日本語の自然な音声合成

このページの録音例ではNaoki、Ayumiを使っています。音声例を選んで原稿を聴き、文章を置き換えて自分の言葉で試せます。Cartesia Playgroundでは、ほかの声も探せます。

日本語の音声合成は、書かれた原稿を音声に変換します。ナレーション、アクセシビリティ、製品の操作画面、音声エージェントの応答などに使えます。音声生成そのものが原稿を翻訳したり、エージェントの発言内容を決めたりするわけではありません。

同じ原稿と再生環境で、発音、応答時間、ストリーミング対応、出力形式を比較してください。実際の業務で使う割り込み、短い返答、長い文章を含めます。声を選ぶ前に、日本語に堪能な話者に確認してもらいましょう。

音声認識、会話ロジック、音声合成を組み合わせるか、Managed Agentsでこれらをまとめて構築します。声を選び、業務に必要なツールを接続して、流暢な話者と実際の会話をテストしてください。聞き返す条件や人に引き継ぐ条件も決めておきます。

最初の音声が届くまでの時間は、モデル、リクエスト、ネットワーク接続、クライアントの再生処理によって変わります。音声エージェントでは、音声認識や応答生成の時間も加わります。実際の導入環境で会話全体を測定し、最初の音声が届くまでの時間と、相手が回答を待つ時間を分けて評価してください。

地域の日付、価格、電話番号、住所など、実際に聞かれる形式でテストしてください。読み方が曖昧な値は、意図する読み方で書き、生成された音声を確認します。名前、略語、地域特有の慣習は、別途発音を確認してください。

サーバーから原稿、モデル、言語コード、音声ID、出力設定を音声APIに送ります。API認証情報はサーバーで管理してください。音声合成APIから始め、アプリケーションに再生、キャンセル、エラー処理を追加します。

Sonicには、ブラウザーのプレーヤーや電話向けの出力設定があります。再生環境が対応するコンテナ、エンコーディング、サンプルレートを選んでください。対応する組み合わせは音声合成APIリファレンスで確認できます。通話用の音声を生成する場合は、電話サービスの要件に合わせてください。

生成した音声を電話アプリケーションに接続できます。出力を電話サービスの音声要件に合わせ、実際の通話でテストしてください。着信の振り分け、発信者の本人確認、割り込み、人への転送は、アプリケーション側で制御します。

日本語の発音、同時アクセス、障害時の処理、目標応答時間をテストしてください。データの取り扱い、導入方法、契約上の要件を、自社のチームとCartesiaで確認します。試験運用から本番に拡大する前に、連携全体を検証してください。

はい。Sonicで日本語の原稿を読み上げ、製品チュートリアル、音声記事などのナレーションを作れます。まず短い文章で速さと発音を確認してください。長い録音にはCartesia PlaygroundかAPIを利用できます。

このページの録音例を再生するか、原稿を編集してSonicで新しい日本語の音声を生成してください。ウェブデモは500文字まで対応しています。長い原稿やダウンロードにはCartesia Playgroundを開いてください。

このページには日本語 (日本)と表示された音声例があります。録音を聴いて、聞き手に合う声を選んでください。ラベルはこれらの録音を説明するもので、すべての地域のアクセントへの対応を保証するものではありません。

はい。声を選んで、サンプルの原稿を自分の文章に置き換えてください。編集した原稿から新しい音声を生成します。別の音声例を選ぶと、編集内容がその例の原稿に置き換わります。

はい。Sonicはストリーミング音声生成に対応しています。リクエストに言語コードと音声IDを指定してください。音声が届き次第、アプリケーションで再生を始められます。リクエストと出力設定はAPIリファレンスで確認できます。

Cartesiaはボイスクローニングを提供しています。クローンする許可を得た録音を使い、本番で使う前に日本語の発音と話者の再現度をテストしてください。結果は録音と選択したモデルによって異なります。

いいえ。Sonicは入力された文章から音声を生成します。原文が別の言語の場合は、まず日本語に翻訳して内容を確認してください。多言語のプロジェクトについては、ローカライズの進め方をご覧ください。