AI動画とボイスを音声コマンドで：スタジオに話しかける

スタジオの上部にあるAskバーには、マイクがあります。タップして、作りたいもの（クリップ、画像、ボイスのセリフ）を話し、話すのをやめるだけ。文章は自動で送信され、AskのアシスタントであるClapがプランで答えます。レンダリングとその料金、そしてチャットの中でそのままレンダリングする「承認」ボタンです。「動画で開いて」（画像やボイスでも）と言えば、代わりにツールが準備され、ページまではクリック1回です。あなたのクリックなしには、何もレンダリングされません。

このガイドでは、マイクが使える場所、1回で伝わる話し方、声での追加指示、そしてボイスも作るスタジオならではの大事な区別、つまり「コマンド」と「読み上げるセリフ」の違いを解説します。

マイクの場所

• Askは、スタジオのホーム（ログイン後の/studio）の上部にあるバーです。ホームの入力欄のデフォルトのタブで、プレースホルダーには「何でも聞いて、何でも起動」と表示されています。詳しくは/askで紹介しています。
• マイクはそのバーの中にあり、ブラウザに組み込まれた音声認識を使います。Chrome、Edge、Safariが対応しています。Firefoxのように音声認識のないブラウザでは、マイクは表示されません。
• 送信ボタンを押す必要はありません。話すのをやめれば、言葉は自動で送信されます。
• マイクがなければ入力で。Enterで送信、Shift+Enterで改行です。スタジオのほかのページからは、⌘K（WindowsではCtrl+K）で「検索、または何でも質問…」が開きます。フレーズを入力し、最後の行の『eroqに聞く：「…」』を選べば、進行中のチャットに送信されるか、新しいチャットが始まります。

話し終えると何が起きるか

最初のメッセージで、スタジオのホームがチャットに変わります。右にあなたの言葉、左に返信が1語ずつ書き出されます。Clapが作業しているあいだは、いま何をしているかが1行で表示され（「じっくり考えています…」「絵コンテを書いています…」「プランの料金を計算しています…」）、その下にClapのメモが書き出されていきます。

ここからが、読む価値のある部分です。返信の下に、Clapが何をいくらで作るかを示すプランが表示されます。例は英語ですが、日本語で話しても同じように動きます。

You say:    make a vertical clip of a woman walking through neon rain, 10 seconds
Plan:       10 s · 9:16    [Approve]

You say:    open it in Video
Grey line:  Video · 10 s · 9:16    [Open Video →]

プランには、エンジンと正確なクレジットも表示されます。承認を押すとチャットの中でクリップがレンダリングされ、チャットとライブラリに届きます。代わりに「動画で開いて」と言えば、Askが何を準備したかを示すグレーの行が表示され、その下にAskが書いたプロンプトが引用されます。動画を開く →をクリックすると、そのプロンプトと設定が入力済みの状態で動画のページが開きます。クリックするまでは、チャットにとどまります。ロックされたエンジンの場合は、ボタンの横にプランのバッジが表示されます。

Autoなら、頼むのは無料です。どのレンダリングもあなたのクリックを待ちます。プランなら「承認」、ツールページなら「生成」で、いつもどおりクレジットの確認とプランのアンロックがあります。

メディア、シーン、設定の順に話す

話し言葉の文は、長くまとまりがなくなりがちです。次の順番で話せば、わかりやすく保てます。

1. メディア：「クリップ」「画像」「ボイスのセリフ」「ショートフィルム」。これでClapが作るものが決まります。クリップ、画像、ボイスのセリフ、またはフィルム全体です。
2. シーン：被写体、アクション、場所、光。Askがプロンプトに書き込みます。
3. 設定：エンジン、秒数、フォーマット、テイク数。

You say:    make an image of a lighthouse at dusk, square, four versions
Plan:       4 renders · 1:1    [Approve]

メディアを言わないと、Askが聞き返してきます。「何かかっこいいのを作って」と言えば、「画像、クリップ、ボイスのセリフ、それともテキスト？」と、答えのチップ付きで返ってきます。1つをタップするか、声で答えましょう。

設定には、Askがすでに知っている普通の言葉を使います。フォーマットなら「縦型」「リール」「横長」「正方形」「ウルトラワイド」、長さなら「10秒」、エンジンなら「Klingで」「Veo 3.1で」。言わなかったものは、エンジンのデフォルトか、ツールの現在の設定のまま残ります。Askが設定するのは、頼んだものだけです。どの言葉で何が設定されるかは、Askがエンジン、長さ、フォーマットを選ぶ仕組みで一覧にしています。

音声入力で役に立つ習慣がひとつあります。承認する前にプランを、ページを開く前にグレーの行を読むことです。設定されたエンジン、長さ、フォーマットが表示されています。言ったはずのものが抜けていたら、追加の指示で足すか、入力してください。

コマンドとボイスのセリフ

eroqは映像だけでなくボイスも作るので、声での依頼には2つの意味がありえます。

コマンドは、何かを作ってほしいという依頼です。「…のクリップを作って」「…の画像」。Clapがそれをプランにし、プロンプトを書きます。動画と画像のプロンプトは、どの言語で話しても、エンジン向けに英語で書かれます。

ボイスのセリフは、読み上げるためのテキストです。先にボイスを指定し、コロンのあとにセリフを言います。

You say:    Aria, read this like a voicemail: Hey, it's me. I landed early, call me back when you're out.
Plan:       Voice One · Aria    [Approve]

