入力に関するベストプラクティス
数字 (Numbers)
- 数字：テキスト読み上げモデルは、電話番号や通貨などの形式の処理において、困難に直面する場合があります。
- 推奨：曖昧さを避けるため、数字は言葉で表記してください（例：「1」ではなく「one」と書く）。
- 電話番号：123-456-7890 ← 1、2、3、4、5、6…
- 通貨：$45.67 ← 45ドル67セント
- 略語：明確にするため、省略せずに正式名称で記述してください。
- د. ← 博士（または医師）、ش. ← 通り。
- リンク／シンボル：
- moknah.io/docs ← moknah.io/docs（そのまま入力してください
発音される）。
- 100% ← 100パーセント
概要 (Overview)
「テキスト読み上げ（Text to Audio）」や「Text to Audio Studio」を使って最初の音声ファイルを生成するのは、非常に簡単です。しかし、これらの機能を最大限に活用するためには、いくつか留意すべき点があります。
ガイド
1
テキスト音声変換ページの入力欄に、テキストを入力または貼り付けてください。
音声合成で優れたパフォーマンスを実現するために、テキストに表現用タグをいつでも組み込むことができます。
- 感情（Emotions）機能を有効にする場合は、[shouting]（叫び）や [breathing]（呼吸）のように、括弧で囲んだタグを使用してください。これらのタグは非常に効果的です（完全なリストについては「Voice Tags」のセクションを参照してください） 。
- 感情機能が有効でない場合でも、求められる表現（「excited」と記述するなど）を説明したり、 で囲まれたタグを使用したりすることは可能です。ただし、これらのタグは実験的なものであり、動作が安定しない場合があります。
- 注：すべてのタグは英語で入力する必要があります。他の言語での使用は試験的なものであり、確実に動作しない可能性があるためです。今後のアップデートでは、絵文字やボタンを活用してこのプロセスを簡素化する予定です。
- 文字数制限と長尺コンテンツ：標準の音声生成ボックスは短いセグメント向けに設計されており、入力可能な文字数は最大1,500文字です（最適な品質を得るためには、1回の生成につき約200文字とすることをお勧めします）。
- 大量のコンテンツを扱う場合：オーディオブックや長文記事のように、再編集や結合の手間をかけずに、途切れのない一つの音声ファイルとして作成したい場合は、この入力欄を使用しないでください。代わりに「Text to Audio Studio（テキスト音声変換スタジオ）」をご利用ください。このスタジオでは、ドキュメント全体をアップロードし、長尺コンテンツの制作を効率的に自動化することができます。
2
音声の選択 (Voice selection)
リストから、使用したい音声を選択してください。
音声の選択は重要です。例えば、標準アラビア語を話す音声が必要な場合、最初からそのために最適化された音声を選ぶのが最善であり、特定の口語（方言）用に設定された音声を選ぶべきではありません。とはいえ、方言用に設定された音声を選んだからといって、標準アラビア語のテキストを読み上げられないわけではありません。実際には読み上げ可能ですし、生き生きとした表現になることもあります。ただし、感情パラメータ（emotion parameter）や温度（temperature）の値を上げすぎると、予期せぬ結果を招く可能性があります。音声が、元となった方言の特性を帯びる傾向が強まるためです。
例えば、特定の方言での表現を求めているとしましょう。その際、感情パラメータを有効にせず、一般的な（方言に特化していない）音声を選択した場合でも、表現力や「熱量（warmth）」の度合いを高めることで、より理想の方言に近いニュアンスを出すことが可能になります。いずれにせよ、音声表現は入力された文脈に基づいて生成されます。モデルが入力された方言を理解できれば、たとえ選択した音声がその方言に特化したものでなくても、その特徴を模倣し、再現しようと試みるからです。繰り返し試行錯誤を重ねることで、設定やその調整方法に関する理解が深まり、最適なバランスを見つけ出して素晴らしい成果を生み出せるようになることを忘れないでください。
3
設定の調整（任意）
希望する出力を得るために、音声設定を調整してください。
推奨されるデフォルト設定は、下の画像に示されています。
設定:
- 創造性パラメータ（Temperature）：
- より高い＝ より高い柔軟性
- より少ない＝ より硬直的
- 「温度（Temperature）」の値を上げると、AIモデルは音声表現においてより大きな自由度を得られますが、値を上げすぎると不自然な結果が生じるリスクがあります。一方で、値をゼロにすると音声表現は硬質で無機質なものになってしまうため、ニーズに合わせて適切な中間値に設定するのが最善です。
- 相似： Similarity
- 最高= 原音に近い
- 「より少ない」 ＝元の音声との類似性が低い
- 一致係数を上げると、元の音声との類似性が高まります。しかし、参照サンプルがクリーンでなかったり品質が低かったりする場合に係数を最大値に設定すると、ノイズや歪み（パチパチという音など）が生じるリスクがあります。サンプルがクリーンであれば、完全な一致を求めるために最大値に設定しても構いませんが、そうでない場合は、よりクリアで良好な結果を得るために値を下げてください。
- 速度： Speed
- より高い＝ より速い
- より少ない＝ より遅い
- 音声速度を最大または最小に設定すると、生成される音声の品質が低下する可能性があります。そのため、必要な場合を除き、この設定の利用は推奨されません。
- 表現力: Expressiveness
- 最高= 感情のこもった朗読
- 「より少ない」 ＝中立的なトーン
- 感情パラメータの値を上げると、出力はより自然な表現に近づきますが、過度に上げると不自然な挙動が生じる恐れがあります。そのため、特にVoice Studioで大量の音声を生成する際は、パラメータを「0」に設定したままにし、特定の文に対して試験的に値を上げて調整することをお勧めします。
感情設定（Emotion Setting slides）：
推奨されるデフォルト設定は、横の画像に示されています。
上の画像のように「Enable Emotion（感情の有効化）」を選択する場合、推奨される設定は「Temperature（温度）」の値を上げることです。
4
必要な処理モード（正規化）を選択してください。
- 基本（Basic）：追加要素のないアラビア語や、アラビア語以外の言語に適しています。
- AI（人工知能）による強化：アラビア語専用に設計されており、文脈を理解し、文や段落を適切に区切り、発音に合わせた必要な母音記号（タシュキール）を付与します。
5
生成 (Generate)
音声ファイルを生成するには、「Text to Audio」ページで「 Run 」ボタンを、または「Text to Audio Studio」で「 Generate 」ボタンをクリックしてください。Studioでは、「Merge」ボタンをクリックすることで、数千行を一度に生成することが可能です。