Skip to main content
このドキュメントは英語の原文から自動翻訳されています。表現に不自然な箇所がある場合があります。正確な内容は英語の原文もあわせてご確認ください。
このサンプルでは、複数段落のスクリプトを受け取り、1つのオーディオファイルとして生成します。SDKの自動チャンク分割の仕組みを利用しており、スクリプト全体をcreate_speechに渡すと、SDKが文の区切りで分割し、各セグメントを生成して結合します。

Python

TypeScript

内部での処理の流れ

  1. SDKはSCRIPT.length > 300であることを検出します。
  2. まず文の区切り記号で分割し、1文自体が長すぎる場合は単語境界でさらに分割します。
  3. PythonのSDKは最大3つのcreate_speechリクエストを並列に実行し、TypeScriptのSDKは順次実行します。
  4. 各セグメントは完結したオーディオファイルとして返されます。
  5. SDKは2つ目以降の各セグメントからWAVヘッダーを取り除き、バイト列を1つの連続したクリップに連結します。
  6. 結果として、単一セグメントのレスポンスと同じ形式の、そのまま再生できるファイルが1つ返ります。

ヒント

  • 句読点が効きます。 適切に句読点が付いた原文ほど、きれいな切れ目で分割できます。スクリプトが機械翻訳や文字起こし由来の場合は、./?/!を補うと結果が改善します。
  • ボイス設定は引き継がれます。 同じvoice_settingsがすべてのセグメントに適用されるため、結合後の音声も一貫した印象になります。
  • 事前に見積もりましょう。 predict_durationは自動チャンク分割を行いませんが、スクリプトを数文に分けてそれぞれpredict_durationを呼び出し、長さを合計することでコストを見積もれます。
  • 適切なモデルを選んでください。 長文ナレーションではsona_speech_2が最も自然な発話を生成します。多数のナレーションを高速に生成する必要がある場合はsona_speech_2_flashに切り替えてください。

関連情報

長文テキスト

300文字制限とチャンク分割の挙動に関する完全なリファレンスです。

ボイス設定

ナレーションの発話表現を細かく調整できます。