キャラクターが何を言うかだけでなく、どのように話すか、話している間に何をするかまでプロンプトに記述すると、MiniMax H3 はより表現力豊かな演技を生成できます。CawCut では、インライン音声指示と明確な視覚的行動を組み合わせて、笑い、呼吸、強調、ためらい、驚きなどの反応を導けます。結果は変わる可能性があるため、まずは短いプロンプトでテストしてください。
1. タグの仕組みを理解する
4 つのレイヤーで指示します。
- 音声フォーマットタグ： 発話の中に入れるインラインタグです。
<pause>、<inhale>、<whisper>...</whisper>、<i>word</i>などがあります。 - 声の効果音タグ： 山括弧で記述するプリセット指示です。
<chuckle>、<sighs>、<gasps>などを使うと、生成音声に非言語音を加えられます。 - 感情の文脈： ダイアログの外側で、キャラクターの意図、感情、表現方法を自然な言葉で説明します。
- 見える行動： 短い笑顔、緊張したあご、上がった眉、視線を合わせる前の間など、顔の微表情や身体の動きで感情を表します。
タグは、局所的なタイミング指示として使うのが効果的です。それぞれの指示を、影響させたい言葉や瞬間の近くに置いてください。感情全体をタグだけで表そうとしないでください。
たとえば、次の説明は具体性に欠けます。
女性は緊張している。次のようにすると、MiniMax H3 に見える情報をより多く伝えられます。
女性は腕時計を 2 回確認し、ファイルを指で軽くたたく。短く息を吸い、閉じたドアに目を向ける。2. ダイアログブロックを記述する
MiniMax H3 では、発話内容を <d> ブロックで示します。言語タグと正確なセリフはブロック内に置き、話者の身元、動作、表現方法の説明はブロックの外に置いてください。
キャラクターが話すときは、安定した話者 ID を使います。すべてのショットで、そのキャラクターに同じ ID を使用してください。
静かで息の混じった声を持つ若い女性 (S1) が、ためらいながら言う：
<d>[Japanese] あなたが来ると思っていた。<inhale> 私が間違っていた。</d>特定の言葉の近くに強調指示を加えることもできます。
男性 (S1) がカメラに身を乗り出し、抑えた怒りを込めて話す：
<d>[Japanese] こんなことは絶対に起きないと、あなたは約束した。<i>絶対に。</i></d>非言語的な反応を加えることもできます。
女性 (S1) は真剣な顔を保とうとするが、やがて小さく笑ってしまう：
<d>[Japanese] あなたがそんなことをするなんて、信じられない。<chuckle></d>音声フォーマット指示には次のようなものがあります。
| 指示 | 作用 | 例 |
|---|---|---|
<pause> | 短い間を入れる | 信号が弱くなっている。<pause> しっかりして。 |
<long pause> | 長めの間を入れる | 彼女は出ていけと言った……<long pause> それでも私は残った。 |
<breath> | 呼吸音を加える | 彼は最上階に着く。<breath> ドアは開いている。 |
<inhale> / <exhale> | 吸う息、または吐く息を加える | <inhale> 3 つ数えたら始めよう。 |
<catches breath> | 息を切らした話し方にする | ここまで走ってきた。<catches breath> 少し待って。 |
<deep breath> | 落ち着くための深呼吸を加える | <deep breath> 彼らと向き合う準備はできた。 |
<i>word</i> | 1～4 語を強調する | これは私が警告した<i>結果</i>だ。 |
<whisper>...</whisper> | 囲んだ言葉をささやき声にする | <whisper> 明かりはまだついている。</whisper> |
<stutter> | どもりや途切れた話し方にする | <stutter> ち、違う、私の考えじゃない。 |
次の声の効果音指示は、プリセット形式の実験的な機能です。山括弧で記述したカスタム感情タグ（例：<nervous>）は、制御指示として認識されず、通常のセリフとして読み上げられる場合があります。
| 指示 | 作用 | 例 |
|---|---|---|
<laughs> / <chuckle> | 強い笑いから短い含み笑いまで、笑い声を加える | これは今まで聞いた中で一番おかしい。<laughs> |
<snorts> | 多くの場合、思わず出る笑いの反応として鼻を鳴らす音を加える | 笑わないようにしていたのに。<snorts> |
<humming> | 言葉の代わりに鼻歌を加える | 彼女は廊下を鼻歌を歌いながら歩く。<humming> |
<breath> | 一般的な呼吸音を加える | そして……<breath> 事が起きた。 |
<inhale> / <exhale> | 吸気音または呼気音を加える | <inhale> よし、始めよう。 |
<pant> / <gasps> | 急速な息切れ、または鋭い息をのむ音を加える | 彼はついにゴールにたどり着く。<gasps> |
<coughs> / <clear-throat> | 咳、または話す前に喉を整える音を加える | <clear-throat> 発表があります。 |
<sighs> | あきらめ、悲しみ、安堵などを示すため息を加える | あなたの言うとおりだと思う。<sighs> |
<lip-smacking> | 唇を鳴らす音を加える | 彼は一度間を置き、<lip-smacking> それから話す。 |
