dialogue-audio

belt CLI スキルをインストール： npx skills add belt-sh/cli

対話音声

inference.sh CLI 経由で Dia TTS を使い、リアルな複数話者の対話を作成します。

クイックスタート

inference.sh CLI（belt）が必要です。インストール手順

belt login

# Two-speaker conversation
belt app run falai/dia-tts --input '{
  "prompt": "[S1] Have you tried the new feature yet? [S2] Not yet, but I heard it saves a ton of time. [S1] It really does. I cut my workflow in half. [S2] Okay, I am definitely trying it today."
}'

話者タグ

Dia TTS では、2 人の話者を区別するために [S1] と [S2] を使います。

タグ	役割	音声
[S1]	話者 1	音声 A が自動的に割り当てられます
[S2]	話者 2	音声 B が自動的に割り当てられます

ルール：

• 話者が交代するたびに、必ずタグから始めてください
• タグは大文字にしてください。[s1] ではなく [S1] を使います
• 1 回の生成で使える話者は最大 2 人です
• セッション中、各話者の音声は一貫して保たれます

感情と表現の制御

Dia TTS は、句読点や非音声の合図を解釈して感情を表現します。

句読点の効果

句読点	効果	例
.	中立的で断定的な表現、中程度の間	"これは重要です。"
!	強調、興奮、活気	"これはすごいです！"
?	上昇調、疑問	"本当にそうですか？"
...	ためらい、語尾を濁す、長い間	"うまくいくと思ったのですが……うまくいきませんでした。"
,	短い息継ぎの間	"まず分析します。それから行動します。"
— または --	遮り、または話題の転換	"言おうと思っていたのですが――やっぱりいいです。"

非音声の音

Dia TTS は、括弧内に記述した音の表現に対応しています。

(laughs)      — laughter
(sighs)       — exasperation or relief
(clears throat) — attention-getting pause
(whispers)    — softer delivery
(gasps)       — surprise

感情表現の例

# Excited conversation
belt app run falai/dia-tts --input '{
  "prompt": "[S1] Guess what happened today! [S2] What? Tell me! [S1] We hit ten thousand users! [S2] (gasps) No way! That is incredible! [S1] I know... I still cannot believe it."
}'

# Serious/thoughtful dialogue
belt app run falai/dia-tts --input '{
  "prompt": "[S1] We need to talk about the timeline. [S2] (sighs) I know. It is tight. [S1] Can we cut anything from the scope? [S2] Maybe... but it would mean dropping the analytics dashboard. [S1] That is a tough trade-off."
}'

# Teaching/explaining
belt app run falai/dia-tts --input '{
  "prompt": "[S1] So how does it actually work? [S2] Great question. Think of it like a pipeline. Data comes in on one end, gets processed in the middle, and comes out transformed on the other side. [S1] Like an assembly line? [S2] Exactly! Each step adds something."
}'

ペースの制御

間の目安

方法	間の長さ	用途
コンマ ,	約 0.3 秒	節の間、項目の列挙
ピリオド .	約 0.5 秒	文と文の間
省略記号 ...	約 1.0 秒	劇的な間、思考、ためらい
新しい話者タグ	約 0.3 秒	自然な話者交代の間

話す速さの制御

• 短い文 ＝ 速く感じるペース
• コンマを含む長い文 ＝ 落ち着いた、思慮深いペース
• 質問の後に回答を続ける ＝ 会話が弾む、テンポのよいやり取り

# Fast-paced, energetic
belt app run falai/dia-tts --input '{
  "prompt": "[S1] Ready? [S2] Ready. [S1] Let us go! Three features. Five minutes. [S2] Hit it! [S1] Feature one: real-time sync."
}'

# Slow, contemplative
belt app run falai/dia-tts --input '{
  "prompt": "[S1] I have been thinking about this for a while... and I think we need to change direction. [S2] What do you mean? [S1] The market has shifted. What worked last year... is not working now."
}'

