それで、AIを使ってヒプノファイルを作る件のsome discussionがあったんだけど、それがきっかけで俺もそういう技術を試して、主にラッキーショットとスロットマシンみたいな3分クリップだけじゃない、実用的な何かを作ってみたくなった。だから本当に必要なのは、技術を限界まで使い切った透明性のあるデモを出してくれる人たちだ。あと、結果がスロットマシン的なランダム運に依存してないって保証してくれる人たち。そうすれば、人が指定した通りにきちんと一貫した本物の催眠術師ペルソナ+スクリプトを作れる。ジェネレーターが顔面に投げつけてきたランダムなクソじゃなくてな。あと、どれだけ時間をかけたかを書くのはめちゃくちゃ重要。
Dramaboxなら、どう喋るかをスクリプト化して、イントネーションや声のスタイルなんかを変えられる。あと呼吸音、ささやき、あえぎ、古いTTSにはできなかった非言語要素の新しい組み込みがトレーニングデータに大量に入ってる。でもポルノ的な喘ぎ声は無理。ただ、ささやきは個人的にはそこそこエロくて官能的に聞こえる。
最終的に、ASMR動画の「コンパニオン」音声を作るのが面白いテストだと思った。
結果はここで聴ける:https://gofile.io/d/GovtMojx
この音声を、コメント対象のASMR動画と同時に、少し大きめの音量で再生する想定:Gibi ASMR | Devilish Triggers
!!!両方のリンクを同時再生!!!
これは、前に6時間くらいかけて練った催眠ファイルの構成に関する一般コンセプトを、ボタン一発でバリエーション化したものだった。このコンセプトは完璧じゃないし1日分の作業にすぎないけど、今後のいろんな用途に使えるし、新しいファイルを作る手間は比較にならないほど小さい。もっとファイルを作りたければもっと要素を足す必要があるから、繰り返しに聞こえないようにしないとな。
コンセプトの要約:dpaste.org/gXt2n/raw
コンセプトの例の結果:dpaste.org/1ahSL/raw
このコンセプトは同じ話者のサンプルで作ったんだけど、他の話者でもいけることがわかった。ただ、コンセプトがその話者の声の性質(ASMRの柔らかい/ささやき/低い声)に合わせて有機的に育った感じもある。だから話者が「生意気なティーン」とか「支配的なクーガー」みたいな場合は多少適応が必要かも。あと後で、非公開のASMR動画のいろんな場所から合計30秒サンプリングしてみたら(もちろん法的な理由でGibiからはやってない…)、最終的に驚くほどGibiっぽく聞こえた。サンプルを3〜5回取って、各クリップのコンピを目的にどれだけ合うか確認した。それと、特定のムードや声のスタイルで予想できないような顕著な差が出ることがある。Gibiの動画もTTS用に実際にサンプリングしてみた(テスト用だけで公開用じゃない)けど、結果はGibiとはちょっと違って聞こえて、それでも話者のユニークなアイデンティティが生まれることに気づいた。だから法的にも重要で、サンプルの出所を100%特定できないし、法的にはかなりトランスフォーマティブだけど、それでもジェネリックにはならない。
サンプル取りは1サンプル10分くらい、それからDramaboxで試すのに数分。これをきれいにちゃんとやるのが一番大事で、ここで手を抜かず、自分が何をしててTTSが何をしてるのかを理解するのにめちゃくちゃ労力をかけるべき。
で、動画に合わせたスクリプトを出すために、Deepseekにこのコンセプトと例の結果を使わせて、動画へのコメントとして機能するように変換するプロンプトを入れた。5分くらいの作業で、そしたらタイムスタンプがずれて内容も好みじゃなかった。だからもう2回「これ長く、あれ長く」って言った。15分でスクリプトは完成。
コンセプト+例を適用して新しいスクリプトを出したのがこれ:dpaste.org/iqZTq/raw
