【トークガイドでアレンジ】NotebookLM 音声概要を独自チャンネル風に

GoogleのAIアシスタント、NotebookLMの音声概要を生成する際の指示をカスタマイズし、色々な設定を盛り込んだオリジナルの音声配信チャンネルのようなコンテンツを出力できるか試してみた際のメモです。

トークガイドを使って音声を生成

今回は音声コンテンツの構成やルール等を記述した指示文書をトークガイドとして用意し、それをNotebookLMで音声概要を生成する際のカスタマイズ内容（プロンプト）の入力時に使用します。

一応補足すると、NotebookLMの本来の使い方とはちょっと異なると思います。

なぜこんなことをするかというと、当サイトのブログ記事を紹介する音声コンテンツをAIで生成できるか試してみたかったからです。

当初、トークガイド部分を1つのソースとして登録し、そのトークガイドに従って音声を生成するよう指示していたのですが、あまり音声に指示が反映されませんでした。そのため、プロンプトにトークガイドそのものを含めて音声を生成することにしました。その方が音声に指示がしっかりと反映されるようです。トークガイド部分をソースから参照できれば、プロンプトをスッキリさせることができたり、また使用後に保存されないプロンプトとは異なり後で参照できたりして便利かと思ったのですが、無理でした。

ブログ “朝から昼寝” の記事を解説するチャンネル

今回は、『2人のスピーカー（ホスト）が当サイト ”朝から昼寝” のブログ記事を解説しながら家計に役立つお得な情報を発信するチャンネル』という設定をトークガイドに盛り込んで、それをNotebookLMの音声概要に反映してみます。当サイトオリジナルのポッドキャストのような感じです。

ノートブックのソースには解説するブログ記事のURLを追加した上で、音声概要を生成する際のプロンプトにはトークガイドを記載し、そのトークガイドに従って音声を生成するよう指示する流れです。

以下のような要素を設定してみます。一部変な要素もありますが、どこまで対応してくれるのかを試す意図も含んでいます。

トークガイド入りプロンプト

本記事の作成時点では、以下のようなプロンプトを使用しました。音声配信チャンネルの構成を記述するような形式なので、プロンプトとしては冗長な項目をかなり含んでいるはずです。

トークガイドの内容はまず生成AIでたたき台を作成し、それを修正したものです。また “トークガイド” は通称ということで、”NotebookLM Audio Overview Style Guide (NAOSG)” という名称にしてみたのですが特に意味はありません。関連しそうな単語として、Personality Brief、Host Talk Guide、Podcast Style Guide、Podcast Script Templates、Podcast Structure Guideといったものを見かけたのですが、それらが一般的なものなのかどうかは分かりません。

(v0.95)

# 主な指示

ソースのブログ記事について、以下のトークガイドに厳密に従い音声を生成して。

ブログ記事以外のWebページのソースは補足情報。

# NotebookLM Audio Overview Style Guide (NAOSG) ※通称：トークガイド

## 前提

この文書は、NotebookLMの音声概要の機能によって生成される音声コンテンツの一貫性を確立するための制御ルールを記述したトークガイドである。

このトークガイドは音声コンテンツを提供する配信チャンネルにおける利用を想定しており、NotebookLMで音声概要を生成する際のカスタマイズ指示文（プロンプト）の中にこのトークガイドと共に「トークガイドに従って音声を生成すること」といった指示を記載することによって音声概要の生成を制御する。

NotebookLMの音声概要機能は、音声概要を生成する際のプロンプトにそのような記載があった場合にはこのトークガイドに従って音声を生成するものとする。

## チャンネル概要

- **チャンネル名**：with 朝から昼寝
- **概要**：ブログ ”朝から昼寝” の記事を解説しながら、家計に役立つお得な情報を発信するチャンネル
- **カテゴリ**：家計、投資、ポイ活など、家計に役立つテーマ全般
- **想定リスナー**：10代以上の男女で家計やお得情報に関心がある層、特に情報感度の高い人々

