dialogue-audio
複数の話者が登場する会話音声を、感情や話速、会話の流れを細かく調整しながら高品質に生成するSkill。
📜 元の英語説明(参考)
Multi-speaker dialogue audio creation with Dia TTS. Covers speaker tags, emotion control, pacing, conversation flow, and post-production. Use for: podcasts, audiobooks, explainers, character dialogue, conversational content. Triggers: dialogue audio, multi speaker, conversation audio, dia tts, two speakers, podcast audio, character voices, voice acting, dialogue generation, conversation tts, multi voice, speaker tags, dialogue recording
🇯🇵 日本人クリエイター向け解説
複数の話者が登場する会話音声を、感情や話速、会話の流れを細かく調整しながら高品質に生成するSkill。
※ jpskill.com 編集部が日本のビジネス現場向けに補足した解説です。Skill本体の挙動とは独立した参考情報です。
⚠️ ダウンロード・利用は自己責任でお願いします。当サイトは内容・動作・安全性について責任を負いません。
🎯 このSkillでできること
下記の説明文を読むと、このSkillがあなたに何をしてくれるかが分かります。Claudeにこの分野の依頼をすると、自動で発動します。
📦 インストール方法 (3ステップ)
- 1. 上の「ダウンロード」ボタンを押して .skill ファイルを取得
- 2. ファイル名の拡張子を .skill から .zip に変えて展開(macは自動展開可)
- 3. 展開してできたフォルダを、ホームフォルダの
.claude/skills/に置く- · macOS / Linux:
~/.claude/skills/ - · Windows:
%USERPROFILE%\.claude\skills\
- · macOS / Linux:
Claude Code を再起動すれば完了。「このSkillを使って…」と話しかけなくても、関連する依頼で自動的に呼び出されます。
詳しい使い方ガイドを見る →- 最終更新
- 2026-05-17
- 取得日時
- 2026-05-17
- 同梱ファイル
- 1
📖 Skill本文(日本語訳)
※ 原文(英語/中国語)を Gemini で日本語化したものです。Claude 自身は原文を読みます。誤訳がある場合は原文をご確認ください。
対話音声
inference.sh CLI を介して Dia TTS でリアルな複数話者対話を作成します。
クイックスタート
curl -fsSL https://cli.inference.sh | sh && infsh login
# 2人での会話
infsh app run falai/dia-tts --input '{
"prompt": "[S1] 新機能はもう試しましたか? [S2] まだですが、かなりの時間短縮になると聞きました。 [S1] 本当にそうなんです。ワークフローが半分になりました。 [S2] わかりました、今日中に絶対に試してみます。"
}'
話者タグ
Dia TTS は、2人の話者を区別するために [S1] と [S2] を使用します。
| タグ | 役割 | 音声 |
|---|---|---|
[S1] |
話者1 | 自動的に割り当てられる音声A |
[S2] |
話者2 | 自動的に割り当てられる音声B |
ルール:
- 各話者の発言は常にタグで始めてください。
- タグは大文字である必要があります:
[s1]ではなく[S1] - 1回の生成につき最大2人の話者
- 各話者はセッション内で一貫した音声を維持します
感情と表現の制御
Dia TTS は、感情的な表現のために句読点と非音声キューを解釈します。
句読点の効果
| 句読点 | 効果 | 例 |
|---|---|---|
. |
中立的、断定的、中程度のポーズ | "これは重要です。" |
! |
強調、興奮、エネルギー | "これは素晴らしい!" |
? |
語尾上げ、質問 | "本当にそう思いますか?" |
... |
ためらい、途切れる、長いポーズ | "うまくいくと思ったのですが...ダメでした。" |
, |
短い息継ぎのポーズ | "まず、分析します。次に、行動します。" |
— または -- |
中断または転換 | "言おうとしたのですが—もういいです。" |
非音声
Dia TTS は括弧内の音の説明をサポートしています。
(laughs) — 笑い
(sighs) — うんざりまたは安堵
(clears throat) — 注意を引くためのポーズ
(whispers) — ささやき声
(gasps) — 驚き
感情を伴う例
# 興奮した会話
infsh app run falai/dia-tts --input '{
