音声合成で支える、リアルタイム音声エージェント

文章から話し声を生成する技術で、テキスト読み上げやTTSとも呼ばれます。CartesiaのSonicモデルは、音声アプリケーションのこの工程を担います。音声認識は逆に、話された音声を文章に変換します。

いいえ。ブラウザーのwindow.speechSynthesisは、聞き手の端末で利用できる声を使い、その端末で再生します。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です。APIキーなしでブラウザー再生だけが必要なら、JavaScript音声合成チュートリアルをお試しください。ブラウザーの声はOSによって異なり、ローカルまたはリモートの音声サービスを使う場合があります。

Python音声合成ガイドで、WAVファイルの生成と保存から始めてください。APIキーはバックエンドで管理します。音声エージェントには再生や割り込みへの対応も必要で、ファイル保存の例だけではそれらは実装されません。Cartesia Managed Agentsで構築することもできます。

選んだ声を、アプリケーションの名前、略語、数字でテストしてください。文脈の中で言葉を聴き、必要に応じて原稿を修正します。代表的なサンプルを使うと、内容に合う声を選びやすくなります。

現在のSonic対応言語一覧を確認し、対象言語の例を聴いてください。話してほしい言語で文章を入力します。TTSは文章を自動翻訳しません。

ホスト型APIの利用には、インターネット接続とアカウントへのアクセスが必要です。ファイルに保存した生成音声はオフラインで再生できます。利用量はアカウントのプランと上限によるため、リクエストを実行する前に現在の料金を確認してください。

音声合成は文章を話し声に変換し、音声認識は音声を文章に変換します。音声エージェントは認識で相手を理解し、言語モデルで応答を作り、音声合成でその応答を話せます。音声合成はSonic、音声認識はInkをご覧ください。

はい。Cartesiaは音声を順次受信できるストリーミングエンドポイントを提供しています。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。ストリーミングAPIリファレンスで応答形式を確認し、連携先が求める音声設定に合わせて再生を実装してください。

対応するSonicモデルには速度、音量、感情のコントロールがあります。選んだ声と原稿で設定を試し、話し方への影響を聴いてください。音声コントロールガイドで、現在のコントロールと対応モデルを確認できます。

話してほしい言語の文章を入力してください。原稿の翻訳と音声の合成は別の工程です。最終音声を生成する前に、翻訳した名前、数字、地域特有の表現を確認しましょう。言語別の例で声を聴いてから選べます。

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、その声で新しい文章を読み上げます。既存の声を使うか、使用許可のあるクローンを作り、その音声IDで音声を生成できます。録音要件はボイスクローニングガイドをご覧ください。