開発ガイド

基本知識

基本用語

言語

音声合成サービスは複数の言語をサポートしており、リクエストでテキストの言語を指定できます。現在、プラットフォームは日本語、英語、中国語の3種類の合成言語をサポートしています。

ボイス

現在、音声合成サービスは異なる言語の複数のボイスをサポートしています。サポートされているボイスについては、以下の「言語とボイスのサポート」をご覧ください。

サンプリングレート（sample rate）

音声のサンプリングレートとは、録音デバイスが1秒間内に音声信号をサンプリングする回数を指します。サンプリングレートが高いほど、音声の再現がより真実かつ自然になります。合成音声のサンプリングレートを指定することができます。現在、音声合成サービスは8000Hz、16000Hz、24000Hzのサンプリングレートの音声をサポートしています。

音声エンコーディング（format）

pcm/wav/mp3の形式をサポートしています。注意：wav はストリーミングをサポートしていません。

実用機能

ボイスの選択

様々なシーンでの合成ニーズを満たすため、多言語、多ボイスを提供します。ボイスの詳細については、以下の「ボイスリスト」をご参照ください。

話速の調整

話速のカスタマイズをサポートしており、通常の話速よりも最大4倍速くまたは遅くすることができます。

ピッチの調整

合成音声のピッチを設定することをサポートしており、デフォルトの出力よりも最大20半音高くまたは低くすることができます。

音量の調整

合成音声の音量を調整することをサポートしており、出力音量を最大16db、最小-96dbまで設定できます。

感情・スタイルの選択

ボイスの感情・スタイルを調整することをサポートしており、喜び、カスタマーサービスなどを含みます。感情・スタイルの詳細については、以下の「感情・スタイル設定」をご参照ください。

言語とボイスのサポート

言語コードは language-variant-script-region の形式を採用します。

• language：言語（ISO 639-1）、すべては小文字、例えば、中国語は zh、英語は enです。
• variant（オプション）：発音または方言（ISO 639-3）、すべては小文字、例えば、普通話は cmn、広東語はyueです。
• script（オプション）：スクリプト（ISO 15924）、頭文字は大文字、例えば、簡体字はHans、繁体字はHantです。
• region：言語の使用地域（ISO 3166）、すべては大文字、例えば、中国本土はCN、香港はHK、アメリカはUSです。

音声合成サービスは現在、以下の言語とボイスをサポートしています。

ボイスリスト

注意：以下の中国語ボイスは中国語および中英混合の音声をサポートしています。英語のみの使用を想定する場合は、英語ボイスを使用することをお勧めします。

感情・スタイル設定

• pleased（喜び）、sorry（お詫び）、annoyed（非難）、happy（嬉しい）、sad（悲しい）、angry（怒り）、scare（怖い）、hate（嫌悪）、surprise（驚き）、tear（泣き）、novel_dialog（静か）、customer_service（カスタマーサービス）、 professional（プロ）、serious（厳粛）、 narrator（ナレーション/緩和）、 narrator_immersive（ナレーション/没入感）、comfort（慰めと励まし）、lovey-dovey（甘え）、conniving（腹黒い）、tsundere（ツンデレ）、charming（色っぽい）、storytelling（物語り）、radio（感情ラジオ）、yoga（ヨガ）、 advertising（広告）、assistant（アシスタント）