AI Sound Designで生成できるものを理解する
Sound Designは、Noiz AI Playgroundにある生成系の音声ツールです。テキスト、アップロードした画像、あるいはその両方を組み合わせて音やシーンを描写すると、モデルがゼロから独自の音声を合成します。
生成前に、出力の長さを0.5秒から10秒の間で設定します。1回の生成につき、すぐにダウンロードできる音声ファイルが1つ作成されます。
よくある使い方:
YouTube動画、ポッドキャスト、瞑想コンテンツ向けの環境音のベッド
映画、予告編、ショート動画向けの映画的な音効
ゲーム用の音声素材——環境ループ、UI音、雰囲気のあるシーン
プレゼン、広告、ブランドコンテンツ向けのBGM
本番制作に入る前の、音のコンセプトのラフな試作
AI Sound Design向けに音を説明する
サイドバーから Sound Design を開きます。テキストフィールドに、生成したい音やシーンを説明します。簡潔でも詳細でも構いません。最大500文字まで入力できます。
より豊かな結果を得るには、単一の物体を書くだけでなく、環境・雰囲気・音の層を描写しましょう。たとえば「雨」だけではなく、「静かな雨の夕方、屋根のあるポーチで、遠くに雷鳴が響き、そよ風で葉がかすかにさざめいている」のように書いてみてください。
Durationスライダーで、生成する音声の長さを0.5秒から10秒の間で設定します。長さの数値をクリックして直接入力することもできます。
きっかけが欲しいときは、下にスクロールして Templates for Inspiration を見てみましょう——Forest、Café、Space、Lo-fi、Cyber、Noir ——テンプレートを選ぶと自動入力されるので、それを自分のプロジェクトに合わせて編集します。
画像を追加してAI Sound Designを誘導する
テキストの説明に画像も添えると、より精密で雰囲気のある結果が得られます。モデルは色・質感・写っているもの・雰囲気といった視覚情報を読み取り、生成する音声に反映します。
たとえば、サンゴ礁の水中写真をアップロードすると、テキストがなくても、モデルは水流の環境音や柔らかな海の音の方向に導かれます。
画像だけを使ってテキストなしで生成することも、両方を組み合わせてより具体的な出力を得ることもできます。風景や環境、映画のワンシーンのような、シーンを感じさせる写真が特に効果的です。
AI Sound Designの出力を試聴・ダウンロードする
Generate Sound をクリックします。結果は Your Sound カードとして表示され、シーンの要約、カテゴリータグ、音声の層を時間軸で示した内訳が付いています。
再生コントロールで音声を試聴します。結果に満足したら、ダウンロードボタンをクリックしてファイルを保存します。
思っていたものと違うときは、説明を調整したり長さを微調整したりして、もう一度生成してみましょう。生成はそれぞれ独立しているため、プロンプトの少しの変更でも結果が大きく変わることがあります。
長めの環境音のベッドを作る前に、まずは2秒程度の短いテストクリップを生成して、雰囲気と音の層を確認するのがおすすめです。
AI Sound Design向けにより良いプロンプトを書く
単一の音ではなく、シーンを描写する。 層になったシーンは、一語だけのプロンプトよりも豊かで、没入感のある結果を生みます。
雰囲気や空気感の言葉を入れる。 「不気味」「静かで落ち着いた」「緊張感のある」「懐かしい」といった言葉は、字面上の音を超えて、全体のトーンを方向づけてくれます。
画像とテキストを組み合わせる。 画像だけでは伝わらない情報——時間帯、画面外の状況、その瞬間の強度など——をテキストで補いましょう。
用途に合わせて長さを調整する。 UIのクリック音、打撃音、トランジションなど、素早い音効なら2秒以内に収めます。環境ループやシーン設定用の音声なら5〜10秒にすると、モデルがサウンドスケープを発展させる余地が生まれます。
小さな変更で少しずつ調整する。 強度、層の重なり、設定など、一度に一つの要素だけを変えて、目指す音に近づけていきましょう。
インスピレーション用のテンプレートを活用する。 テンプレートのチップをクリックしてテキストフィールドに反映させ、そこから自分のプロジェクト向けに調整します。
AI Sound Designと他のNoiz音声ツールの使い分け
Noiz AIには3つの音声生成ツールがあり、どれを使うかは何から始めるかによって決まります。
Sound Design —— テキストの説明や画像から始めます。動画ファイルは不要です。ゲーム用の音効、動画用の環境音のベッド、UIのクリック音、映画的なインパクト音など、単独の音声素材が必要なときに使います。
Smart Video Sound —— 動画ファイルから始めます。モデルが映像を見て、画面上の出来事に同期した音声を生成します。すでに画面に映っているものに合わせて音を鳴らしたいときに使います。
Text-to-Speech —— 台本から始めます。モデルが書いたテキストを、1,000種類以上の声から選んだ人の声に変換します。
多くの制作フローでは、Sound DesignとSmart Video Soundを併用します。まずSound Designで単独の音声素材を作り、それを編集に取り込んだうえで、シーン全体のスコアリングにSmart Video Soundを使う、という流れです。
この違いは調整の方向性にも影響します。Sound Designではプロンプトを調整します——書き直して再生成し、望む音に近づけていく作業です。Smart Video Soundでは元の動画やモード設定を調整します。今どちらのツールを使っているのかを意識しておくと、プロンプトの問題を動画設定で解決しようとしたり、その逆をしたりする無駄を避けられます。