<sniffs> | 鼻をすする音を加える | 彼女は目をぬぐい、<sniffs> 鼻をすすった。 |
<groans> | 不快感やいら立ちなどを示すうめき声を加える | <groans> これは持ち上げられない。 |
<yawns> | あくびを加える | もう遅い時間だ。<yawns> |
<sneezes> | くしゃみを加える | 彼は花に目を向け、<sneezes> くしゃみをした。 |
<burps> | げっぷを加える | キャラクターは飲み物を飲み終え、<burps> げっぷをする。 |
<whistles> | 口笛を加える | 彼は口笛を吹きながら遠ざかる。<whistles> |
<hissing> | シューという音を加える | 蒸気が鋭い<hissing> 音を立てて漏れ出す。 |
<emm> | ためらいやつなぎの「emm」という声を加える | <emm> ちょっと自信がない。 |
<crying> | 泣き声やすすり泣きを加える | 止めようとした。<crying> |
<applause> | シーン内または背景に拍手を加える | 話者が話し終えると、<applause> 拍手が起こる。 |
これらの指示は、覚えておくべき独立した単語ではなく、正確な局所指示として使うと効果的です。(S1) と <d> 内の [Japanese] を組み合わせた完全な話者形式を使い、それぞれのタグを影響させたい瞬間の近くに置いてください。強調には <i>word</i> で 1～4 語を囲みます。[emphasis] のような角括弧の指示は読み上げられたり、文の想定以上の範囲に影響したりすることがあるためです。指示が意図しない結果を生む場合は、ダイアログブロックの外で自然な言葉を使って表現方法を説明してください。複数の強調指示が必要な場合は、<pause> で区切り、モデルがそれぞれの区切りを認識できる余地を作ります。
3. 見える感情と文脈を加える
音声タグは音に影響しますが、顔や身体には視覚的な指示も必要です。ショットのタイムラインに反応を記述してください。
[Shot 1] 映画のようなクローズアップ。薄暗いオフィスで、疲れた探偵がメッセージを読み、少しだけ眉を上げる。続いて唇を結び、視線をそらす。声は抑制されているが、傷ついた響きがある (S1)：
<d>[Japanese] ここにいると約束したのに。<sighs> 私はこれからどうすればいい？</d>具体的で観察できる細部を使います。
- 驚き： 目を見開く、眉を上げる、口を一瞬開く、頭を少し後ろに引く。
- 疑い： 片方の眉を上げる、視線を横に動かす、唇を引き締める。
- 恐怖： 浅い呼吸、見開いた目、緊張した肩、出口への素早い視線。
- 安堵： 肩の力が抜ける、まぶたが柔らかくなる、長く息を吐く、わずかに不均衡な笑顔。
- 怒り： あごを引き締める、目を細める、姿勢を硬くする、短く区切った話し方。
- 悲しみ： 視線を下げる、動きを遅くする、唇を震わせる、話す前に静かに息を吸う。
文脈を加えると、感情がより一貫します。セリフの直前に何が起きたのか、キャラクターが何を望んでいるのかを説明してください。「ドアノブが回っているため、彼女は怖がっている」のほうが、「彼女は怖がっている」だけの場合より表現を導きやすくなります。
4. プロンプトを作成してテストする
- CawCut で MiniMax H3 の動画生成ワークフローを開きます。
- テキストから動画、画像から動画など、必要な入力モードを選択します。
- ショットの説明を時間の順番に沿って記述します。シーン、主体、動作、カメラ、反応、会話の順に整理します。
- 安定した話者 ID を追加し、正確なセリフを
<d>に入れます。 - 指示を実行したい位置に、インライン指示を 1～2 個追加します。
<i>...</i>で 1～4 語を強調し、フォーマットタグで時間や表現方法を指定し、尖括弧のプリセット指示で声の効果音を加えます。 - 可能であれば、まず短く低コストのテスト版を生成します。
- プロンプトを拡張したり出力品質を上げたりする前に、音声、タイミング、表情、口の動き、連続性を確認します。
プロンプトは簡潔に保ちます。1 つのショットでキャラクターが恐怖から怒り、笑い、悲しみへと変化するようにするより、各ショットの感情変化を 1 つに絞るほうが、通常は制御しやすくなります。
5. 不安定な結果を解決する
- タグが読み上げられる： 完全な
(S1) says: <d>[Japanese] ...</d>構造を使い、別の構文を試すか、<d>の外で自然な言葉を使って表現方法を説明してください。タグだけを単独で使うと、読み上げられる場合があります。 - 音声には感情があるのに、映像が合っていない： ショットの説明に具体的な顔や身体の動きを追加します。
- 呼吸や笑いが省略される： 指示を対象のフレーズに近づけ、
<breath>や<laughs>など対応するプリセットを使い、他のタグを減らします。 - ショットごとに声が変わる： 同じ話者 ID と声の説明を繰り返し使い、ダイアログの構造を統一します。
- セリフが速すぎる： 文を短くし、生成時間を長くし、間や呼吸を加え、ショット内の動作数を減らします。
- 結果が安定しない： 一度に 1 つの変数だけを変更します。同じショットについて、タグなし、タグ 1 個、別の自然言語による説明をそれぞれテストしてください。
表情を特に豊かにしたい場合は、背景をシンプルにしたクローズアップを試し、主体の頭と肩が画面内で安定するようにします。こうすると、音声と微表情を生成する際にモデルが処理する視覚的なタスクを減らせます。
最も信頼しやすいプロンプトは、短い制作指示書です。視聴者に見えるもの、キャラクターの動作、キャラクターのセリフ、その瞬間に音がどのように変化するかを説明してください。