承認するとAriaの声でセリフがレンダリングされ、そのままチャットで再生されます。「ボイスで開いて」と言えば、代わりにAriaが選択され、あなたのセリフがテキストに入った状態でボイスツールが準備されます。ボイスのセリフは話した言語のまま保たれ、書かれたとおりに読み上げられます。フランス語のセリフはフランス語のままで、Askもフランス語で返信します。日本語で話したセリフも、日本語のまま保たれます。

You say:    Orion, lis ça doucement : la porte était déjà ouverte quand je suis arrivé.
Plan:       Voice One · Orion    [Approve]

ボイスは、標準のボイス（Aria、Orionなど24種類のいずれか）、あなたのクローンボイス、キャラクターのボイスのいずれでもよく、どれも名前で見つけられます。指示はコロンの前、セリフはコロンのあとに置くので、どの言葉が読み上げ用なのかが常にはっきりします。言語については、どの言語でも使えるプロンプトで詳しく解説しています。

レンダリングはあなたのクリックを待つので、その前にセリフを確認できます。プランの行を開けば読めます。句読点が読み方を形作るので（句読点で声を演出する）、音声入力した台本はひと目確認する価値があります。レンダリングする場合、セリフの料金はVoice Oneで100文字あたり3クレジット、Voice Turboで2クレジットです。

声で追加の指示を出す

スレッドは文脈を覚えているので、次の文は短くて構いません。前に言ったことは有効なままです。

You say:    make a clip of a woman walking through neon rain at night, 10 seconds
Plan:       10 s    [Approve]

You say:    now make it vertical
Plan:       10 s · 9:16    [Approve]

You say:    make it with Kling instead
Plan:       Kling 3.0 · 10 s · 9:16    [Approve]

承認していないプランは、次のプランに置き換えられます。承認を待つのは、いちばん新しいプランだけです。もっと短い言い方でも伝わります。「同じで、縦型に」「やっぱりKlingで」「5秒にして」「今度は画像で」。動画のページに移動しても、ブラウザの戻るボタンか、左のレールのホームから列にあるチャットを選んで戻れば、会話はそのまま残っています。新しいチャットで新しい会話が始まります。チャットはこのブラウザに保存され、デバイス間では同期されません。さらに踏み込んだ使い方は、会話でAI動画を繰り返し調整するで紹介しています。

声で移動する

Askの役目は、制作やツールの準備だけではありません。「ライブラリを開いて」「請求」「声をクローンしたい」「APIキー」「コミュニティの作品を見せて」「新しいフィルム」と言えば、そのボタンで目的の場所に移動できます。

「ドラゴンのクリップを開いて」と言えば、プロンプトやタイトルの言葉からあなたの作品を検索し、一致したものを最大5件、クリックできるサムネイルで表示します。一致するものがなければ、作品を開く →から、その言葉で絞り込まれたライブラリに移動できます。キャラクター、エレメント、クローンボイスは名前で見つかります。読み取るのはプロンプトとタイトルで、画像や動画そのものの中身は見ません。

正直な限界

• Askは自分でレンダリングしません。プランの「承認」か、ツールページの「生成」をクリックするまで、何も消費されません。
• eroqには画像のアップスケール、リップシンク、インペインティングの機能がなく、Askはできるふりをせずにそう伝えます。クリップのアップスケール（1080pまたは2K）は、プランではなく、動画 › Editの「アップスケール」で行います。
• チャットは、このブラウザに30日間、そのデバイスだけに保存されます。
• Askはスタジオの一部で、APIのエンドポイントではありません。開発者は生成のエンドポイントを直接呼び出すか、/mcpのMCPサーバーからアシスタントを接続してください。

よくある質問

eroqの音声コマンドに対応しているブラウザは？

Chrome、Edge、Safariです。マイクはブラウザに組み込まれた音声認識を使います。Firefoxのように音声認識のないブラウザではマイクが表示されないので、代わりに入力してください。Enterで送信、Shift+Enterで改行です。

話したあとに送信ボタンを押す必要はありますか？

ありません。話すのをやめれば、言葉は自動で送信されます。間が空いたせいで言いたいことの半分しか送られなかった場合は、追加の指示で続きを伝えましょう。スレッドは前に言ったことを覚えています。

ほかの言語で音声コマンドを使えますか？

使えます。自分の言語で話せば、Askはその言語で答えます。動画と画像のプロンプトはエンジン向けに英語で書かれ、ボイスのセリフは話した言語のまま保たれます。

音声コマンドでクレジットは消費されますか？

されません。Autoなら、頼むのは無料です。コマンドで返ってくるのは、料金付きのプランか、ボタンの先に準備されたツールです。クレジットを使うのは、プランの「承認」かツールページの「生成」のクリックだけで、いつもどおりクレジットの確認とプランのアンロックがあります。

自分のキャラクターにセリフを言わせるには？

キャラクターの名前を言い、コロンのあとにセリフを続けます。「Aria、これを読んで：…」と同じ形です。Clapはそのキャラクターの声でセリフをプランにし（ツールを頼めば、その声でボイスツールを準備し）、セリフは話した言語のまま保ちます。

スタジオを開いてマイクをタップし、最初のクリップを話してみてください。Clapが料金を示し、レンダリングのクリックをするのはあくまであなたです。