テキストを音声に変換、MP3ファイルに

Text-to-Speech Bytesエンドポイントを使い、output_formatを{"container":"mp3","sample_rate":44100,"bit_rate":128000}に設定します。リファレンスに従い、ほかの必須フィールドと認証情報も指定してください。これは44.1 kHz、128 kbpsのMP3を選ぶ設定例で、すべての用途に必須ではありません。応答は音声バイト列で、JSONのダウンロードURLではありません。

はい。上のツールに文章を入力し、声を選んで「MP3を作成」を押してください。完成したら「MP3をダウンロード」を選びます。アプリケーションでは、Bytes APIにMP3をリクエストし、成功した応答を.mp3ファイルとして保存してください。

このページでは、アカウントなしで短いMP3サンプルを試聴・ダウンロードできます。APIでの生成にはアカウントのクレジットを使用します。含まれるクレジット、追加利用、商用利用の条件はCartesiaの現在のプランをご覧ください。

接続先が求める形式を使ってください。MP3はファイル再生向けに音声を圧縮し、PCMはMP3圧縮をせずに音声サンプルを表します。ライブ通話では、MP3ではなく特定のrawエンコーディングとサンプルレートが必要な場合があります。出力設定を選ぶ前に音声連携ガイドを確認してください。ファイルのダウンロード速度は、会話全体の遅延を示すものではありません。

対応言語は現在のSonicモデルのドキュメントで確認してください。対応モデルには音量、速度、感情のコントロールがあります。選んだ声を対象言語ごとにテストし、名前、略語、数字に注目してください。音声生成の結果は用途に合わせた確認が必要です。

電話システムがそのファイル形式に対応し、声と文章を使うために必要な権利があれば利用できます。確認済みの原稿から固定の挨拶を生成し、電話回線を通してテストしてください。録音済みの挨拶は、相手の返答を理解しません。対話型の通話にはCartesia Managed Agentsをご覧ください。

はい。「MP3を作成」で、選択した文章、声、言語からファイルを生成します。完了すると「MP3をダウンロード」が表示されます。文章や声を変えると前のダウンロードは消去され、更新した内容で新しいファイルを作れます。

サンプルレートは1秒間に音声を標本化する回数、ビットレートは1秒間に保存する圧縮音声データの量を表します。再生環境に合う対応設定を選んでください。このページの例は1秒あたり44100サンプル、128000ビットですが、すべてのプロジェクトに必須の設定ではありません。

読み上げたい文章をコピーし、生成前に確認してください。ページ番号、繰り返される見出しなど、読み上げ不要な部分を取り除きます。音声APIはテキストを受け取ります。このページでアップロードしたPDFから文章を抽出する機能はありません。

まずAPIリクエストが成功し、応答をバイナリ音声として保存したか確認してください。MP3コンテナを指定したことと、選んだ設定にプレーヤーが対応していることも確認します。WAVファイルの名前を.mp3に変えても、音声形式は変換されません。

短い抜粋で声を選び、発音を確認することから始めてください。長い原稿は個別に確認できる単位に分け、声と出力設定を統一します。エディターで最終版を組み立てる前に、各つなぎ目を聴いてください。後の修正で全文を書き直さずに済むよう、原稿を保存しておきましょう。