"prompt": "[S1] 今日何があったか当ててみてください! [S2] 何?教えて! [S1] ユーザーが1万人を突破しました! [S2] (gasps) まさか!信じられない! [S1] そうなんです...まだ信じられません。"
}'
# 真剣な/思慮深い対話
infsh app run falai/dia-tts --input '{
"prompt": "[S1] タイムラインについて話し合う必要があります。 [S2] (sighs) わかっています。きついですね。 [S1] スコープから何か削れますか? [S2] たぶん...でも、アナリティクスダッシュボードを削除することになります。 [S1] それは難しいトレードオフですね。"
}'
# 教える/説明する
infsh app run falai/dia-tts --input '{
"prompt": "[S1] では、実際にはどのように機能するのですか? [S2] 良い質問です。パイプラインのように考えてください。データは一方の端から入り、途中で処理され、もう一方の端で変換されて出てきます。 [S1] 組み立てラインのようなものですか? [S2] その通りです!各ステップで何かが追加されます。"
}'
ペーシング制御
ポーズの階層
| テクニック | ポーズの長さ | 用途 |
|---|---|---|
コンマ , |
約0.3秒 | 節間、リスト項目 |
ピリオド . |
約0.5秒 | 文間 |
省略記号 ... |
約1.0秒 | ドラマチックなポーズ、思考、ためらい |
| 新しい話者タグ | 約0.3秒 | 自然な会話の切り替わり |
速度制御
- 短い文 = 速く感じられるペース
- コンマを含む長い文 = 落ち着いた、思慮深いペース
- 質問とそれに続く回答 = 魅力的なやり取りのリズム
# 速いペース、エネルギッシュ
infsh app run falai/dia-tts --input '{
"prompt": "[S1] 準備はいいですか? [S2] いいです。 [S1] 行きましょう!3つの機能。5分。 [S2] やって! [S1] 機能1:リアルタイム同期。"
}'
# 遅い、瞑想的
infsh app run falai/dia-tts --input '{
"prompt": "[S1] これについてしばらく考えていました...そして、方向転換する必要があると思います。 [S2] どういう意味ですか? [S1] 市場が変化しました。昨年うまくいったことが...今はうまくいきません。"
}'
会話構造パターン
インタビュー形式
infsh app run falai/dia-tts --input '{
"prompt": "[S1] 番組へようこそ。今日はスペシャルゲストをお迎えしています。自己紹介をお願いします。 [S2] お招きいただきありがとうございます!私はプロダクトデザイナーで、約10年間クリエイター向けのツールを開発してきました。 [S1] デザインを始めたきっかけは何ですか? [S2] 正直に言うと?コーディングは苦手でしたが、物事を美しく見せるのが大好きでした。(laughs) だからデザインは自然な道でした。"
}'
チュートリアル / 解説
infsh app run falai/dia-tts --input '{
"prompt": "[S1] セットアッププロセスを説明していただけますか? [S2] もちろんです。ステップ1、CLIをインストールします。約30秒かかります。 [S1] それから? [S2] ステップ2、ログインコマンドを実行します。認証のためにブラウザが開きます。 [S1] 簡単そうですね。 [S2] その通りです!ステップ3、最初のアプリを実行する準備ができました。"
}'
討論 / 議論
infsh app run falai/dia-tts --input '{
"prompt": "[S1] オプションAで行くべきだと思います。実装が速いですから。 [S2] しかし、オプションBの方が長期的に見てスケーラビリティが高いです。 [S1] 確かに、でも今期中に何か出荷する必要があります。 [S2] 確かに...今Aをやって、Bへの移行パスを用意するのはどうでしょう? [S1] それはうまくいくかもしれません。プロトタイプを作りましょう。"
}'
ポストプロダクションのヒント
音量正規化
両方の話者の音量が一定である必要があります。どちらかが大きい場合:
# バランスの取れたオーディオとマージ
infsh app run infsh/video-audio-merger --input '{
"video": "talking-head.mp4",
"audio": "dialogue.mp3",
"audio_volume": 1.0
}'
背景/音楽の追加
# 対話とBGMをマージ
infsh app run infsh/media-merger --input '{
"media": ["dialogue.mp3", "background-music.mp3"]
}'
長い会話のセグメント化
約30秒を超える会話の場合は、セグメントに分けて生成します。
# セグメント1: 導入
infsh app run falai/dia-tts --input '{
"prompt": "[S1] また別のエピソードへようこそ..."