音声を仕上げるために、ChatGPTの適当なハックスクリプトを使って、Dramaboxが45秒セグメントをつなぐときに作るクソみたいな500msの無音ギャップを埋めた。このセグメンテーションも、これを他のLLMにプロンプトするだけで、絶対に手書きでスクリプトを書くなという大きな理由。LLMは(少なくともコンセプト要約によれば)毎行ごとにボイスセットと設定を全部何度も繰り返してスクリプトを膨らませるはず。それができないならそのLLMはクソだ。
無音ギャップ修正のPythonスクリプト:dpaste.org/o0Jxh/raw
ここまでで、ファイル自体は単体でもそこそこ聞けるけど、やっぱりコメント対象のASMR動画みたいなセカンドトラックが必要で、それで本当に良くなる。単体音声にするなら、他のトラックは催眠のバイノーラルビーツ+指示入りのレイヤー背景トラック、あとはローション音みたいな普通のASMRでもいい。それはさらに数時間の作業になる。でもGibi動画へのコメントだったから不要だった。
とはいえ…俺はさらに2時間くらい入れた。TTSが言い間違えたトリガーを直したり、変に聞こえたり、セグメントが完璧に合ってなかったり、「彼女が今キャンドルを取ってる」みたいに言わない指示を守らなかったから。だってLLMがタイムスタンプから彼女がいつどこで何をしてるかなんて、どうやって知るんだよ…まあいいや、もう遅かったし、こんなクソはもういい。
だからかなり感動した。いろんな用途に使える。これはただの風呂場で思いついたやつで、ASMR動画に性的な催眠コメントを付けるってだけ。もし誰かが20時間ぶっ通しでこのコンセプトをバリエーション付きでもっと汎用的にしたら、作業中とかウンコ中とか、BGMとして聴いて励まされるようにもできる。可能性全部はまだ考えてない。それはお前に任せる。
もう全部やったから、同じ品質の音声をもう1本作るのにどれくらいかかるか見積もっておく:
* WSL2(Windows内Linux)をCUDAとか込みでインストール:2時間
* Dramaboxインストール:10分+16GB(?)ダウンロード
* Dramabox起動:3〜5分
* DeepseekかローカルLLMでコンセプトをパーソナライズするために1000語くらい書く:15分
* 3〜5倍速で音声生成:5分
* 結果を微調整するためにLLMにまた500〜1000語書く:10分
* 最後の2ステップを何回か繰り返す
* A+の結果にするためにオーディオレイヤーを追加:2〜5時間?
必要環境:
* GPUメモリ24GB
* CUDA(?)
Dramaboxの設定はすごく簡単:
* STG Scale:最初は3で試す、実験するなら高め
* Duration:催眠なら1.4〜1.5くらい、1.1〜1.2だとかなり速い、クライマックスセグメントを別で生成するならそのくらい
* Reference Duration:30秒で最大の音声サンプルを取得
この日のDeepseekチャットログ全部はこれ:chat deepseek.com/share/bbdd4orgftol3hgu52
このクソがどれだけ時間かかるか、技術の限界がどこか、何ができるかの概要の役に立てばいい。
Dramaboxなら、どう喋るかをスクリプト化して、イントネーションや声のスタイルなんかを変えられる。あと呼吸音、ささやき、あえぎ、古いTTSにはできなかった非言語要素の新しい組み込みがトレーニングデータに大量に入ってる。でもポルノ的な喘ぎ声は無理。ただ、ささやきは個人的にはそこそこエロくて官能的に聞こえる。
最終的に、ASMR動画の「コンパニオン」音声を作るのが面白いテストだと思った。
結果はここで聴ける:https://gofile.io/d/GovtMojx
この音声を、コメント対象のASMR動画と同時に、少し大きめの音量で再生する想定:Gibi ASMR | Devilish Triggers
!!!両方のリンクを同時再生!!!
