Script Generation JA

台本生成

日本語ホーム · English

LLM は本を、話者と演技指示を持つ行の一覧に変換します。

処理の流れ

1. Script で .txt、.md、.epub をアップロードします。EPUB はプレーンテキストに変換されます。
2. Generate Annotated Script は 3 段階で処理します。
   • Split：地の文と会話に分割。Setup の Step 1: dialogue detection で Auto（明確に分割でき検査を通るときは引用符、そうでなければモデル）、Quote marks only（モデル不使用）、Quote-aware（地の文中の引用語を地の文のまま扱う）、Model only（常にモデル）を選べます。
   • Attribute：登場人物一覧と前後の文章を使い、会話の話者を決定。
   • Instruct：各行に演技指示を追加。
3. 必要に応じて Review で間違いを修正します。
4. Voices に各話者の声のカードが作られます。

各段階にチェックポイントがあり、一時停止、クラッシュ・停電後の再開、完成部分のスナップショット、設定を残したやり直しができます。Generate 下の活動表示は段階、処理単位、試行回数、残り時間を示します。Windows では Pause は無効です。

台本の形式

JSON 配列です。以下は形式を示すオリジナルの例です。

[
  {"speaker": "NARRATOR", "text": "扉がゆっくり開いた。", "instruct": "Calm, even narration."},
  {"speaker": "ELENA", "text": "あっ、誰？", "instruct": "Startled and fearful, sharp whispered question, voice cracking with panic."},
  {"speaker": "MARCUS", "text": "はは、僕を待っていたの？", "instruct": "Menacing confidence, low smug drawl with a dark chuckle, savoring the moment."}
]

speaker は NARRATOR または一覧にある大文字の人物名、text は実際に読む文章、instruct は感情・読み方・声の状態を示す短い指示です。「彼女は言った」などの話者表示は地の文で、会話の括弧は外します。指示は 1–2 文、英語ならおよそ 8–15 語を目安にします。

演技指示を書く

必要に応じて、感情（恐怖、喜びなど）、読み方（ささやく、言葉を切るなど）、声の状態（声が震える、息が混ざるなど）を組み合わせます。穏やかな行は短くし、感情の強い場面で詳しくします。

モデルへ渡す英語の指示例：Cold fury, barely contained, voice tight.、Bright eager excitement, words tumbling out.、Sharp whispered warning, urgent and hushed.。ナレーションは通常 Neutral, even narration.。場面が変わるときだけ Tense, clipped narration. などに調整し、その場面内では一貫させます。

体の動き（前に身を乗り出すなど）、同義語の重複、弱い修飾、単純な fast / slow は避け、聞こえる声を記述します。deep / raspy など恒常的な声質は、選んだ声と競合するので Character Style 側に置きます。声の説明と演技指示も参照してください。

笑い・ため息・驚きは、Ah!、Haah...、Haha!、Hmm... など発音できる文章と対応する指示で表します。括弧付きタグや特殊トークンで代用しません。

LLM 設定

Setup で Base URL、API Key、Model Name を設定します。ローカルキーには local、環境変数には env:NAME が使えます。推論モデルは low とサーバー側の予算を使い、<think> を禁止しません。

設定	既定値
一般の Temperature	0.6
Step 1 / 2 / 3 の Temperature	各 0.1
Top P	0.8
Top K	0（無効）
Min P / Presence penalty	0
Banned tokens	空

各段階は独自の温度を使います。研究の temperature 0 の条件と、通常の UI の既定値は区別してください。

リクエストの大きさ

第 1 段階は約 3,000 文字、第 2 段階は 25 行と前後約 2,000 文字が出発点です。michel2_full はこの前後の文脈を含めます。会話行だけを尋ねる michel2_spoken は、Qwen3-14B（アダプターなし）で michel2_full より 6.5 ポイント高く、第 2 段階は約 3 倍速くなりました。他のモデルは未測定で、アダプターは学習時のプロンプトのまま使ってください。登場人物一覧は引き継がれます。失敗したリクエストでは context rescue が 2,000 / 4,000 / 6,000 文字の窓で各 2 回再試行します。大きくするとコンテキストとメモリーが必要です。容量の選び方を確認してください。

レビューと別名

Review Script は会話中の話者表示、人物に誤って割り当てられた地の文、地の文に埋もれた会話、細かく分割しすぎたナレーション、不適切な指示を修正します。

任意のラベル専用レビュー（prompts.review_labels_only: true または review_script.py --labels-only）は本文を書き直さず、話者と指示だけを返します。句読点の変化や話者表示の移動で、その範囲の話者の修正が失われることがなくなります。行の分割・結合はできません。

Contextual Review は既定で前後 4 行を含む重なる窓で処理します。保存したシリーズの Batch review は、任意で別名を先に検出し、前向き・後ろ向きの 2 回処理を行えます。Find Nicknames は人物の別名を探し、Edit aliases で修正して同じ声へまとめます。

プロンプト

app/ の default_prompts_segment.txt、default_prompts_attribute.txt、default_prompts_instruct.txt、review_prompts.txt にあります。システムメッセージ、---SEPARATOR---、{roster} と {batch} を含むユーザーメッセージで構成されます。

Setup でバリアントを選び、Save as preset で変更を保存します。What the model will see は第 2 段階の正確なメッセージ、Reset to Defaults は再起動なしの再読み込みです。プロンプト変更後の結果やアダプターの相性は、元の条件と区別してください。プロンプトとアダプター（英語）に詳細があります。

既定のプロンプトは英語向けです。日本語では 「」 や話者表示の慣習に合わせて調整し、TTS の Language を Japanese にします。モデルの比較は英語の選択ガイドを参照し、実際の本で確認してください。

保存した台本

Saved Scripts の Save は台本と声を scripts/ に保存し、Load は復元します。Repair のプレビューでは話者・内容の修正と元ファイルのバックアップを確認できます。