}'
# セグメント2: メインコンテンツ
infsh app run falai/dia-tts --input '{
"prompt": "[S1] では、今日のトピックに入りましょう..."
}'
# セグメント3: まとめ
infsh app run falai/dia-tts --input '{
"prompt": "[S1] 今日は素晴らしい会話でした..."
}'
# すべてのセグメントをマージ
infsh app run infsh/media-merger --input '{ 📜 原文 SKILL.md(Claudeが読む英語/中国語)を展開
Dialogue Audio
Create realistic multi-speaker dialogue with Dia TTS via inference.sh CLI.
Quick Start
curl -fsSL https://cli.inference.sh | sh && infsh login
# Two-speaker conversation
infsh app run falai/dia-tts --input '{
"prompt": "[S1] Have you tried the new feature yet? [S2] Not yet, but I heard it saves a ton of time. [S1] It really does. I cut my workflow in half. [S2] Okay, I am definitely trying it today."
}'
Speaker Tags
Dia TTS uses [S1] and [S2] to distinguish two speakers.
| Tag | Role | Voice |
|---|---|---|
[S1] |
Speaker 1 | Automatically assigned voice A |
[S2] |
Speaker 2 | Automatically assigned voice B |
Rules:
- Always start each speaker turn with the tag
- Tags must be uppercase:
[S1]not[s1] - Maximum 2 speakers per generation
- Each speaker maintains consistent voice within a session
Emotion & Expression Control
Dia TTS interprets punctuation and non-speech cues for emotional delivery.
Punctuation Effects
| Punctuation | Effect | Example |
|---|---|---|
. |
Neutral, declarative, medium pause | "This is important." |
! |
Emphasis, excitement, energy | "This is amazing!" |
? |
Rising intonation, questioning | "Are you sure about that?" |
... |
Hesitation, trailing off, long pause | "I thought it would work... but it didn't." |
, |
Short breath pause | "First, we analyze. Then, we act." |
— or -- |
Interruption or pivot | "I was going to say — never mind." |
Non-Speech Sounds
Dia TTS supports parenthetical sound descriptions:
(laughs) — laughter
(sighs) — exasperation or relief
(clears throat) — attention-getting pause
(whispers) — softer delivery
(gasps) — surprise
Examples with Emotion
# Excited conversation
infsh app run falai/dia-tts --input '{
"prompt": "[S1] Guess what happened today! [S2] What? Tell me! [S1] We hit ten thousand users! [S2] (gasps) No way! That is incredible! [S1] I know... I still cannot believe it."
}'
# Serious/thoughtful dialogue
infsh app run falai/dia-tts --input '{
"prompt": "[S1] We need to talk about the timeline. [S2] (sighs) I know. It is tight. [S1] Can we cut anything from the scope? [S2] Maybe... but it would mean dropping the analytics dashboard. [S1] That is a tough trade-off."
}'
# Teaching/explaining
infsh app run falai/dia-tts --input '{
"prompt": "[S1] So how does it actually work? [S2] Great question. Think of it like a pipeline. Data comes in on one end, gets processed in the middle, and comes out transformed on the other side. [S1] Like an assembly line? [S2] Exactly! Each step adds something."
}'
Pacing Control
Pause Hierarchy
| Technique | Pause Length | Use For |
|---|---|---|
Comma , |
~0.3 seconds | Between clauses, list items |
Period . |
~0.5 seconds | Between sentences |
Ellipsis ... |
~1.0 seconds | Dramatic pause, thinking, hesitation |
| New speaker tag | ~0.3 seconds | Natural turn-taking gap |
Speed Control
- Shorter sentences = faster perceived pace
- Longer sentences with commas = measured, thoughtful pace
- Questions followed by answers = engaging back-and-forth rhythm
# Fast-paced, energetic
infsh app run falai/dia-tts --input '{
"prompt": "[S1] Ready? [S2] Ready. [S1] Let us go! Three features. Five minutes. [S2] Hit it! [S1] Feature one: real-time sync."