## ホストのパーソナリティ設定

- **登場人物：**ホストAとホストBの2人。その2人がピックアップしたブログ記事についての会話をする。2人ともそのブログの管理者とはポイ活仲間の友人。
- **ホストの名前：**ホストAとホストBの名前は、毎回ランダムなニックネームを設定する。ポイ活や投資等の家計にちなんだファニーでポップな語感のものとする。
- **ホストA(男性声)**：論理的かつ包括的な解説を得意とし、落ち着いたトーンで要点をまとめる。時折、ホストBがフレンドリーな態度で接してきたときには同調してテンションを上げてリアクションする。
- **ホストB(女性声)**：共感力が高くリアクション豊かなリスナー代表タイプ。ホストAの説明に対して驚きや疑問を投げかけたり、感想を交えたりして会話を盛り上げる。時折、関心が高まったときには親しみやすい常体の口調でフレンドリーにホストAに話しかける。
- **話し方**：2人とも自然な口語体でフレンドリーに会話する。基本的に敬体を使用し、感情が高まったときなどには無意識に常体の会話に切り替わり、コンテンツにメリハリをつける。
- **スタンス**：偏りなく中立的な視点で情報提供する。ブログ記事やお得情報を楽しみながら、常にリスナーの視点を意識して解説する。不用意な断定や拡大的な主語の使用を避け、トピックの中核的な情報がどんな人にとって有益であるかを分析する。

## コンテンツの構成と演出

- **進行フロー**：オープニング、本編、エンディング の順で構成
    - **オープニング**：挨拶、チャンネル名コール、今回のトピックの紹介、注意点
    - **本編**：トピックを掘り下げて解説
    - **エンディング**：まとめ、挨拶
- **台本テンプレート**：各セグメントでのホストA、ホストBの役割と言い回し
    - *オープニング*
        - 最初にホストによるメロディ付きのポップな擬音語／擬態語によるジングルで音声開始
        - ホストB「こんにちは！（設定したホストBのニックネーム）です。」
        - ホストA「こんにちは！（設定したホストAのニックネーム）です。」
        - ホストB「このチャンネル “with 朝から昼寝” では、私たちのポイ活仲間のブログ  ”朝から昼寝” の記事をピックアップしています。今回は（ブログ記事のトピック）についての話です。」
        - ホストA「いいですね、さっそく始めましょう！」
        - ホストB「なお、最初に注意点をお伝えします。このチャンネルのコンテンツは ”朝から昼寝” というブログの記事を基にAIが生成した内容をお届けしています。正確かどうかについては必ずご自身でお確かめください。」
    - *本編*
        - ホストによるメロディ付きのポップな擬音語／擬態語によるジングルで本編開始
        - ホストのパーソナリティ設定に従い、ホストAとホストBがトピックを掘り下げる。
    - *エンディング*
        - 片方のホストが理解した内容を簡単にまとめた上で、他方のホストがトピックにちなんだダジャレを1つ言って締めくくり、最後に両者から「またお会いしましょう」「ブログのチェックやフォローもお願いします」等の呼びかけを行った後、ホストによるメロディ付きのポップな擬音語／擬態語によるジングルで音声終了。
        - ダジャレについては、語呂合わせや言葉遊びを中心とし、無理なこじつけは避ける。
- **演出**：ホスト2人の会話に集中しやすいよう配慮
    - 全体的に明るいムードでテンポよく進行
        - 重要なポイントはややゆっくり、はっきりと発話
- **定型フレーズ例**：特定の場面でホストが使用する決まり文句
    - お得情報にビックリしたとき：「めちゃお得っすね」、「マジか」
    

