Chirp 3: HD 音声

Text-to-Speech Chirp 3: HD 音声は、最新世代の Text-to-Speech テクノロジーです。最先端の LLM によって生成されるこれらの音声は、他に類を見ないほどのリアリティと感情的な響きを実現しています。

Colab ノートブックを試す

GitHub でノートブックを表示

音声オプション

さまざまな音声オプションが用意されており、それぞれに異なる特徴があります。

対応言語

Chirp 3: HD 音声は、次の言語でサポートされています。

リージョン可用性

Chirp 3: HD 音声は次の Google Cloud リージョンでそれぞれ利用できます。

サポートされる出力形式

デフォルトのレスポンス形式は LINEAR16 ですが、次の形式もサポートされています。

Chirp 3: HD 音声を使用する

Chirp 3: HD 音声を使用して音声を合成する方法を学びます。

ストリーミング音声合成リクエストを実行する

"""Synthesizes speech from a stream of input text."""
from google.cloud import texttospeech

client = texttospeech.TextToSpeechClient()

# See https://cloud.google.com/text-to-speech/docs/voices for all voices.
streaming_config = texttospeech.StreamingSynthesizeConfig(
    voice=texttospeech.VoiceSelectionParams(
        name="en-US-Chirp3-HD-Charon",
        language_code="en-US",
    )
)

# Set the config for your stream. The first request must contain your config, and then each subsequent request must contain text.
config_request = texttospeech.StreamingSynthesizeRequest(
    streaming_config=streaming_config
)

text_iterator = [
    "Hello there. ",
    "How are you ",
    "today? It's ",
    "such nice weather outside.",
]

# Request generator. Consider using Gemini or another LLM with output streaming as a generator.
def request_generator():
    yield config_request
    for text in text_iterator:
        yield texttospeech.StreamingSynthesizeRequest(
            input=texttospeech.StreamingSynthesisInput(text=text)
        )

streaming_responses = client.streaming_synthesize(request_generator())

for response in streaming_responses:
    print(f"Audio content size in bytes is: {len(response.audio_content)}")

オンライン音声合成リクエストを実行する

def synthesize_text():
    """Synthesizes speech from the input string of text."""
    from google.cloud import texttospeech

    text = "Hello there."
    client = texttospeech.TextToSpeechClient()

    input_text = texttospeech.SynthesisInput(text=text)

    # Note: the voice can also be specified by name.
    # Names of voices can be retrieved with client.list_voices().
    voice = texttospeech.VoiceSelectionParams(
        language_code="en-US",
        name="en-US-Chirp3-HD-Charon",
    )

    audio_config = texttospeech.AudioConfig(
        audio_encoding=texttospeech.AudioEncoding.MP3
    )

    response = client.synthesize_speech(
        input=input_text,
        voice=voice,
        audio_config=audio_config,
    )

    # The response's audio_content is binary.
    with open("output.mp3", "wb") as out:
        out.write(response.audio_content)
        print('Audio content written to file "output.mp3"')

スクリプトとプロンプトに関するヒント

テキストから魅力的で自然な音声を作成するには、話し言葉のニュアンスを理解し、それをスクリプト形式に変換する必要があります。次のヒントを参考にして、信頼できるトーンを取り入れ、選んだトーンを表現するスクリプトを作成してください。

目標の理解: 自然な音声

主な目的は、人間の話者のように合成音声をできるだけ自然に聞こえるようにすることです。これには以下が含まれます。

• 自然なペースの模倣: 人の話し方（速度）
• スムーズな流れの作成: 文やフレーズ間のシームレスな遷移を確実に行います。
• リアルな休止を追加する: 強調や明確化のために休止を組み込みます。
• 会話のトーンをキャプチャする: 音声を実際の会話のように聞こえるようにします。

