Text-to-speech ガイド

​

概要

本文書では、SupertoneのText To Speech APIの使用方法について説明します。Supertoneのtext-to-speech技術を活用して、テキストを自然な音声に変換することができます。

​

対応言語

Supertone APIは各言語に最適化された音声モデルを提供しており、現在以下の言語に対応しています。

1. 韓国語(ko)
2. 日本語(ja)
3. 英語(en)

​

ボイス選択ガイド

​

1. 利用可能なボイスの確認

ご希望の音声を確認するには、Get Voices APIまたはSearch Voices APIを呼び出して直接音声を探索することができます。

Get Voices APIを呼び出して確認

Get Voices APIを呼び出して、利用可能なボイスの一覧を確認できます。APIは以下のような形式のJSON応答を返します。JSON応答に含まれるvoice_idをAPI呼び出し時のパラメータとして入力します。

{
    "voices": [
        {
            "voice_id": "54CyP2zU9HCeLVCpzDRFPi",
            "name": "Yoonho",
            "description": "Yoonho is a sarcastic and indifferent teenager. He doesn't express his emotions well.",
            "age": "young-adult",
            "gender": "male",
            "use_case": "game",
            "language": "ko",
            "style": "blank_high"
        }
    ]
}

Search Voices APIを呼び出して確認

Search Voices APIを呼び出して、様々なキーワードとフィルターを使って音声を検索することができます。 APIは次のような形式のJSON応答を返します。 JSON応答に含まれるvoice_idをAPI呼び出しに活用してください。

{
  "voices": [
    {
      "voice_id": "<string>",
      "name": "<string>",
      "description": "<string>",
      "age": "<string>",
      "gender": "<string>",
      "use_case": "<string>",
      "language": "<string>",
      "style": "<string>"
    }
  ],
  "total": 123,
  "page": 123,
  "page_size": 123,
  "total_pages": 123
}

​

2. ボイスの属性について

各ボイスは以下の属性を持っています：

​

3. ボイスの選択方法

1. 希望する言語のボイスをフィルタリングします
2. プロジェクトの目的に合ったuse_caseを持つボイスを選択します
3. 希望する年齢層と性別のボイスを選択します
4. 選択したボイスのvoice_idをコピーしてAPI呼び出し時に使用します

​

API呼び出しガイド

​

1. テキスト入力の制限事項

• 最大長：スペースを含めて200文字
• テキストの要件：
  • 空白や句読点のみで構成されたテキストは使用できません
  • 正確な発音を生成するために、正しい文法と表記法を使用する必要があります
  • 特殊文字「\n」などが含まれないように注意が必要です

​

2. 音声出力形式

• クエリパラメータoutput_formatで指定
• 対応形式：
  • wav（デフォルト）
  • mp3

​

3. モデル選択

ボディパラメータmodelで以下から選択：

主要指標

​

4. 音声の詳細設定

1. pitch_shift（音程調整）
   • 範囲：-24 ～ 24（デフォルト：0.0）
   • 説明：
     • 1単位 = 1セミトーン
     • 正数：音程上昇（例：10 = 5トーン上昇）
     • 負数：音程下降（例：-10 = 5トーン下降）
     • ±24 = 2オクターブ変化
2. pitch_variance（音程変化幅）
   • 範囲：0 ～ 2（デフォルト：1.0）
   • 説明：
     • 0：最小変化幅
     • 2：最大変化幅
     • 値が大きいほどダイナミックな音声
3. speed（発話速度）
   • 範囲：0.5 ～ 2.0（デフォルト：1.0）
   • 説明：
     • 1.0：基本速度
     • 2.0：2倍速
     • 0.5：0.5倍速

​

生成された結果物について

​

1. ファイル名の構造

構成要素

• 生成時間：2024-08-28_05-02-53（YYYY-MM-DD_HH-mm-ss）
• ボイス名：arin
• 言語：ko
• スタイル：happy
• ピッチ調整：ps0（pitch shift）
• ピッチ変化範囲：pv100（pitch variance、100 = 1.0）
• 発話速度：s100（speed、100 = 1.0）
• ファイル形式：.mp3

​

2. 注意事項

生成された音声は機械学習技術を基にしているため、同じ設定で生成しても結果物が完全に同一にならない場合があり、品質も完全に均一ではない場合があります。