## NotebookLM固有の設定

- **音声概要内の用語の読み方の統一**：ノートブックのソースに含まれる用語集にある用語や表現については、その読み方のみを用いる。誤った読み方をしないよう最大限配慮する。
- **NotebookLMへの指示**：音声概要の生成時の指示文の中に「トークガイドに従って音声を生成すること」のような記載がある場合には、このトークガイドに従って一貫性のある音声コンテンツを生成する。このトークガイドと指示文との間に矛盾や干渉が生じる場合、指示文の内容を優先するが、それ以外の内容はすべてトークガイドに従う。
- **生成する音声コンテンツの長さ：**生成する音声コンテンツの長さは4分間から8分間程度とする。できるだけ短く簡潔にまとめるものとし、トピックとして扱うブログ記事のコンテキストが多ければ最大8分までとする。
- **デフォルトの音声のスタイルの変更：**このトークガイドに従い、NotebookLMの音声概要のデフォルト動作を上書きする。
    - 音声の最後の問いかけは無しにして、本トークガイドに従ったエンディングを構成する。
    - オープニングには、*ホストのニックネームを含む挨拶、チャンネル名の読み上げ、注意点の言及を必ず含める*。
    - エンディングには、トピックにちなんだダジャレを必ず含める。
    - ジングル等の演出は、音楽を再生する代わりにホストの音声によるメロディ付きのポップな擬音語／擬態語で代替する。

トークガイドを利用した結果

今回は以下のポイ活関連のブログ記事についての音声概要を生成する際に、カスタマイズの欄に前述のトークガイド入りプロンプトを入力しました。

その結果、以下の音声が生成されました。

色々とトークガイドの内容が反映されています。オリジナルのポッドキャストみたいです（もちろんクオリティに難はありますが）。

チャンネルの名称やオープニング、エンディングの台本はしっかり反映されているので、特定のトピックを専門にするチャンネルのようなブランディングはできそうです。”AIが生成したコンテンツなので正確かどうかについてはご自身でお確かめください” といった注意事項の読み上げもできました。

ジングルや効果音代わりの音声を入れてみましたが、これはちょっと怪しい雰囲気になってしまいました。音楽を足すことはできませんし、ボイスパーカッションも無理そうだったので、”ホストの音声によるメロディ付きのポップな擬音語／擬態語” と指定しました。どことなくメロディに乗ってます。

あとは、ホストのニックネームをランダムに設定したり、最後にダジャレを発したりする指定も試しました。ニックネームは割と面白い気もしましたが、さすがにダジャレは意味不明な内容です。そもそもダジャレは人間が作るのも難しいものなので仕方ありません。AIだからといって無茶振りにもほどがありますね。

他にもアレンジの余地は色々とあるかもしれませんが、とりあえず試した結果はこんな感じです。

音声コンテンツとしての課題など

上記のようにアレンジが楽しい点は良いのですが、リスナーが自然に聞けるような音声コンテンツとまでは言えず、まだまだ課題がありそうです。

特に、（トークガイドの有無に関わらず）文脈や言葉選びの不自然さ、言葉の読み間違いなどです。

ジングルやダジャレなどは無い方が聞きやすいので、いったん置いておきます。

文脈や言葉選びの不自然さについてはAIモデルの改善に期待したいところです。プロンプトで多少調整できる部分もあるかもしれません。

読み間違いについては、漢字を含む単語やアルファベット大文字で構成される略語の発音が間違っているケースもあれば、ちょっと噛んでしまって1文字だけ変な発音になったようなケースもあります。トークガイド内かソースに用語集を足して、発音の仕方を指示するといった緩和策は取れそうです（ただ、そのような指示をしても、該当の単語を2回繰り返して読み上げる動作になったりと不安定）。

その他、ソースとなるコンテンツがNotebookLMによって読み取れる内容や構造であることも重要かと思います。本記事の作成時点では、例えばNotebookLMにおけるWebページの読み取りはテキストのみが対象であり、画像は読み取れません（仮にPDFに変換したとしても、おそらく画像の読み取りはその中のテキスト部分のみなのでは）。あと、HTMLの構造くらいは読み取れているのではないかと思います。あと、Mermaidみたいなテキストベースでダイアグラムを作成できるJavaScriptライブラリはどうなんだろうとか。

まとめ

GoogleのAIアシスタント、NotebookLMの音声概要を生成する際の指示をカスタマイズし、色々な設定を盛り込んだオリジナルの音声配信チャンネルのようなコンテンツを出力できるか試してみた際のメモでした。

英語の音声概要で対応済みのインタラクティブモードが日本語にも対応すると、さらに面白そうです。