1. 目的

multiai-tts 0.5.0 は、Google TTS へ話し方の指示を渡す形式として speech_metadata を提供する。これは Gemini 3.8 を含む構造化 TTS メタデータ対応モデルで、原稿を逐語的な text、話し方を speech_metadata.style として分離する形式である。

従来のインライン形式では、スタイル指示と原稿を同じ入力に連結する。構造化形式へ同じ連結を行うと、指示や区切り文字まで原稿として音声化されるおそれがある。0.9.0 は、slidemovie がこの形式を明示的に選択・転送できるようにし、原稿以外を読み上げないことを保証する。

モデル名の接頭辞・接尾辞による判定は行わない。将来の Gemini モデルを含め、対応可否は利用者が設定する API 契約 tts_prompt_mode で決める。

2. 設定

config.json、Movie 属性、CLI、GUI に tts_prompt_mode を追加する。

値 意味 既定値
legacy_inline 従来の Google TTS 互換形式。スタイル指示と原稿の区切りとして prompt_separator を使える。 はい
speech_metadata 原稿を本文、スタイル指示を構造化メタデータとして送る。 いいえ

legacy_inline を既定にして、既存プロジェクトの出力と設定を維持する。未知の値は multiai-tts の設定エラーとして API 呼び出し前に失敗する。

{
  "tts_provider": "google",
  "tts_model": "gemini-3.8-flash-tts",
  "tts_prompt_mode": "speech_metadata",
  "tts_use_prompt": true,
  "prompt": "大学教員が学生に語りかけるように、落ち着いた自然な抑揚で読む。",
  "prompt_separator": ""
}

CLI では次のように指定できる。

slidemovie my-project --video \
  --tts-provider google \
  --tts-model gemini-3.8-flash-tts \
  --tts-prompt-mode speech_metadata

3. 原稿・プロンプト・区切りの扱い

tts_use_prompt が真の場合、prompt とスライドごとの additional_prompt をスタイル指示として multiai-tts.Prompt.save_tts() の prompt 引数へ渡す。偽の場合は従来どおり空のプロンプトを渡す。

モード 原稿 スタイル指示 prompt_separator
legacy_inline 従来の multiai-tts 形式 prompt + additional_prompt + prompt_separator 使用する
speech_metadata text として変更せず渡す speech_metadata.style へ渡す 使用しない

speech_metadata では、設定値に prompt_separator が残っていてもスタイル指示へ追加しない。移行時は空文字列へ変更することを推奨する。prompt には読み上げ見出し、原稿の開始記号、原稿そのものを入れず、話し方だけを書く。

局所的な間や息継ぎはスタイルプロンプトではなく、対応モデルが定める原稿中のタグ（例: <short pause>）として ::: notes に記述する。slidemovie は原稿のタグを変更しない。

4. チャンク処理と状態管理

chunk_size、split_chars、chunk_overflow は従来どおり原稿だけを対象にする。分割された各チャンクには、同じスタイル指示が再適用される。スタイルプロンプトや prompt_separator の長さはチャンク境界へ影響しない。

tts_prompt_mode は status.json の tts_config.prompt_mode に記録する。既存の状態ファイルにこの項目がない場合は legacy_inline として補完し、不要な設定変更確認を出さない。モードを変更した場合は他の TTS 設定と同様に変更確認の対象となり、音声の再生成を促す。

GUI はこの設定を「Google プロンプト形式」として表示・保存し、記録済みの TTS 設定を採用した場合にも復元する。

5. 依存関係と互換性

speech_metadata を使うには multiai-tts>=0.5.0 が必要である。slidemovie の依存下限もこのバージョンへ更新する。

  • OpenAI、Azure、VOICEVOX の送信内容は変更しない。
  • Google で legacy_inline を選ぶ場合も従来どおりである。
  • 対応可否をモデル名から推測しないため、構造化メタデータを受け付ける将来モデルは speech_metadata を明示するだけで利用できる。
  • 構造化メタデータを受け付けないモデルで speech_metadata を指定した場合は、旧形式へ黙ってフォールバックせず、multiai-tts が返す明確なエラーを利用者へ示す。

6. テストと受け入れ条件

  • 任意の Google モデル ID で speech_metadata を指定すると、その値が Prompt.tts_prompt_mode へ渡る。
  • speech_metadata では prompt_separator が save_tts() の prompt に混入しない。
  • legacy_inline では従来どおり prompt + additional_prompt + prompt_separator を渡す。
  • CLI、GUI、config.json、status.json の各経路でモードが保持される。
  • 原稿の分割結果と、OpenAI・Azure・VOICEVOX の既存挙動を変更しない。