会話構成のパターン

インタビュー形式

belt app run falai/dia-tts --input '{
  "prompt": "[S1] Welcome to the show. Today we have a special guest. Tell us about yourself. [S2] Thanks for having me! I am a product designer, and I have been building tools for creators for about ten years. [S1] What got you started in design? [S2] Honestly? I was terrible at coding but loved making things look good. (laughs) So design was the natural path."
}'

チュートリアル／解説

belt app run falai/dia-tts --input '{
  "prompt": "[S1] Can you walk me through the setup process? [S2] Sure. Step one, install the CLI. It takes about thirty seconds. [S1] And then? [S2] Step two, run the login command. It will open your browser for authentication. [S1] That sounds simple. [S2] It is! Step three, you are ready to run your first app."
}'

ディベート／ディスカッション

belt app run falai/dia-tts --input '{
  "prompt": "[S1] I think we should go with option A. It is faster to implement. [S2] But option B scales better long-term. [S1] Sure, but we need something shipping this quarter. [S2] Fair point... what if we do A now with a migration path to B? [S1] That could work. Let us prototype it."
}'

ポストプロダクションのヒント

音量の正規化

両方の話者の音量をそろえてください。一方の声が大きい場合：

# Merge with balanced audio
belt app run infsh/video-audio-merger --input '{
  "video_file": "talking-head.mp4",
  "audio_file": "dialogue.mp3"
}'

背景音／音楽の追加

# Merge dialogue with background music (no inference.sh app mixes audio; use ffmpeg locally)
ffmpeg -i dialogue.mp3 -stream_loop -1 -i background-music.mp3 -filter_complex \
  "[1]volume=0.15[bg];[0][bg]amix=inputs=2:duration=first" mixed.mp3

長い会話の分割

約 30 秒を超える会話は、セグメントに分けて生成します。

# Segment 1: Introduction
belt app run falai/dia-tts --input '{
  "prompt": "[S1] Welcome back to another episode..."
}'

# Segment 2: Main content
belt app run falai/dia-tts --input '{
  "prompt": "[S1] So let us dive into today s topic..."
}'

# Segment 3: Wrap-up
belt app run falai/dia-tts --input '{
  "prompt": "[S1] Great conversation today..."
}'

# Merge all segments (no inference.sh app concatenates audio; use ffmpeg locally)
ffmpeg -i segment1.mp3 -i segment2.mp3 -i segment3.mp3 -filter_complex \
  "[0][1][2]concat=n=3:v=0:a=1" conversation.mp3

スクリプト作成のヒント

すること	しないこと
人が話すように書く	人が文章を書くように書く
短い文（15 語未満）にする	長くて学術的な文にする
短縮形（"can't"、"won't"）を使う	形式的な表現（"cannot"、"will not"）を使う
自然なつなぎ言葉（"So,"、"Well,"）を入れる	すべての文を完璧な形に整える
文の長さに変化をつける	すべての文を同じ長さにする
相づち（"Exactly!"、"Hmm."）を入れる	一方的な独白にする
生成前に声に出して読む	自然に聞こえると思い込む

よくある間違い

間違い	問題	修正方法
3 文を超える独白	会話ではなく講義のように聞こえます	やり取りに分割します
感情表現に変化がない	平板でロボットのような話し方になります	句読点や非音声の合図を使います
話者タグがない	音声が交互に切り替わりません	毎回の話者交代を [S1] または [S2] から始めます
形式的な書き言葉	話し言葉として不自然に聞こえます	短縮形や短い文を使います
話題の間に間がない	慌ただしく感じます	... または場面転換を使います
ずっと同じテンション	単調になります	活気のある場面と落ち着いた場面に変化をつけます

関連スキル

# ElevenLabs dialogue (22+ voices, voice direction)
npx skills add inference-sh/skills@elevenlabs-dialogue

npx skills add inference-sh/skills@text-to-speech
npx skills add inference-sh/skills@ai-podcast-creation
npx skills add inference-sh/skills@ai-avatar-video

すべてのアプリを表示：belt app list