Skip to main content
Sonic 3.6 は、最小限のプロンプトエンジニアリングで自然に聞こえるよう設計されています。ほとんどの場合、トランスクリプトをそのまま渡すだけで、正規化・ペース・表現はモデルが処理します。以下のヒントは Sonic ファミリー全体に適用され、Sonic 3.6 と Sonic 3 で異なる点については、該当する箇所でその都度示します。

推奨事項

  • 自然で句読点が正しく付いたテキストを渡してください。 通常の大文字小文字と句読点を使った完全な文が、最良のペースとイントネーションを生み出します。各トランスクリプトは終止符(.、?、!)で終えてください。
  • 完全なフレーズを送信してください。 完全な文は、孤立した断片や単語単体よりも自然に聞こえます。数値、コード、spell タグを単独で送信せず、前後の文を含めてください。例:Your confirmation code is <spell>ABC123</spell>.
  • 通常の大文字小文字を使用してください。 すべて大文字の表記は、1 文字ずつ読み上げたい頭字語(例:USA)だけに使ってください。それ以外のすべて大文字の単語は、頭字語として誤読される可能性があります(例:NASA)。強調や叫び声を表すために大文字を使うのは避けてください。
  • 数値、通貨、日付、一般的な略語は、従来の書き言葉の形式で渡してください。 Sonic はほとんどの入力でこれらのパターンを自然な音声にマッピングします:
    • 1,234,567 のような大きな数値
    • $19.99 のような通貨
    • 米国の電話番号:(415) 555-1212
    • 123 Main St のような住所
    • メールアドレス:user@example.com
    • MM/DD/YYYY 形式の日付:04/20/2025
    • AM/PM の前にスペースを入れた時刻:7:00 PM、7 PM、7:00 P.M.
    • 一般的な略語(NASA)や頭字語(USA)
    記号は自然に処理されます。@ は at と読まれ(メールアドレス)、() は読み上げられません(米国の電話番号)。LLM がトランスクリプトを書く場合は、音声エージェント(LLM が生成するテキスト)を参照してください。
  • 音声を言語に合わせてください。 各音声には、最も適した主要言語があります。特定の言語の音声を試聴するには、Playground を使用してください。
  • プロンプトは自然な書き言葉の形式のまま維持してください。 過度な前処理(句読点の除去、大文字小文字の強制など)は、一般に出力品質を下げます。

事前正規化

Sonic 3.6 は、ほとんどの入力で上記の一般的なケースを自動的に処理します。一般的でないケースや、それでも誤読されるバグに遭遇した場合は、フォールバックとしてテキストの事前正規化を検討してください。LLM には、読み上げる形どおりにすべて書き下したトランスクリプトを書かせます。 事前正規化はエッジケースのためのフォールバックです。従来の形式で句読点が正しく付いたテキストは、大多数のケースで正しく読まれます。

ペースとスペリングの制御

確認コード、注文 ID、シリアル番号、スペルアウトされた名前など、1 文字ずつ読み上げる必要があるときや、細かいペース制御が必要なときは、次のいずれかを使用してください:
  1. spell タグ(推奨)。 文字列を <spell>...</spell> で囲みます。最も信頼性の高い方法で、サポートされているすべての言語で、文字、数字、英数字の混在に対応します。
  2. スペース区切りの文字。 代わりに、文字を半角スペース 1 つで区切っても同じ結果が得られ、自然なペースでスペルが読み上げられます。
  3. カンマ区切りの文字。 より長いポーズが必要な場合は、各文字の後にカンマとスペースを追加できます。
  4. 意味によるグループ化。 より自然なペースにするには、スペースを使い、人が自然に区切る位置にカンマを追加します。
Sonic 3 から移行する場合: Sonic 3.6 では推奨される区切り形式が変更されました。文字はスペースまたはカンマで区切り、グループ間にはカンマを入れてください。文字の間にピリオドを入れたり、カンマとピリオドを混在させたりしないでください。この形式は sonic-3 のスナップショットでは引き続き動作しますが、Sonic 3.6 では推奨されません。

音声エージェント(LLM が生成するテキスト)

スターターシステムプロンプト。 製品に合わせて貼り付け、不要な部分を削れるベースラインです。スタックが <spell> などのタグを Sonic に渡さない場合は、タグに関する行を省略し、セクション 4 の区切り文字によるフォールバックを使用してください。

ポーズの挿入

ポーズには自然な句読点を使用してください。カンマやピリオドで、通常は文脈に合ったポーズが生まれます。明示的に一定時間の無音を入れるには、break タグを使用します。break タグは生成を分割するため、不自然に聞こえることがあります。複数のタグを立て続けに配置すると、ハルシネーションの原因になるため避けてください。各タグは 1 文字としてカウントされ、前後に空白は不要です。

言いよどみ

トランスクリプト内の言いよどみは、Sonic 3.6 で最もよく機能します。
言いよどみはマークアップではなくコンテンツです。人がセリフを書くときと同じように、テキストに書き込みます(例:uh、um、hmm などのフィラー)。Sonic 3.6 は、トランスクリプトに書かれた言いよどみを自然なペースとイントネーションで処理し、人が考えているときのように音を伸ばしたり、話す速度を落としたりします。
最良の結果を得るには:
  • 言いよどみは標準的な表記で書き、カンマで区切ってください:uh、um、hmm。Sooooo や ummmm のような標準的でない綴りは、自然に聞こえません。
  • 控えめに使用してください。 フィラーは、本当のためらいや不確かさを表すときに自然に聞こえます。たとえば、取得した事実や数値の前(Your balance is, uh, four hundred and twelve dollars.)や、難しい質問に続くターンの冒頭(Well, so, that depends on when you filed.)などです。
  • Sonic はトランスクリプトにある内容だけを話し、言いよどみを自ら挿入することはありません。

発音

固有名詞、商標、ドメイン固有の用語、あるいは同じスペルを区別したいとき(例:都市名の Nice と形容詞の nice)には、カスタム発音を使用してください。

ストリーミング

連続して聞こえる必要のある音声チャンクを生成するとき(たとえば LLM のストリーム出力)は、継続を使用してください。これにより、チャンクの境界をまたいでもプロソディと音声の一貫性が保たれます。