BroadRouter

音声合成(TTS、text-to-speech)

更新日

音声合成(TTS、text-to-speech)とは、書かれたテキストを話し言葉の音声に変換する技術です。TTS API はテキスト、声、MP3 や WAV などの出力形式を受け取り、生成した音声を返します。音声をテキストにする音声認識とは逆方向の処理です。

別名: TTS、テキスト読み上げ、読み上げ API、音声合成 API、テキスト音声変換、text-to-speech、text to speech、speech synthesis

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。

よくある質問

BroadNet Inference は音声合成を提供していますか?

いいえ。BroadNet のドキュメントにあるエンドポイントは、chat completions と音声文字起こしの 2 つです。/v1/audio/speech はありません。アプリに話させる必要があるなら、別の TTS プロバイダーを使ってください。

SSML とは何ですか?

Speech Synthesis Markup Language のことで、W3C 勧告(バージョン 1.1、2010 年)です。合成音声の発音、間、ピッチ、速さ、言語の切り替えを制御する XML です。対応状況は TTS プロバイダーによって異なります。

声が AI 生成であることをユーザーに伝える必要はありますか?

OpenAI の TTS ガイドが引用する利用ポリシーは、声が AI 生成であることをはっきり開示するよう求めています。利用するプロバイダーの規約と現地の法律を確認してください。

Markdown で読むChatGPT に聞くClaude に聞くPerplexity に聞く