Gemini APIのLyriaは、テキストプロンプトで高品質な音楽生成を可能にする。本ガイドは、Lyriaを活用したAI音楽プロンプト作成の実践方法を解説する。ジャンル、楽器、構成、歌詞などを具体的に指示し、理想のサウンドを生み出すプロンプトエンジニアリングを習得しよう。
結論：何をすべきか / 何を選ぶか
Lyriaは、テキストプロンプトや音楽用語、構造的な指示に応答し、高品質なAI音楽を生成する。クリエイターはまず、生成したい音楽の長さやリアルタイム性に応じて適切なモデルを選ぶ必要がある。Lyria 3 Clipは30秒のショートクリップ、Lyria 3.5はフルレングスの曲、Lyria RealTimeはリアルタイム生成と操作に特化している。
プロンプトは短いフレーズから詳細な説明まで対応しており、具体的なキーワードの指定が肝要だ。ジャンル、楽器、曲の構成、歌詞、音楽パラメータなどを明確に指示することで、イメージ通りのサウンド生成を目指す。マルチモーダル入力（テキストと画像）もサポートしており、クリエイティブな表現の幅を広げられる。
公式ドキュメントが定める基本ルール
Google AIのLyriaモデルは、Gemini APIを介して提供される音楽生成モデルファミリーである。Lyriaは、説明的なテキストプロンプト、音楽用語、構造的な指示に応答する。
* LyriaファミリーにはLyria 3 ClipとLyria 3.5、Lyria RealTimeのモデルがある (出典)。
* Lyria 3 Clip（`lyria-3-clip-preview`）はショートクリップ、ループ、プレビューに最適で、常に30秒のクリップを生成する (出典)。
* Lyria 3.5（`lyria-3.5`）はAメロ、サビ、ブリッジを含むフルレングスの曲生成に適しており、数分間の音楽を生成可能である (出典)。
* Lyria RealTime（`lyria-realtime-exp`）はWebSocketを使用した永続的な双方向低レイテンシストリーミング接続で、リアルタイムの音楽生成と操作を可能にする (出典)。
* 生成される音声は44.1 kHzの高忠実度ステレオである (出典)。
* プロンプトは短いフレーズでも構造化された詳細な説明でも、優れた結果が得られる (出典)。
実務上のチェックリスト/手順
AI音楽生成で目的のサウンドを得るためには、プロンプトの設計が重要だ。以下のステップでプロンプトを作成する。
* ステップ1：生成モデルを選択する
* 30秒程度のショートクリップやループが必要な場合は、`lyria-3-clip-preview` を選択する。
* Aメロ、サビ、ブリッジを含むフルレングスの楽曲が必要な場合は、`lyria-3.5` を選択する。
* リアルタイムで音楽を操作しながら生成したい場合は、`lyria-realtime-exp` を利用する。
* ステップ2：プロンプトの基本を記述する
* プロンプトの先頭にメインのジャンルを入力する。
* 複数のジャンルを組み合わせて、独自のハイブリッドスタイルを作成できる。
* 音楽の時代（例: `1980s-style`）や地域バリエーション（例: `Irish Folk`）を指定する。
* ステップ3：楽器とテクスチャーを指定する
* Lyriaはジャンルに応じて適切な楽器を自動選択するが、特定の楽器や珍しい組み合わせが必要な場合は明示的に宣言する。
* 楽器の音や相互作用を説明し、曲のムードやテクスチャを設定する。（例: `shimmering synthesizers`, `boomy bass`）
* ステップ4：曲の構成とタイミングを指示する
* Lyria 3.5では、タグまたは矢印を使用して曲の進行を定義する。（例: `[Intro] -> [Verse 1] -> [Chorus]`）
* エネルギーのダイナミクスや移行を指示する。
* 特定のタイミングマーカー（例: `A saxophone solo enters during the bridge.`）を要求することもできる。
* ステップ5：歌詞とボーカルを設定する
* 独自の歌詞を使用する場合、プロンプトに `Lyrics:` ヘッダーの下に直接含める。各セクションにタグを付けて音声の配信をガイドする。
* 生成された歌詞を依頼する場合は、物語、感情、キーフレーズの概要を説明する。
* ボーカルの性別、音域、音色を指定し、正確な配信を求める。（例: `female vocals`, `high-pitched`）
* 会話、ボーカルチョップ、サンプリング効果といった歌詞のないボーカルエフェクトも要求できる。
* ステップ6：音楽パラメータで調整する
* テンポ（例: `120 BPM`, `slow tempo around 72 BPM`）やキー（例: `in G major`, `in D minor`）を指定する。
* `Ambient`, `Chill`, `Dark`, `Euphoric`などのムードとテクスチャを表すキーワードを使用し、雰囲気を調整する。
* ステップ7：Lyria RealTimeでの重み付けプロンプト
* Lyria RealTimeでは、重み付けされたプロンプトを使用する。説明的なテキストフレーズと浮動小数点数の重み（`weight`）で構成される。
* `session.set_weighted_prompts()` メソッドで複数のプロンプトを送信し、動的にブレンドする。
* プロンプトを大幅に変更する場合は、モデルの切り替えが急激にならないよう、中間ウェイト値を送信してクロスフェードを実装することが推奨されている。
ハマりどころと回避策
AI音楽生成におけるプロンプト作成には、いくつかの課題がある。これらを事前に理解し、適切な対策を講じることが重要だ。
プロンプトが曖昧だと、Lyriaは意図しない音楽を生成することがある。例えば、「良い感じの曲」といった漠然とした指示では、望む結果を得ることは難しい。ジャンル、楽器、ムード、曲の構成、BPM、キーなどを具体的に指定する。Lyriaプロンプトガイドにあるキーワードリストを参考に、詳細な説明を心がけることが回避策だ。
Lyria RealTimeでリアルタイムに音楽を操作する際、プロンプトの重みを急激に変更すると、音楽の遷移が不自然になる場合がある。モデルの切り替えをスムーズにするためには、中間的なウェイト値を段階的に送信し、クロスフェードを実装することが推奨される。これにより、聴き心地の良い連続性を保ちながら音楽を変化させられる。
生成したい音楽の長さや用途に対して、モデルの選択を誤ることもハマりどころだ。30秒のループが必要なのにLyria 3.5を使って長い曲を生成したり、フルレングスの楽曲が必要なのにLyria 3 Clipを選んで短すぎたりするケースがある。生成前にLyria 3 Clip（30秒）かLyria 3.5（フルレングス）かを確認し、適切なモデルを選定することが無駄な作業を避ける。
日本のクリエイター視点の補足
Lyriaは多様なジャンルや楽器のキーワードを提供しており、日本のクリエイターもこれを活用できる。既存のキーワードを組み合わせることで、J-POPやアニソン、ボカロといった日本の音楽シーン特有のニュアンスを表現する試みが可能だ。例えば、「Upbeat J-Pop, female vocals, synth pads, catchy chorus」のように、具体的な要素を盛り込むことが有効である。
Lyria RealTimeは、日本のクリエイターがライブパフォーマンスやインタラクティブなインスタレーションでAI音楽を駆使する上で、新たな表現手法を提供する。リアルタイムでの音楽操作は、従来の制作プロセスにはない創造的な体験を生み出す。AIはクリエイティビティを拡張するツールとして捉え、積極的に実験することが日本の音楽シーンにおける新たな潮流となるだろう。
参考URL：
コメント