# Irodori-TTS 官能描写ガイドライン（一般版） ― キャプションと絵文字の付け方 Irodori-TTS 系モデルで官能的な描写を音声化する際の、キャプション設計と絵文字タグ運用の指針。 特定の話者・環境で得られた実測知見を、話者や制作環境を問わず使える形に一般化したもの。 - 前提環境の例：Irodori-TTS v4.1-Small、フロントエンドとして Koebuta 形式のシナリオ（`emotion` フィールド＋発話単位の演技メモ）を使う構成。素の Irodori-TTS を直接使う場合は、`emotion` に相当する指定をキャプション文へ読み替えること。 - 本書の知見は実測に基づくが、**絵文字タグの効きは話者の声に強く依存する**。他者の声で得られた結論を、そのまま自分の話者に適用しないこと（第8節）。 ## 0. 知見の出所と確度 - 絵文字タグ全種テスト（公式39種＋環境専用1種＝40種、81発話、一話者での実測）。 - 効果音タグの実戦投入と、聴取者による判定の蓄積。 - 外部様式（発生点配置・濁点設計を体系化した一利用者の仕様書と例文10本）を、そのまま生成して検証した実験。 - 確度は本文中で区別する。「実測」は上記の範囲で確認済みのこと、「暫定運用」は裏付けが不十分なまま安全側に倒した規則、「未検証」は試していない組み合わせを指す。 ## 1. 大原則：三層に分ける | 層 | 担うもの | 置き場所 | |---|---|---| | 声質 | 声そのものの質・高さ・響き | 参照音声（クローン）または声質キャプションで固定する | | 演技 | 場面の温度、呼吸、感情の推移 | キャプション／発話ごとの演技メモ | | 音と様態 | 実際に鳴る音、喘ぎ方、強さの段階 | 絵文字タグと、テキスト側の擬音・記号 | - 声質と演技を同じキャプションで同時に作ろうとすると競合して崩れる。声は固定し、キャプションは演技に徹する。 - 強さは「文章」で渡す。数値やレベル表記をキャプションに書かない（第2.2節）。 ## 2. キャプションの指針 ### 2.1 土台は固定する - 話者の土台となるキャプション（声質・話し方の基本形）は、官能場面でも変更しない。場面ごとに土台を書き換えると声質ごと揺れる。 - 色気は土台ではなく、発話ごとの演技指定と台詞の崩し方で出す。 ### 2.2 演技メモは文章で、具体的に - 書くのは「何が起きていて、身体と声がどうなっているか」である。 - 良い例：「抑えた口調だが、語尾がわずかに震える。漏らすまいとしている」「もう抑えが利かない。息が荒く、声が裏返りかけている」 - **数値・記号での強度指定を書かない**（「強度8」「レベル3」など）。外部様式の検証では、設計値を上限（キャップ）と誤読した生成側が密度を薄くしすぎる事故が報告されている。数値は設計する側の物差しであり、モデルへ渡す言葉ではない。 ### 2.3 演技の弧を先に設計する - 一本を通して温度変化を持たせる。実測で評価が安定している型は「平静な口調が、場面の進行で少しずつ崩れていく」グラデーションである。 - 冒頭から全開にしない。崩壊の「過程」が官能描写の本体であり、頂点の派手さではない。 - **崩壊の上限は話者の役柄で決める**。全面崩壊型の様式（濁点だらけの鳴き方など）が合うかどうかは、話者のキャラクター設定と聴取者の判定による。様式の派手さを、そのまま品質と取り違えないこと。 ## 3. テキスト（台詞）の設計 - 発話は短すぎる単独の欠片を避け、意味のまとまりのある長さに束ねる（目安として20〜80字程度の単位が扱いやすい。10字未満の単独発話は生成が不安定になりやすい）。 - **擬音は文章側にも書く**。絵文字だけに頼らず、「じゅるっ、ちゅっ……」のように台詞として読まれる擬音を置く。絵文字による音の挿入と、擬音の読み上げの二重掛けが、実測で最も評価された形である。 - 読みの補正（ルビ・読み替え）は読み上げ専用のテキスト側だけに留め、表示・保存用の本文は書き換えない。 - 喘ぎの欠片（はぁ、んっ、あっ）は単独で連打せず、台詞の文節に埋め込む。欠片の連打は、濁点や高密度の絵文字と組み合わせる実験的様式でのみ使う。 ## 4. 絵文字の体系 - 公式の絵文字注釈はモデルの版によって数が異なる（実測した一覧では39種、より新しい一覧では45種）。**作業前に、対象モデルの注釈一覧を必ず確認する**こと。前提の違う一覧を混ぜない。 - 系統は3つに分けて扱う。 1. **表情系**（😊🫣🙄😰など）：感情指定の仕組み（`emotion` フィールド等）に任せる。読み上げテキストへは埋め込まない。 2. **音挿入系**（👅💋🥤🌬️😮‍💨🥵など）：場面に実在する音源があるときだけ、読み上げテキストに埋め込む（第5節）。 3. **記号**（♡、゛（濁点）、……）：テキスト側の強度設計に使う（第6・7節）。 ## 5. 音挿入系タグの付け方（実測で成立した方式） 1. その発話の感情指定は **中立（neutral）** にする。感情指定と読み上げテキストへの絵文字埋め込みの併用は未検証なので、暫定運用では混ぜない。演技の温度は演技メモに書く。 2. 絵文字は**読み上げテキストの文頭**に置く。表示用テキストには入れない。 3. 絵文字は**擬音と組**にする（例：タグ＋「じゅるっ、ちゅっ……」）。 4. 重ね掛けは**同じ絵文字の反復のみ**とする。公式の説明でも「反復で効果が強まる」とされる系統であり、異種の混ぜ掛けは未検証。 - 段階の目安：通常の音の場面＝1個／場面の山場＝2個／頂点・決定的な一瞬＝3個（暫定上限）。 - 上限個数を使うのは一本に1〜2箇所まで。全発話に付けると効果が安くなり、効きの判定もできなくなる。 ### 密度の目安 - 付けるのは**音源のある場面だけ**。雰囲気で付けない。 - 親密な場面では、盛り上がりに合わせて数発話に1回程度から始め、山場で重ねを増やす。 - 冒頭と締め（余韻）のパートには基本的に付けない。端正な入りと、終わりの静けさを残すためである。 ### 実測メモ（一般化できる範囲） - **抑揚の低い声では、表情系タグが埋もれやすい**（全種テストで約半数が「ほぼ機能していない」判定）。音挿入系は「音が足されるだけ」と割り切れる分、効果が読みやすい傾向がある。ただしこれは一話者の結果であり、声が変われば配分は変わる。 - 環境によっては自動選択から除外されているタグがある（例：あるフロントエンドの改版で 👅🤐🥱😒 が「異音・再現性不足」等を理由に除外）。除外理由はその環境の平均的な声での話であり、自分の話者で問題が起きるかは別途小規模に確かめること。逆に、問題がないことを確認せず本番投入もしないこと。 ## 6. 発生点方式（外部様式から学んだ代替作法） 文頭ではなく、**音・状態・感情が「発生」する文節の位置**に絵文字を置く様式。実測では、この配置でも読みは成立した。 - 発生点がある文節に絵文字ゼロは薄すぎる。逆に、機械的に等間隔へ並べるのも違う。置く場所は「その瞬間に起きていること」で決める。 - 密度の物差し：絵文字率＝絵文字数÷本文字数。その様式の基準濃度は率17.5％前後（短い文節ごとに複合が付く水準）。ただしこれは**その様式固有の設計値**であり、文頭方式（第5節）の作品に流用する標準ではない。 - 絵文字の「種類の軌跡」で感情の推移を描く（例：😖→🥵→🥴→😱）。濃さは同じ絵文字の反復ではなく、発生点の数と種類で作る、という考え方は様式を問わず取り入れられる。 - 使い分け：通常のドラマ形式では検証済みの文頭方式を正とし、発生点方式は喘ぎ主体の短い実験作など、様式そのものを試す場合に使う。 ## 7. 濁点（゛）の使い方 - 書き方は、かなの直後に独立した濁点文字 **゛（U+309B）** を置く（例：ん゛っ、お゛ほっ、あぇ゛）。合成済みの濁音かな（ご、ぢ）とは別物として扱われる。 - **実測：鳴る**。「ん゛っ」「お゛ほっ」系の濁った発声がそれなりに再現された。