自然な音声を実現するための主な手法

• 句読点でペースと流れを整える

  • ピリオド（.）: 完全な停止と長い休止を表します。思考のまとまりを区切り、明確な文の境界を作成するために使用します。
  • カンマ（,）: 文内の短い休止を表します。節やリスト項目を区切ったり、息継ぎのための休止を入れたりする場合に使用します。
  • 省略記号（...）: より長い、意図的な休止を表します。考えがまとまっていない、ためらっている、ドラマチックな展開などを表すことができます。
    • 例: 「そして... それが起こった。」
  • ハイフン（-）: 短い休止や思考の突然の切れ目を表すために使用します。
    • 例: 「言いたいことはあったけど、言えなかった」

• 休止や言いよどみを入れる

  • 戦略的な休止: 人間の話者が息継ぎや強調のために自然に休止する箇所に、省略記号、カンマ、ハイフンを使用して休止を挿入します。
  • 言いよどみ（「えー」や「うー」など）: テキスト読み上げモデルによっては、言いよどみを自動的に処理するものもありますが、その役割を理解することが重要です。信頼性を高め、ロボットのような音声を抑えることができます。モデルによって追加される場合でも、人間の発話で自然に発生する場所を把握しておくと、スクリプトの全体的な流れを把握するのに役立ちます。

• テストと反復

  • 再合成: 同じ音声で同じメッセージを複数回再合成しても問題ありません。句読点、スペース、単語の選択を少し変えるだけで、最終的な音声に大きく影響することもあります。
  • 慎重に聞く: 合成音声のペース、流れ、全体的なトーンなどに細心の注意を払います。不自然に聞こえる部分を特定し、必要に応じてスクリプトを調整します。
  • 音声のバリエーション: システムで許可されている場合は、さまざまな音声を使用して、スクリプトと選択したトーンに合ったものを見つけてください。

• 実践的なスクリプト作成のヒント

  • 読み上げ: 合成する前に、スクリプトを読み上げます。これにより、ぎこちない言い回しや不自然な休止、調整が必要な個所を特定できます。
  • 会話形式で書く: スクリプトをより自然に聞こえるように、短縮形（「it's」、「we're」など）やカジュアルな言葉遣いを使用します。
  • コンテキストを考慮する: スクリプトのトーンやペースは、音声のコンテキストと一致している必要があります。カジュアルな会話とは異なるアプローチが必要です。
  • 複雑な文を分割する: 長く複雑な文は、TTS エンジンが処理しにくい場合があります。より短く、扱いやすい文に分割します。

• サンプル スクリプトの改善

  • 元のスクリプト（ロボット）: 「この商品は現在ご購入いただけます。新機能が追加されました。とても楽しみです。」

  • スクリプトの改善（自然）: 「このサービスはご利用いただけるようになりました... また、新しい機能も追加されています。ぜひお試しください。」

  • 元のスクリプト（ロボット）: 「このメッセージは自動送信の確認メッセージです。予約の手続きが完了しました。以下の詳細は、今後の滞在に関するものです。予約番号は 12345 です。登録されたゲスト名は Anthony Vasquez、到着日は 3 月 14 日です。出発日は 3 月 16 日です。部屋タイプはデラックス スイートです。宿泊人数は 1 人です。チェックイン時間は午後 3 時です。チェックアウト時間は午前 11 時です。なお、キャンセル ポリシーでは、チェックイン 48 時間前までに通知する必要があります。この期間内に通知しなかった場合、1 泊分の滞在料金が請求されます。ご予約に含まれるその他のアメニティは、無料 Wi-Fi、フィットネス センターの利用、無料朝食です。ご不明な点がございましたら、855-555-6689 まで直接お問い合わせください。当ホテルをご利用いただきありがとうございます。」

  • 改善されたスクリプト（自然）: 「Anthony Vasquez 様。ご予約の件につきまして、ご連絡いたします。3 月 14 日～3 月 16 日まで、美しいデラックス スイートのご予約を承りました。こちらは 1 名様分の料金です。確認番号は 12345 となります。

    チェックインは午後 3 時、チェックアウトは午前 11 時です。

    キャンセル ポリシーについてお知らせいたします... キャンセルが必要な場合は、ご到着の 48 時間前までにお知らせください。チェックインされなかった場合、1 泊分の宿泊料金が発生いたしますので、ご注意ください。