これは、前に6時間くらいかけて練った催眠ファイルの構成に関する一般コンセプトを、ボタン一発でバリエーション化したものだった。このコンセプトは完璧じゃないし1日分の作業にすぎないけど、今後のいろんな用途に使えるし、新しいファイルを作る手間は比較にならないほど小さい。もっとファイルを作りたければもっと要素を足す必要があるから、繰り返しに聞こえないようにしないとな。
コンセプトの要約:dpaste.org/gXt2n/raw
コンセプトの例の結果:dpaste.org/1ahSL/raw
このコンセプトは同じ話者のサンプルで作ったんだけど、他の話者でもいけることがわかった。ただ、コンセプトがその話者の声の性質(ASMRの柔らかい/ささやき/低い声)に合わせて有機的に育った感じもある。だから話者が「生意気なティーン」とか「支配的なクーガー」みたいな場合は多少適応が必要かも。あと後で、非公開のASMR動画のいろんな場所から合計30秒サンプリングしてみたら(もちろん法的な理由でGibiからはやってない…)、最終的に驚くほどGibiっぽく聞こえた。サンプルを3〜5回取って、各クリップのコンピを目的にどれだけ合うか確認した。それと、特定のムードや声のスタイルで予想できないような顕著な差が出ることがある。Gibiの動画もTTS用に実際にサンプリングしてみた(テスト用だけで公開用じゃない)けど、結果はGibiとはちょっと違って聞こえて、それでも話者のユニークなアイデンティティが生まれることに気づいた。だから法的にも重要で、サンプルの出所を100%特定できないし、法的にはかなりトランスフォーマティブだけど、それでもジェネリックにはならない。
サンプル取りは1サンプル10分くらい、それからDramaboxで試すのに数分。これをきれいにちゃんとやるのが一番大事で、ここで手を抜かず、自分が何をしててTTSが何をしてるのかを理解するのにめちゃくちゃ労力をかけるべき。
で、動画に合わせたスクリプトを出すために、Deepseekにこのコンセプトと例の結果を使わせて、動画へのコメントとして機能するように変換するプロンプトを入れた。5分くらいの作業で、そしたらタイムスタンプがずれて内容も好みじゃなかった。だからもう2回「これ長く、あれ長く」って言った。15分でスクリプトは完成。
コンセプト+例を適用して新しいスクリプトを出したのがこれ:dpaste.org/iqZTq/raw
音声を仕上げるために、ChatGPTの適当なハックスクリプトを使って、Dramaboxが45秒セグメントをつなぐときに作るクソみたいな500msの無音ギャップを埋めた。このセグメンテーションも、これを他のLLMにプロンプトするだけで、絶対に手書きでスクリプトを書くなという大きな理由。LLMは(少なくともコンセプト要約によれば)毎行ごとにボイスセットと設定を全部何度も繰り返してスクリプトを膨らませるはず。それができないならそのLLMはクソだ。
無音ギャップ修正のPythonスクリプト:dpaste.org/o0Jxh/raw
ここまでで、ファイル自体は単体でもそこそこ聞けるけど、やっぱりコメント対象のASMR動画みたいなセカンドトラックが必要で、それで本当に良くなる。単体音声にするなら、他のトラックは催眠のバイノーラルビーツ+指示入りのレイヤー背景トラック、あとはローション音みたいな普通のASMRでもいい。それはさらに数時間の作業になる。でもGibi動画へのコメントだったから不要だった。
とはいえ…俺はさらに2時間くらい入れた。TTSが言い間違えたトリガーを直したり、変に聞こえたり、セグメントが完璧に合ってなかったり、「彼女が今キャンドルを取ってる」みたいに言わない指示を守らなかったから。だってLLMがタイムスタンプから彼女がいつどこで何をしてるかなんて、どうやって知るんだよ…まあいいや、もう遅かったし、こんなクソはもういい。
だからかなり感動した。いろんな用途に使える。これはただの風呂場で思いついたやつで、ASMR動画に性的な催眠コメントを付けるってだけ。もし誰かが20時間ぶっ通しでこのコンセプトをバリエーション付きでもっと汎用的にしたら、作業中とかウンコ中とか、BGMとして聴いて励まされるようにもできる。可能性全部はまだ考えてない。それはお前に任せる。
もう全部やったから、同じ品質の音声をもう1本作るのにどれくらいかかるか見積もっておく:
* WSL2(Windows内Linux)をCUDAとか込みでインストール:2時間
* Dramaboxインストール:10分+16GB(?)ダウンロード
* Dramabox起動:3〜5分
* DeepseekかローカルLLMでコンセプトをパーソナライズするために1000語くらい書く:15分
* 3〜5倍速で音声生成:5分
* 結果を微調整するためにLLMにまた500〜1000語書く:10分
* 最後の2ステップを何回か繰り返す
* A+の結果にするためにオーディオレイヤーを追加:2〜5時間?
必要環境:
* GPUメモリ24GB
* CUDA(?)
Dramaboxの設定はすごく簡単:
* STG Scale:最初は3で試す、実験するなら高め
* Duration:催眠なら1.4〜1.5くらい、1.1〜1.2だとかなり速い、クライマックスセグメントを別で生成するならそのくらい
* Reference Duration:30秒で最大の音声サンプルを取得
この日のDeepseekチャットログ全部はこれ:chat deepseek.com/share/bbdd4orgftol3hgu52
このクソがどれだけ時間かかるか、技術の限界がどこか、何ができるかの概要の役に立てばいい。