Video Audio (TTS)

scenes.json の narration フィールドから ElevenLabs TTS で音声を生成する。

クイックスタート

# 全ナレーションを結合した1ファイル生成
python skills/video-audio/scripts/generate_audio.py \
  --storyboard-dir output/storyboard/YYYYMMDD_session \
  --voice akari \
  --output output/narration.mp3

# フレームごとに個別ファイル生成
python skills/video-audio/scripts/generate_audio.py \
  --storyboard-dir output/storyboard/YYYYMMDD_session \
  --voice akari \
  --per-scene

日本語ボイス一覧

ID	名前	特徴	エイリアス
EkK6wL8GaH8IgBZTTDGJ	Akari	明るく自然な女性	akari
EnLxjGl88dNO1Jv6AZk2	Miyu	信頼性と深みのある声	miyu
G3EZ8O36A0x9lmeOtr0f	Kaori	親しみやすいフレンドリー	kaori
PmgfHCGeS5b7sH90BOOJ	Fumi	落ち着いた女性	fumi
StTDrGrPSyfaHGmzwXbj	Masa	日本語男性	masa
gARvXPexe5VF3cKZBian	Mitsuki	ニュートラル	mitsuki
YOUR_VOICE_ID	Custom Voice	カスタムボイス	custom

オプション

オプション	デフォルト	説明
--voice	akari	ボイス名またはID
--model	eleven_multilingual_v2	TTSモデル
--stability	0.5	安定性 (0-1)
--similarity	0.75	類似度ブースト (0-1)
--speed	1.0	再生速度
--per-scene	false	フレームごとに個別ファイル出力
--silence-gap	0.3	シーン間の無音（秒）
--output	auto	出力ファイルパス

出力

結合モード（デフォルト）

{storyboard_dir}/audio/narration.mp3    # 全ナレーション結合
{storyboard_dir}/audio/narration.json   # タイムスタンプ情報

per-scene モード

{storyboard_dir}/audio/frame_01.mp3
{storyboard_dir}/audio/frame_02.mp3
...
{storyboard_dir}/audio/timestamps.json  # 各フレームの開始・終了時刻

timestamps.json フォーマット

{
  "total_duration": 18.5,
  "scenes": [
    {
      "frame_number": 1,
      "start": 0.0,
      "end": 2.8,
      "duration": 2.8,
      "text": "ナレーション台本"
    }
  ]
}

動画との統合

compose_video.py で --audio オプションに渡す:

python skills/video-editor/scripts/compose_video.py \
  --storyboard-dir output/storyboard/session \
  --audio output/storyboard/session/audio/narration.mp3

Remotion の場合は public/audio/narration.mp3 に配置し、<Audio> コンポーネントで参照。

環境変数

• ELEVEN_API_KEY — ElevenLabs API キー（必須）

依存

• Python 3.11+
• curl (ElevenLabs API呼び出し)
• ffmpeg (音声結合用、.bin/ffmpeg)