    快適な滞在をさらにお楽しみいただけるよう、無料の Wi-Fi をご用意しております。また、フィットネス センターもご利用いただけます。朝食も毎日無料でご提供しています。

    ご不明な点がございましたら、855-555-6689 までお気軽にお問い合わせください。ご利用をお待ちしております。」

  • 変更の説明:

    • 省略記号（...）を挿入して、強調のための休止を表しています。
    • 会話の流れのため、「また、」という表現を使用しています。
    • 「とても楽しみです」は、少し不自然な印象を与えます。
    • 「ご注意ください」というリマインダーで、注意を促しています。

  こうしたガイドラインに沿って作成することで、自然で魅力的で人間らしい音声に変換されるスクリプトを作成できます。このスキルを習得するには、練習とテストが重要です。

Chirp 3: HD 音声操作

音声操作機能は、HD 音声合成専用です。Chirp 3: HD 音声は SSML をサポートしていませんが、Chirp 3: HD 音声の制御オプションを使用して、ペース コントロール、一時停止コントロール、カスタム発音を管理できます。

ペース コントロール

生成された音声の速度はペース パラメータで調整できます。ペース パラメータを使うと、音声の速度を遅くしたり速くしたりできます。値は 0.25 倍（非常に遅い）から 2 倍（非常に速い）まで設定可能です。ペースを設定するには、リクエストで speaking_rate パラメータを使用します。0.25～2.0 の値を選択してください1.0 より小さい値を設定すると音声の速度が遅くなり、1.0 より大きい値を設定すると音声の速度が速くなります。値が 1.0 の場合、ペースは調整されていません。

ペース コントロールを使用した SynthesizeSpeechRequest の例:

{
  "audio_config": {
    "audio_encoding": "LINEAR16",
    "speaking_rate": 2.0,
  },
  "input": {
    "text": "Once upon a time, there was a cute cat. He was so cute that he got lots of treats.",
  },
  "voice": {
    "language_code": "en-US",
    "name": "en-us-Chirp3-HD-Leda",
  }
}

ペース コントロールを使用した StreamingSynthesizeConfig のサンプル:

{
  "streaming_audio_config": {
    "audio_encoding": "LINEAR16",
    "speaking_rate": 2.0,
  },
  "voice": {
    "language_code": "en-US",
    "name": "en-us-Chirp3-HD-Leda",
  }
}

ペース コントロールの音声サンプル:

一時停止コントロール

入力フィールド markup を使用してテキストに特殊なタグを直接埋め込むことで、AI 生成音声に一時停止を挿入できます。一時停止タグは markup フィールドでのみ機能し、text フィールドでは機能しません。

これらのタグは AI に無音を挿入させるためのものですが、その一時停止の正確な長さは固定されていません。AI がコンテキストに基づいて再生時間を調整します。これは、人が話す言葉が話者、場所、文の構造に応じて変わるのと同様です。使用可能な一時停止タグは、[pause short]、[pause long]、[pause] です。マークアップ タグを使用せずに一時停止を作成する別の方法については、プロンプトと作成のガイドラインを参照してください。

AI モデルは、特に文章の不自然な位置に配置された場合、一時停止タグを無視してしまうことがあります。複数の一時停止タグを組み合わせることでより長い無音状態を作ることができますが、過度に使用すると問題を引き起こしかねません。

一時停止コントロールを使用した SynthesizeSpeechRequest の例:

{
  "audio_config": {
    "audio_encoding": "LINEAR16",
  },
  "input": {
    "markup": "Let me take a look, [pause long] yes, I see it.",
  },
  "voice": {
    "language_code": "en-US",
    "name": "en-us-Chirp3-HD-Leda",
  }
}

一時停止コントロールを使用した StreamingSynthesisInput の例:

{
  "markup": "Let me take a look, [pause long] yes, I see it.",
}

一時停止コントロールの音声サンプル:

カスタム発音

入力テキスト内の単語に IPA または X-SAMPA の音声表記を使用して、カスタムの発音を指定できます。正確なレンダリングを行うには、言語に適した音素を使用してください。音素のオーバーライドについて詳しくは、音素に関するドキュメントをご覧ください。

