テキスト読み上げ
Agent が会話の中でテキスト回答を音声に変換する必要がある場合は、Text to Speech を使います。
ユーザーが読む代わりに聞きたい場合、耳で確認した方が分かりやすい場合、またはチャネル体験として音声フォローが必要な場合に役立ちます。
Text to Speech が適している場面
使う場面:
- ユーザーが回答の音声版を明確に求めている
- 回答内容が安定しており、読み上げてもよい
- 読むより聞く方が役立つ
使わない場面:
- Agent がまだ事実を集めている、または何を言うか判断している途中
- ユーザーが通常のテキスト回答だけを必要としている
- 秘密情報、決済情報、その他音声化すべきでない機微な内容を含む
Step 1: Text to Speech を追加する
Editor で Tools を開き、Add Tool を押して Text to Speech を選択します。
Step 2: 音声モデルを選ぶ
Agent が使う ElevenLabs の音声モデルを選択します。
モデル一覧が空の場合、その workspace または環境で ElevenLabs がまだ設定されていない可能性があります。ツールをテストする前に、管理者に provider 設定を確認してもらってください。
Step 3: 言語の動作を選ぶ
話す言語を固定したい場合を除き、Language は自動判定のままで構いません。
言語固定が役立つ場面:
- Agent が常に 1 つの対象言語で話す必要がある
- ユーザーは複数言語で入力するが、音声出力は一貫させたい
- 教育、コーチング、サポートの流れで言語の揺れを減らしたい
Step 4: 声を選ぶ
Voice Gender は候補を絞るためのものです。最終的な出力は、選択した Voice によって決まります。
声を選んだら、利用できる場合は preview sample を再生してください。preview sample が別言語でも、多言語モデルなら選択した言語で生成できることがあります。
Step 5: 狭い When to Use を書く
音声生成は、意図的に選ぶ出力モードとして扱います。標準の返信スタイルにはしないでください。
例:
Use this tool when the user asks to hear the answer as audio, or when the agent has finished a stable explanation that would be easier to review by listening. Do not use it while collecting sensitive information or when a normal text reply is enough.
この書き方では次が明確になります。
- どのユーザー要求で音声を使うか
- 会話のどの段階なら音声化してよいか
- どの場面では使わないか
Step 6: 音声が必要な prompt でテストする
次のような prompt を試します。
Can you read that answer out loud for me?Please give me an audio version of the next-step summary.
確認すること:
- 音声が明確に役立つ時だけツールが呼ばれる
- 選択した声と言語が期待する体験に合っている
- Agent が正しいテキスト回答を出したうえで、音声の挙動も行っている
運用のヒント
- Agent が毎回答音声を生成しないよう、trigger は狭くします。
- 実利用者に共有する前に、サービスのトーンに合う声を選びます。
- 一時的な秘密、確認コード、決済カード情報、その他テキストのままにすべき内容には使わないでください。
- ユーザーが音声添付を送る場合でも、Agent の LLM モデルは audio input をサポートしている必要があります。このツールは生成音声の出力を制御するものであり、すべてのモデルに音声入力理解を追加するものではありません。
よくある間違い
音声を標準返信にしてしまう
すべての回答が音声になると、会話は遅くなり、ざっと確認しづらくなります。音声が本当に役立つシナリオだけで使ってください。
声をテストせずに公開する
sample がある場合は必ず preview し、実際の prompt でもテストしてから公開します。
音声出力と音声入力を混同する
Text to Speech はテキストから音声を作るツールです。音声アップロードや音声添付は、モデルとチャネル側の対応も関係します。LLMモデル選択 も確認してください。