学習データにこの種の発声が豊富に含まれているためと見られる。ただし再現の程度は話者依存であり、自分の話者での確認が前提である。 - 強度の物差し（外部様式の設計）：♡と濁点は強さの中盤から入れ始め、頂点に近づくほど濁点率が上がり、語頭・語中にも広がる。下位の強さでは濁点を使わないのがその様式の設計である。 - 運用：崩壊の頂点に近い数発話に限定する「香辛料」として扱うのが安全である。全面濁点の様式は、役柄の上限（第2.3節）を確認してから採用すること。 ## 8. 効かないもの・飾りのもの - **💦：音への効果なし**（実測）。公式注釈（45種）の一覧の外にある慣行記号で、「濡れ・漏れの発生点」を字面で示すためのもの。音の指定としては使わない。脚本の読み手（人間・LLM）への注記としてなら意味がある。 - **♡：快楽と同意の印の記号**。字面の設計には使えるが、音への単独効果は未切り分けである（多用される文脈では他の要素と分離できていない）。効果を前提に設計しない。 - **……（三点リーダ）**：息の切れ目・余韻の字面として有効だが、それ自体が音を作るわけではない。間の実体は発話分割と間の設定の側で作る。 ## 9. 一本の中での配分例（官能場面） 演技の弧（第2.3節）に沿った、タグと記号の配分の型。 1. **導入**：タグなし。端正な口調と演技メモのみ。 2. **前段**：音源のある場面に音挿入タグ1個を散発。擬音は控えめ。 3. **本段**：発生点ごとにタグ。山場の発話で2個。表情は感情指定と台詞の崩し方で。 4. **頂点**：決定的な1〜2発話だけ上限個数。必要なら濁点を少量、ここだけ。 5. **余韻**：吐息系のタグと素の台詞で落とす。タグを引くことで「終わった」感を作る。 ## 10. やらないこと - キャプションへの数値・レベル表記の混入。 - 未検証の組み合わせの本番投入（感情指定との併用、異種混ぜ掛け、暫定上限を超える反復）。試す場合は、本番とは分離した小規模テストとして行い、結果を記録する。 - 音源のない場面へのタグ付け（雰囲気付け）。 - 「このタグは確実に効く」という断定。他者の実測を、自分の話者の結論として報告しない。 - 外部様式（密度・濁点の全面使用など）を、役柄と聴取者の判定なしにそのまま取り入れること。 ## 11. 運用の約束（エージェント向け） - 作品ごとに、使用したタグ・個数・付けた発話を制作メモへ記録する。聴取者の感想はタグ単位で蓄積し、自分の話者専用の信頼度表を育てる。 - 新しいタグ・様式・組み合わせは、まず小規模テストで切り分け、本番の作品と混ぜない。テスト結果（効いた／分からなかった／異音が出た）を日付つきで残す。 - モデルの版が変わったら、注釈一覧の再確認と、主要タグの再テストを行う。版違いの知見を無断で持ち越さない。 - 本書の数値（密度・個数・発話長）は、すべて「実測環境での目安」である。環境が変われば再測定すること。 ## 12. 制作前チェック - [ ] 声質は固定され、土台キャプションは場面で書き換えていないか - [ ] 演技メモは文章で書かれ、数値指定が混ざっていないか - [ ] 演技の弧（平静→崩壊→余韻）と、役柄上の崩壊上限が決まっているか - [ ] 音挿入タグは音源のある場面だけか。該当発話は感情指定が中立で、文頭埋め込み＋擬音との組になっているか - [ ] 重ねは同種反復のみ・暫定上限以内・上限使用は1〜2箇所以内か - [ ] 濁点を使う場合、頂点付近に限定されているか - [ ] 💦や♡を「音の指定」として数えていないか - [ ] 使用タグの記録欄を用意したか --- 出典メモ：本書は、単一話者での絵文字タグ全種テスト（40種・81発話）、効果音タグの実戦投入と聴取者判定、および外部様式（a1610氏の note 記事「喘ぎ×声の設計×淫語→irodori_md」と同梱仕様書）の例文10本の追試から得られた知見を一般化したものである。個別環境向けの版（話者固有の許可・手順書への参照を含む）は別文書として存在する。