NotebookLM 音声解説（YouTube）
解説動画を見る『ドグラ・マグラ』音声（YouTube）
【完成動画（字幕あり）】CeVIO AIで朗読した完成版をYouTubeに公開しました。字幕ON推奨です。
AIに「狂気」を演じさせる。
最強の脚本家は誰だ？
日本三大奇書『ドグラ・マグラ』のボイスドラマ化に向けた、LLM 4モデルの比較検証レポート。
勝者は「一番賢いAI」ではなく、「目を持つAI」でした。
難攻不落の課題
なぜ『ドグラ・マグラ』の台本化は難しいのか？ AIを狂わせる3つの要因。
話者の喪失
若林博士の長広舌とナレーションの境界が極めて曖昧。多くのAIが「今誰が喋っているのか」を見失い、配役を誤ります。
狂気的な感情
単なる「朗読」では作品の味が出ません。「恐れ」「驚き」「信頼」など、文脈の裏にある狂気的な感情指定が不可欠です。
解釈の多義性
文学的すぎるテキストは、AIの「賢さ」を暴走させます。勝手な考察を始めてしまうリスクも。
4モデル頂上決戦
各モデルの特性と出力結果を比較分析（※数値は同一条件・同一分割での相対比較）
Qwen3-VL-30B
憑依型の舞台役者
視覚認識機能を持つことで、テキストから「情景」や「身振り」を想像できる唯一のモデル。配役の一貫性が完璧で、文脈の裏にある感情（恐怖、信頼）を的確に捉える。
感情表現の豊かさ
※“普通/恐れ/驚き/信頼/その他”の割合（出現タグの相対比）
配役タグの混乱度
非常に整理されており、実用的です。
Speaker,Emotion,Text ナレーター,普通(淡々),ドグラ・マグラ ナレーター,驚き,何故躍る ナレーター,恐れ,おそろしいのか ナレーター,普通(淡々),ブウウ――――――ンンン ナレーター,普通(淡々),私がウスウスと眼を覚ました時... 若林博士,信頼,...正木先生の御研究の内容を... 若林博士,普通(淡々),...すなわち、その一番初めに... 主人公,恐れ,な、なんだここは...！
強み (Pros)
- 博士の長台詞を維持できる
- 「信頼」「恐れ」等の感情が正確
- 修正の手間がほぼゼロ
弱点 (Cons)
- 30Bなので環境によっては重い
- ただし「修正コスト込み」では最速になりがち
なぜ「目」が演技を変えるのか？
テキスト生成タスクにおいて、視覚モデル (VL) が優位に立った理由は「想像力」と「身体性」にあります。
1. Visual Imagery（映像的想起）
テキストモデルは「暗い部屋」を単語の羅列として処理しがちですが、VLモデルは学習経験から“映像の雰囲気”を強く想起しやすい。 その差が「ここは怖い」を迷わず出せるかに効きます。
2. Embodiment（身体性の理解）
長台詞を“データ”ではなく、「人物がその場で演説している動作」として捉えやすい。 これが途中でナレーションに落ちるミスを減らします。
モデルの脳内イメージ比較
PROCESS: [Token Pattern Only]
OUTPUT: Emotion=”Neutral”
PROCESS: [Mood/Scene Simulation]
OUTPUT: Emotion=”Fear”
推奨設定シミュレーター
コンテキストウィンドウ（記憶領域）の黄金比を学ぶ
コメント