layer-audio

レイヤーオーディオ生成

概要

互いにほとんど共通点のない、3 つの異なるユースケースがあります。sound_effects、music、text_to_speechです。いずれかを選び、その分野で一般的な方法でプロンプトを書いてください。反復の進め方と費用の確認手順については、layer スキルを参照してください。

ここで名前を挙げた関連スキルが利用可能なスキルにない場合は、ユーザーにインストールを依頼してください（npx skills add layerai/skills --skill <name>）。無人で進める場合は、ツールのスキーマに基づいて作業し、不足していることを明記してください。

効果音

感情ではなく、物理的な出来事を描写します。どんな物体が、どんな素材でできていて、どのように動き、どのくらいの規模で、どんな空間にあるのか。「重いオーク材のドア。鉄製の蝶番があり、低いうなり音を立てながらゆっくり開き、最後に石に鈍い音を立ててぶつかる」は音の説明です。「怖いドアの音」はムードボードです。

ゲームですぐに使える効果音になるかどうかは、次の 3 点で決まります。

• 空間。 生成された効果音には、除外しない限り部屋の環境音が含まれます。エンジン側でリバーブを加える素材には、ドライで、近接マイクで録音したような、孤立した音を指定してください。ウェットな効果音を後からドライにすることはできません。
• 長さ。 UI サウンドは短く、長さの目標を指定しないと、モデルは後からトリミングが必要な余韻を生成します。長さを指定してください。
• 生成ごとにイベントは 1 つ。 足音、剣を抜く音、衝撃音は、それぞれ別の素材です。一連の動作を頼むと 1 つのファイルが生成され、それを後から切り分ける必要があります。

UI サウンドのセットを作るときは、状態ごとに個別に生成し、すべてのプロンプトで共通する特徴を一度ずつ指定してください。そうすれば、決定、キャンセル、ホバーの各サウンドに統一感が生まれます。

音楽

ジャンル、楽器編成、テンポ、ムード、そして用途を指定します。抜けがちで、最も重要なのが用途です。同じスタイルでも、メニューのループ曲、戦闘用のレイヤー、ボス登場時の曲、スタッフロール用の曲では作り方が異なります。

曲に含めてほしくないものも伝えます。ゲームの背景音楽には、会話の邪魔になる印象的なメロディーフックを入れるべきではありません。「まばらな編成、主旋律なし、声の下に流れる」と指定すれば、何度も生成し直すよりも早く目的の音に近づけます。

モデルで構造化フィールド（lyrics、instrumental、speed）が使える場合は、同じ内容を文章で説明するのではなく、これらのフィールドを使用してください。どのフィールドが適用されるかは、get_base_model で確認してください。ループが必要な場合は、曲の冒頭につなぎ直せないようなクライマックスに向けて盛り上げるのではなく、アレンジを一定に保ってください。

音声

text_to_speech で絞り込みます。モデルはカンマや句点をペース配分の目安にするため、原稿は実際の句読点を使って整えて送信してください。曖昧なものはすべて明確にします。数字、頭字語、創作したファンタジーの名前などは、そうしないとモデル独自の読み方をされます。「Aelthyr」を複数の登場人物で一貫して発音させるには、発音を表す綴りにする必要があります。

言葉とは別に、話し方を指定します。速度、エネルギー、年齢、アクセント、感情のトーンなどです。キャラクターごとに声を 1 つ決め、プロジェクト全体で同じ声の設定を再利用してください。セリフごとに声が揺れるほうが、単に声が合っていないより目立ちます。

長いナレーションは、1 回で生成するのではなく、段落ごとに分割して生成してください。4 分の音声に 1 語でも誤りがあると、全体を作り直すことになります。

作業例

「インベントリ画面用に、剣を鞘から抜く効果音が必要です。」

1. filter.use_case: "sound_effects" を指定して list_base_models を実行します。最初の結果を選び、get_base_model で長さと形式のフィールドを確認します。
2. イベントをプロンプトで指定します。「革の鞘から鋼鉄のロングソードを 1 本抜く。素早く、明るい金属音が短く響いて消える。ドライで、近接マイクで録音したような音。孤立した音で、部屋のリバーブ、環境音、音楽はなし。1 秒未満。」
3. estimate_forge_price を実行してから、結果を選べるよう batch_size を十分に大きくして実行します。音声生成は安価で、生成ごとの差が大きいためです。
4. poll_interval_seconds の間隔でポーリングし、最初のファイルをそのまま渡すのではなく、結果を試聴してから納品します。

よくある間違い

• 物理的な出来事ではなく、音の感情を説明すること。
• エンジンが独自の空間に配置するアセットに、すでにリバーブがかかっているのに、そのまま受け入れること。
• 1回の生成で一連の出来事を依頼し、その後、手作業でファイルを切り分けること。
• UI サウンドの長さを指定しないこと。
• 音楽キューの役割を指定せず、バックグラウンドループに主旋律が付いてくること。
• 句読点のない台本を送ること、または発音表記のない架空の名前を送ること。
• 1回の呼び出しで4分間のナレーションを生成すること。