。
沈黙に対して「息感のある」と聞こえる音声は、柔らかい背景音楽上で「親密な」と聞こえます。常に現実的ミックスで音声を評価します：イントロ音楽、ターゲットラウドネス（EBU R128は放送の周辺−23 LUFSの統合ラウドネスターゲットを指定し、ストリーミングバリアントを備えています）、および最終ピースに表示される背景雰囲気。大規模で多くの音声をテストする場合、API経由のプログラム的音声テストは、すべての候補音声で同じ台本を生成し、同じミックス条件下で監査することを可能にします。

ステップ4——独立した2番目のリスナーを取得します。
チームメートに、記述子を教える前に声を説明するよう求めてください。彼らが「権威的」と言い、あなたが「冷たい」と書いた場合、あなたはオーディエンスで再度表示される知覚ギャップを識別しました。レーター間合意は音声判断を確認する検証された方法です——それはMOS スコアリングが基本的に主観的な測定に信頼性を構築する方法です。

ステップ5——ソート可能なスコアカードを使用して文書化します。
シンプルなテーブルを作成します：音声ID |トーン（1～7）|ペース（wpm範囲）|質感（記述子）|アイデンティティ（年齢/性別コード）|感情的な色合い（記述子）|注釈。優先側面でソート。これは主観的なプロセスをフィルタリング可能なショートリストに変換します——プロジェクトが第2言語または第3キャンペーンにスケーリングする場合に再度訪問できるレコードを提供します。

6項目テストチェックリスト

1. 少なくとも15秒の継続的な音声を聞きましたか。単一の単語またはフォネームではなく？
2. プラットフォームが再生速度サンプリングを許可する場合、複数のペースで音声を聞きましたか？
3. 実際のスクリプトでテストしましたか——または自分のコンテンツの密度とレジスタを反映する30秒のサンプル？
4. 記述子評価が確実に対して不確実に感じた場所をメモしましたか？
5. 内部矛盾（「温かいが遠い」）をチェックし、理由を聞きましたか？
6. 3番目の候補者がトップ3人の候補者を通し、私の評価を見ていない2番目のリスナーに実行しましたか？

誰もが勘違いする5つの記述子——その代わりに何と言うか

5つの記述子は他の45個を合わせたより多くのダメージを実行します。誰もがそれらを使用し、誰もが意味に同意しないため。「自然」、「プロフェッショナル」、「歯切れよい」、「滑らか」、および「温かい」はそれぞれ技術的読み、口語的読み、および感情的読みを運びます——そして3つは滅多に重複しません。以下の表は、ギャップを明確にし、それから逃げるための置換言語を提供します。

悪用された記述子	サウンドエンジニアが聞いたもの	ほとんどのリスナーが聞いたもの	おそらくあなたが意図したもの
自然	最小限の処理、圧縮アーティファクトなし、人間が記録	会話的、ロボット的ではない、感情的に信じられる	「実際の人が話しているように聞こえます、読んでいません」
プロフェッショナル	訓練された音声、制御されたダイナミックレンジ、きれいな記録	形式的、権威的、おそらく距離を置いた	「冷たくないような自信と信頼性」
歯切れよい	高周波数の透明性、明確な子音、低いノイズフロア	エネルギッシュ、モダン、効率的	「技術用語を十分にクリア」——テンポステートメントではなく、質感ステートメント
滑らか	硬い子音が少ない、母音向き、流れるレガート	落ち着き、研磨済み、聞きやすい	「安心で摩擦がない」
温かい	低周波数の強調、優しい攻撃、低シビラント	同情的、人間的、やや親密	「感情的に近い、柔らかくない」

レイヤーを分離するためのクイックテスト：自然の場合、候補者を既知のTTSサンプルと既知の人間の記録の隣に再生します——どちらがクラスター化しますか？プロフェッショナルの場合、音声がセラピストとCFOの両方として機能するかどうかを聞いてください。1つだけの場合、より具体的に意味しています。歯切れよいの場合、0.75x速度で再生します——まだ歯切れよい場合、それは質感です。今流線型の場合、歯切れよいを機敏と混同しました。滑らかの場合、ペースとペアにします——スムーズプラス遅い読み物は安心として読みます。スムーズプラス高速はスリックとして読みます。温かいの場合、音楽を削除します。音声だけがまだ温かく感じる場合、それは音声です。ミックスではなく。