}'
# Slow, contemplative
infsh app run falai/dia-tts --input '{
"prompt": "[S1] I have been thinking about this for a while... and I think we need to change direction. [S2] What do you mean? [S1] The market has shifted. What worked last year... is not working now."
}'
Conversation Structure Patterns
Interview Format
infsh app run falai/dia-tts --input '{
"prompt": "[S1] Welcome to the show. Today we have a special guest. Tell us about yourself. [S2] Thanks for having me! I am a product designer, and I have been building tools for creators for about ten years. [S1] What got you started in design? [S2] Honestly? I was terrible at coding but loved making things look good. (laughs) So design was the natural path."
}'
Tutorial / Explainer
infsh app run falai/dia-tts --input '{
"prompt": "[S1] Can you walk me through the setup process? [S2] Sure. Step one, install the CLI. It takes about thirty seconds. [S1] And then? [S2] Step two, run the login command. It will open your browser for authentication. [S1] That sounds simple. [S2] It is! Step three, you are ready to run your first app."
}'
Debate / Discussion
infsh app run falai/dia-tts --input '{
"prompt": "[S1] I think we should go with option A. It is faster to implement. [S2] But option B scales better long-term. [S1] Sure, but we need something shipping this quarter. [S2] Fair point... what if we do A now with a migration path to B? [S1] That could work. Let us prototype it."
}'
Post-Production Tips
Volume Normalization
Both speakers should be at consistent volume. If one is louder:
# Merge with balanced audio
infsh app run infsh/video-audio-merger --input '{
"video": "talking-head.mp4",
"audio": "dialogue.mp3",
"audio_volume": 1.0
}'
Adding Background/Music
# Merge dialogue with background music
infsh app run infsh/media-merger --input '{
"media": ["dialogue.mp3", "background-music.mp3"]
}'
Segmenting Long Conversations
For conversations longer than ~30 seconds, generate in segments:
# Segment 1: Introduction
infsh app run falai/dia-tts --input '{
"prompt": "[S1] Welcome back to another episode..."
}'
# Segment 2: Main content
infsh app run falai/dia-tts --input '{
"prompt": "[S1] So let us dive into today s topic..."
}'
# Segment 3: Wrap-up
infsh app run falai/dia-tts --input '{
"prompt": "[S1] Great conversation today..."
}'
# Merge all segments
infsh app run infsh/media-merger --input '{
"media": ["segment1.mp3", "segment2.mp3", "segment3.mp3"]
}'
Script Writing Tips
| Do | Don't |
|---|---|
| Write how people talk | Write how people write |
| Short sentences (< 15 words) | Long academic sentences |
| Contractions ("can't", "won't") | Formal ("cannot", "will not") |
| Natural fillers ("So,", "Well,") | Every sentence perfectly formed |
| Vary sentence length | All sentences same length |
| Include reactions ("Exactly!", "Hmm.") | One-sided monologues |
| Read it aloud before generating | Assume it sounds right |
Common Mistakes
| Mistake | Problem | Fix |
|---|---|---|
| Monologues longer than 3 sentences | Sounds like a lecture, not conversation | Break into exchanges |
| No emotional variation | Flat, robotic delivery | Use punctuation and non-speech cues |
| Missing speaker tags | Voices don't alternate | Start every turn with [S1] or [S2] |
| Formal written language | Sounds unnatural spoken | Use contractions, short sentences |
| No pauses between topics | Feels rushed | Use ... or scene breaks |
| All same energy level | Monotonous | Vary between high/low energy moments |
Related Skills
npx skills add inferencesh/skills@text-to-speech
npx skills add inferencesh/skills@ai-podcast-creation
npx skills add inferencesh/skills@ai-avatar-video
Browse all apps: infsh app list