音声認識は聞き取り、音声合成は話し返します。音声アシスタントには両方が必要です。
仕組み
TTS API が受け取るのは、テキスト、声、音声形式の 3 つです。OpenAI のガイドにある Python の例は次のような形です。
from openai import OpenAI
client = OpenAI()
with client.audio.speech.with_streaming_response.create(
model="gpt-4o-mini-tts",
voice="coral",
input="Today is a wonderful day to build something people love!",
instructions="Speak in a cheerful and positive tone.",
) as response:
response.stream_to_file("speech.mp3")
ガイドは /v1/audio/speech エンドポイント、13 種類の組み込みの声、出力形式として MP3(デフォルト)、Opus、AAC、FLAC、WAV、PCM を説明しています。PCM はヘッダーのない生の 24 kHz・16 ビットのサンプルです。チャンク転送エンコーディングによるストリーミングに対応しているので、ファイルが完成する前に再生を始められ、最速の応答には WAV か PCM を勧めています。またガイドは tts-1、tts-1-hd、gpt-4o-mini-tts を非推奨とし、2027 年 1 月 6 日に提供終了としています。モデルを選んで開発する前に、最新のモデル一覧を確認してください。
多くのエンジンは、W3C の音声合成用 XML マークアップである SSML も受け付けます。ルートの <speak> 要素で version="1.1" と xml:lang を宣言します。ほかに、間を入れる <break>、日付や数字を示す <say-as>、正確な発音(たとえば IPA)を指定する <phoneme>、別の言語の語句を示す <lang> などの要素があります。
<speak version="1.1" xml:lang="en-US">
Pasta should be cooked <lang xml:lang="it">al dente</lang>.
<break/> Enjoy your meal.
</speak>
なぜ重要か
- 音声プロダクトはパイプライン。 音声ボットは音声認識、チャットモデル、TTS の順に処理します。各段階でレイテンシとコストが加わり、それぞれ別のプロバイダーでもかまいません。
- 形式の選択。 出力形式がサイズと再生できる環境を決めます。たとえば WhatsApp は Ogg Opus のボイスメッセージを再生します。
- 開示。 OpenAI は、TTS の声が AI 生成であることをエンドユーザーに伝えるよう求めています。
BroadNet Inference の場合
BroadNet は音声合成を提供していません。API リファレンスにあるのは POST /v1/chat/completions と POST /v1/audio/transcriptions だけです。提供しているのは逆方向で、BroadNet Transcribe Arabic と BroadNet Transcribe が WAV や MP3 の音声をテキストに変換します。料金は 1 分あたりそれぞれ $0.0042 と $0.002 です。BroadNet はライブやリアルタイムの音声も提供していません。
プロダクトに話させる必要があるなら、BroadNet の文字起こしとチャットに、別の TTS プロバイダーを組み合わせてください。テキスト、音声、画像では BroadNet がどの仕事をカバーし、どこで別のサービスが必要かを整理しており、WhatsApp チャットボットのアーキテクチャの記事ではパイプラインのボイスメッセージ側を紹介しています。
よくある間違い
- TTS と STT を混同する。 音声認識 API は音声を生成しません。「speech」という単語だけでなく、エンドポイントの一覧を確認してください。
- SSML がどこでも使えると思い込む。 多くの API はプレーンテキストか、SSML の一部しか受け付けません。