カスタム発音を使用した SynthesizeSpeechRequest の例:

{
  "audio_config": {
    "audio_encoding": "LINEAR16",
  },
  "input": {
    "text": "There is a dog in the boat",
    "custom_pronunciations": {
      "phrase": "dog",
      "phonetic_encoding": "PHONETIC_ENCODING_X_SAMPA",
      "pronunciation": "\"k{t",
    }
  },
  "voice": {
    "language_code": "en-US",
    "name": "en-us-Chirp3-HD-Leda",
  }
}

カスタム発音を使用する StreamingSynthesizeConfig のサンプル:

{
  "streaming_audio_config": {
    "audio_encoding": "LINEAR16",
  },
  "voice": {
    "language_code": "en-US",
    "name": "en-us-Chirp3-HD-Leda",
  }
  "custom_pronunciations": {
    "phrase": "dog",
    "phonetic_encoding": "PHONETIC_ENCODING_X_SAMPA",
    "pronunciation": "\"k{t",
  }
}

カスタム発音の音声サンプル:

オーバーライドされたフレーズは、記号の使用など、任意の方法でフォーマットできます。たとえば、中国語や日本語のようにフレーズ照合で文脈による曖昧さが生じやすい場合や、1 つの単語が複数の発音を持つ文では、フレーズを整形することでその曖昧さを解消できます。たとえば、入力中に出てくる read という単語の他の箇所を誤って上書きしてしまわないように、フレーズ "read" を "read1"、"[read]"、"(read)" のように整形して、入力テキストと上書き対象のフレーズの両方で使用することができます。

次の例では、単語「read」が 2 通りに発音される文にカスタム発音を適用しています。

{
  "audio_config": {
    "audio_encoding": "LINEAR16",
  },
  "input": {
    "text": "I read1 a book, and I will now read2 it to you.",
    "custom_pronunciations": {
      "phrase": "read1",
      "phonetic_encoding": "PHONETIC_ENCODING_IPA",
      "pronunciation": "rɛd",
    }
    "custom_pronunciations": {
      "phrase": "read2",
      "phonetic_encoding": "PHONETIC_ENCODING_IPA",
      "pronunciation": "riːd",
    }
  },
  "voice": {
    "language_code": "en-US",
    "name": "en-us-Chirp3-HD-Leda",
  }
}

また、マークアップ形式の入力と組み合わせてカスタム発音を使用することができ、これにより一時停止タグも利用可能になります。

{
  "audio_config": {
    "audio_encoding": "LINEAR16",
  },
  "input": {
    "markup": "Did you [pause long] read this book?",
    "custom_pronunciations": {
      "phrase": "read",
      "phonetic_encoding": "PHONETIC_ENCODING_IPA",
      "pronunciation": "riːd",
    }
  },
  "voice": {
    "language_code": "en-US",
    "name": "en-us-Chirp3-HD-Leda",
  }
}

音声操作に対応している言語

• ペース コントロールはすべての言語 / 地域で利用できます。

• 一時停止コントロールはすべての言語 / 地域で利用できます。

• カスタム発音は、bn-in、gu-in、nl-be、sw-ke、th-th、uk-ua、ur-in、vi-vn を除くすべての言語 / 地域で利用できます。

よくある質問

よくある質問とその回答:

ペースとフローを制御して音声出力を改善するにはどうすればよいですか？

プロンプトと作成のガイドラインを参考にテキスト プロンプトを工夫することで、音声出力の質を高められます。

サポートされている言語の音声にアクセスするにはどうすればよいですか？

音声名には特定の形式があります。音声を一意に指定することで、サポートされている言語全体で使用できます。形式は \<locale\>-\<model\>-\<voice\> です。たとえば、Chirp 3: HD 音声モデルを使用して英語（米国）の Kore 音声を使用する場合は、en-US-Chirp3-HD-Kore 指定します。

Chirp 3: HD 音声は SSML に対応していますか？

Chirp 3: HD 音声は SSML に対応していませんが、Chirp 3: HD 音声の制御オプションでペース コントロール、一時停止コントロール、カスタム発音を管理できます。