Python音声合成API リアルタイムアプリケーションに

cartesiaをインストールし、サーバー環境にCARTESIA_API_KEYを設定してCartesiaクライアントを作成します。原稿、モデル、音声ID、出力形式を指定してclient.tts.generateを呼び出し、write_to_fileで保存してください。このページのサンプルはspeech.wavを作成します。完全なリクエストはPythonサンプルをご覧ください。

公式SDKにはPython 3.9以降が必要です。python -m pip install --upgrade cartesiaでインストールします。WebSocketにはpython -m pip install "cartesia[websockets]"を使ってください。古い例を変更する場合は、インストール済みのバージョンをSDKドキュメントと照合してください。

はい。TTSエンドポイントはWAV、MP3、raw音声に対応しています。生成前にoutput_formatでコンテナと対応する設定を選んでください。このページの例はWAVです。MP3が必要なら、その形式を選びます。拡張子を変えるだけでは音声は変換されません。

文章が部分ごとに届く場合はWebSocketを使います。共通の生成コンテキストで文章の断片を送り、返ってくる音声チャンクを順に受け取ります。アプリケーションには音声のバッファリングと再生が別途必要です。WebSocket APIで、会話アプリケーション向けの継続とキャンセルを確認できます。

完成したナレーションや通知など、原稿がすでにある場合はHTTPを使います。HTTPでも音声を順次受信できます。文章を追加で送る、または継続中の会話を管理する場合はWebSocketを使います。入力と出力のストリーミングは別の選択で、HTTP応答の使い方はファイル保存だけではありません。

はい。非同期アプリケーションではAsyncCartesiaを使い、API呼び出しをawaitします。非同期のサンプルで、生成、ファイル出力、ストリーミングを確認できます。返された音声を応答やプレーヤーに接続し、ライフサイクルの終了時にクライアントを閉じてください。

長期有効のキーは、サーバーの環境変数や導入環境のシークレット管理サービスに保存してください。コミットしたりブラウザーのコードに送ったりしないでください。ブラウザーから直接接続する場合は、バックエンドからアクセストークンAPIを使い、範囲を限定した短期トークンを作成します。

Playgroundで声を試し、そのIDをリクエストに渡します。原稿に合わせてlanguageまたはlocaleのどちらか一方を設定してください。自分の原稿の名前、数字、略語をテストします。すべての声が同じアクセントに対応すると考えず、言語と声の設定はリクエストリファレンスを確認してください。

現在のSonicドキュメントからモデルを選び、アプリケーションでテストしてください。sonic-3.6には安定版スナップショットの更新が適用されます。公開済みの日付付きスナップショットを使うと、新しいリリースの評価中も動作を固定できます。更新後に比較できるよう、モデルIDをテスト結果と一緒に記録してください。

raw PCMには再生方法を示すファイルヘッダーがありません。プレーヤーには、リクエストと同じサンプルレートとエンコーディングが必要です。不一致があると、ノイズ、無音、速度の異常につながります。まずWAVで生成音声を個別に確認し、その後raw音声のストリーミング再生をテストしてください。

認証失敗、レート制限、ネットワークエラー、タイムアウトを処理してください。SDKの再試行とタイムアウトを用途に合わせ、再生中の割り込みをテストします。利用者の話題が変わった後に待機中の音声を再生しないようにしてください。ネットワークと再生バッファーを含め、文章が準備できてから音声が聞こえるまでを測定します。