通常のテキスト読み上げは、すべてを一人の声で読み上げるだけです。しかしポッドキャストやインタビュー、コント風の掛け合いには、お互いに受け答えし、話を遮ったり笑ったりする2〜3人のやり取りが必要です。セリフごとに別々の音声を手作業でつなぎ合わせるのは手間がかかるうえ、間の取り方も不自然になりがちです。Dialogueツールなら、台本全体を1本の音声として一度に生成できます。
セリフは1行ずつ「アンナ:こんにちは!今日は何について話しましょうか?」のように書きます。コロンの前の名前が話者を表し、それぞれの話者に声を割り当てます。ハイフンで始まる行は、2つの声が交互に発話する形式として扱われます。まだ台本がない場合は、「友人同士が引っ越すかどうかで言い争う」のようにテーマを説明し、1〜5分の長さを選ぶだけで、AIが無料で2人分の会話台本を作成します。あとから自由に編集できます。
GoogleのGemini 3.1 Flash TTSは、2人の話者を手頃な価格で、自然な間を保ちながら音声化でき、会話の雰囲気を言葉で指定することもできます。ElevenLabsのEleven v3 Dialogueは最大3人の声に対応し、[laughs]（笑う）、[whispers]（ささやく）、[interrupting]（話を遮る）といったタグをセリフの中に直接書き込むことで、より表現豊かな発話を実現します。料金は実際に発話される文章にのみ課金され、話者名はカウントされません。