音声合成AI 登録なしで無料で試せます

音声合成とは、ソフトウェアで書かれた文章を話し声の音声に変えることです。テキスト読み上げ（TTS）や声の合成とも呼ばれます。現代のシステムは録音された話し声で学習したAIモデルを使うため、昔のソフトウェアのロボットのような声よりはるかに人間に近く聞こえます。

予約時間を読み上げて確認する電話エージェント、次の曲がり角を知らせるナビアプリ、ウェブページを読み上げるスクリーンリーダーは、どれも音声合成を使っています。このページ上部のデモも同じで、入力した文章を読み上げます。

このページのデモは登録なしで無料です。自分のアプリでAPIを使うにはアカウントを作成してください。Freeプランには毎月20,000クレジットが含まれ、有料プランではさらに増えます。

音声合成は文章を話し声の音声に変え、音声認識は話し声を文章に変えます。音声エージェントはこの2つを言語モデルとつなぎます。音声認識が相手の話を聞き取り、モデルが返答を書き、音声合成がそれを話します。Cartesiaは、音声合成のSonicと音声認識のInkを提供しています。

AIモデルが文章を読み、各単語の発音、文のリズム、強調する位置など、どう聞こえるべきかを予測します。そのうえで音声を生成します。Cartesiaのモデルは生成しながら音声をストリーミングするため、文が終わる前に再生が始まります。

いいえ。ブラウザーのwindow.speechSynthesisは、聞き手のブラウザーとOSが提供する声で文章を読み上げるため、デバイスごとに声が変わります。Cartesiaは生成した音声をアプリケーションに返すホスト型APIで、どこでも同じ声になります。APIキーなしでブラウザー内だけで再生したい場合は、JavaScriptテキスト読み上げチュートリアルをご覧ください。

APIキーを作成してバックエンドで管理し、文章と声のIDを送ると、APIが音声を返します。Pythonテキスト読み上げガイドでは、数行でWAVファイルを生成して保存する方法を紹介しています。電話エージェントや音声エージェントでは、WebSocketで音声をストリーミングするか、Cartesia Managed Agentsにエージェントと通話の運用を任せられます。

Cartesiaの声は1つのモデルで40以上の言語を話し、アメリカ英語、イギリス英語、オーストラリア英語、カナダのフランス語、メキシコのスペイン語などの地域アクセントにも対応しています。言語ページで各言語のサンプルを聴けます。

はい。WebSocketまたはサーバー送信イベントで、Cartesiaは生成した音声を順次チャンクで送ります。そのため、クリップ全体が揃う前にアプリで再生を始められます。応答形式はストリーミングAPIリファレンスで確認できます。

はい。話す速度と音量を設定でき、60以上の感情から選んで話し方を変えられます。各モデルのオプションは音声コントロールガイドに一覧があります。

ボイスクローニングは、話者の録音から再利用できる声を作ります。音声合成は、その声やライブラリの声を使って新しい文章を読み上げます。録音の要件はボイスクローニングのページで説明しています。