これらの5つの下のパターン：各単語は技術レイヤー（オーディオに物理的にあるもの）、知覚レイヤー（リスナーが報告聞く）、および願望レイヤー（ブリーフライターが音声が何をするかを望んでいるもの）をミックスします。レイヤーが競合する場合、ブリーフは静かに失敗します——音声才能またはAIエンジンは1つのレイヤーに最適化されますが、レビューアーは別のレイヤーに対して評価します。誰も会話が壊れていることを知りません。3番目のテイクまで。

「自然」トラップが最も高価です。最新のニューラルTTSは、Interspeech およびICASSP評価論文で報告されたように、ニュートラルシングルスピーカー英語でMean Opinion Score値に近づきます——しかし、これらのスコアはタスクパフォーマンスを予測しません教育環境での複雑な概念またはリスナーをアクションに向かわせます。音声は自然さで高スコアでき、複雑な概念を教えたり、リスナーをアクション方向に移動させるのに失敗することができます。

自然さで高スコアする音声はまだ教えるのに失敗する可能性があります——自然を、あなたが実際に気にかけている具体的な資産に置き換えます。

「自然」をあなたが実際に気にかけている基になる資産で置き換えます：会話のペース、マイクロ感情的変動、アコースティック環境での理解度、このスクリプトで信じられる。各置換はテスト可能です。「自然」ではありません。

「温かい」トラップは2番目に最も高価で、特にローカライゼーション。英語を話すアメリカ人マーケターは、「温かい」をデフォルト親しみやすい設定としてブリーフする傾向があります。しかし、Lippi-Green『English with an Accent』の社会言語学研究は、温かみシグナルが対称的に翻訳されないことを示しています。ドイツ語およびコリア語のビジネス文脈は、アメリカ「温かい」を実演的または不専門的に読むことができます。複数のダビングターゲット言語全体でブリーフする場合、基本的な意思（信頼、親しみやすさ、専門知識）に名前を付け、ネイティブスピーカーレビューアーがそれを現地音声規範に翻訳させます。ブランド音声自体が無傷で移動する必要がある場合、クロス言語アイデンティティのための音声クローニングは、プロソディがローカライズされてもディスクリプタプロファイルを保持します。

修正は機械的です。これらの5つの単語の1つをブリーフに書くたびに、自分自身に「___のように聞こえるべきだから」を追加するよう強制します。具体的な行動またはアコースティックアンカーを使用してください。「温かい、リスナーがホストが彼らに対して話しかけていると感じるべきだから、彼らではなく」。「歯切れよい、スクリプトは1段落あたり6つの技術用語があり、リスナーが各子音ランディングをクリーンにする必要があるため」。アンカーは記述子を願いから仕様に変換します。

音声記述子ブリーフ——記入テンプレートと実例付き

音声の選択または指向が含まれるすべてのプロジェクトの開始時に、このテンプレートを使用します——人間の才能、AI音声ライブラリ、音声クローン。記入に10分かかります。記入しないことは、再記録およびSlackの議論で数時間の費用がかかり、解決されません。

ブリーフテンプレート

1。プロジェクトコンテキスト

• コンテンツタイプ：________ （YouTubeビデオ/eラーニングモジュール/ポッドキャスト/ダビングプロジェクト/製品デモ）
• ターゲットオーディエンス：________ （1つの文で誰が聞くか）
• アセットあたりの長さ：________ （30秒/10分/シリアル化）
• 必須言語：________ （単一言語/ダビングされたターゲット言語のリスト）
• アコースティック環境：________ （ヘッドフォンリスニング/モバイルスピーカー/車/公開スペース）

2。トーン（側面1）

• 必須：________
• 避けるべき：________
• 参照音声（オプション）：________

3。ペースとリズム（側面2）

• ターゲットwpm範囲：________ （アンカー：130～150 eラーニング；150～170会話的；170+コメンタリー）
• 休止動作：________ （意味的境界での長い休止/推進力のある、最小限の休止）

4。質感（側面3）

• ターゲット：________ （滑らか/歯切れよい/暖かく共鳴する/息感のある親密）
• アコースティック仕様：−3 dBFS以下のピーク、−20～−18 dBFSのRMS、−60 dB以下のノイズフロア（ACX/Audibleベンチマーク）

5。アイデンティティマーカー（側面4）

• 認識された年齢バンド：________
• 性別の表現：________ （柔軟性メモ付き）
• 文化的/地域コード：________

6。感情的な色合い（側面5）

• 主要：________
• 2番目：________
• 禁止：________

7。検証計画

• ショートリスト候補あたりのオーディション数テイク：________ （業界デフォルト：2～3）
• 2番目リスナーレビュー：はい/いいえ
• 各ダビング言語のネイティブスピーカーレビュー：はい/いいえ

実例——テックレビューYouTubeチャネル

コンテキスト。12分の長編テック確認。オーディエンス：25～40、ほぼヘッドフォンリスナー。音声クローニングを使用してホストアイデンティティを保持するスペイン語、ブラジルポルトガル語、ドイツ語にダビングされます。

トーン。必須：権威的プラス会話的。避けるべき：講義、販売。

ペース。150～165 wpm。休止動作：判決前の意図的な休止、仕様全体で推進力のある。

質感。製品名および技術用語の歯切れよい子音。スムーズな母音。低シビラント——長いヘッドフォンセッション「S」疲労を増幅します。

アイデンティティ。認識された年齢30代～初期の40代。性別の表現はホストに合わせて配置。地域コード：英語のためのニュートラルノースアメリカン。各ダビング言語でネイティブコード。

感情的な色合い。主要：自信に満ちたスケプティカル（チャネルの批評的だが公正なブランド）。2番目：珍しい製品での軽く楽しんだ。禁止：冷笑的、過度に宣伝された。

検証。オーディション時のAI音声候補あたり3つのテイク。内部の2番目リスナーレビュー。公開前に各ダビング言語のネイティブスピーカーレビュー。

ブリーフはアーティファクトです。次のプロジェクトに1つ埋め出し、ショートリストに対して実行してください。そして、vast多数の「これは正しく感じません」反応は、特定のフィルタリング可能な記述子不一致に解決される——あなたが名前を付け、ブリーフし、対抗できるような種類。複数の言語間で同じブリーフをスケーリングする準備ができたら、AIダビングAPIは、記述子プロファイルをすべてのターゲット市場全体で一貫性を保ちます。

FAQ

音声記述子はAI音声と人間音声に同じ方法で適用されますか？

5つの側面はい、感情的な色合いの注意付き。リスナーは——NassおよびReevesが『The Media Equation』で確立した——人間に対してと同じように合成音声に社会判断を適用するため、トーン、ペース、質感、アイデンティティ記述子はAIにクリーンに翻訳します。モダンニューラルTTSはニュートラル条件で人間のMOS スコアに近づきますが、感情的に複雑なパッセージおよび言語全体で表現力ギャップが表示されます。Interspeech評価論文で報告されている。実用的なルール：5つの側面をすべて使用してAI音声をブリーフしますが、プロンプトエンジニアリング、テイク選択、またはSSML階指定による感情的な色合いを手動で指向することを期待します。

単一のブリーフにいくつの記述子が表示されるべきですか？

側面あたり1～2。より多くは決定の麻痺を作成し、ブリーフを満たすための候補者に公正な機会を与えません。トーンに3つの側面が絶対に必要な場合——たとえば、「温かいAND権威的ANDで遊び心のある」——それらをプライマリ、セカンダリ、および三次としてランク付けし、三次をキャスティング後のディレクション内で追加する必要があることを受け入れます。ブリーフのポイントはすべての可能な品質を説明することではなく、フィルターすることです。

ライブラリ内の音声がすべての記述子と一致しない場合はどうなりますか？

可変性で優先順位付け。アイデンティティマーカーとトーンはキャスティング後に変更するのが最も難しい側面です。ペースと感情的な色合いはディレクション、またはAI音声ではプロンプトパラメータおよびSSML経由を通じて調整できます。質感は中道です——軽微な調整はEQおよび処理を通じて可能ですが、ガロのようなまたは息感のある基本的な品質は。後処理で修正できません。不動の側面を最初にキャストします。後で柔軟な側面を指向します。

音声記述子はダビングプロジェクト内で言語全体で翻訳しますか？

部分的です。アコースティック記述子（質感、音高、ペース）は直接翻訳します。感情的で色合いのある記述子は——文化規範は異なる市場で「温かい」、「権威的」、「プロフェッショナル」が何のようなものかをシフトさせます。Lippi-Greenの社会言語学的研究文書で。複数のターゲット言語全体でダビングする場合、各記述子の背後の意思でブリーフして、ネイティブスピーカーレビューアーに言語あたり有効にさせます。音声クローニングは言語全体のアイデンティティマーカーを保持しながら、ローカルプロソディが適応できます——ブランド音声は認識可能なままで、各市場が翻訳されるのではなく本物のように感じます。