Text Speech 02の主な機能

このモデルはネイティブ48kHzのサンプリングレートを使用しており、これは多くの競合製品の標準の2倍です。テキストと音声を重み内でネイティブに処理することで、従来のパイプラインで生じがちなデジタルアーティファクトを回避します。その結果、生成されるすべての音声セグメントがスタジオ品質となり、ポッドキャストや、最高レベルの音響的明瞭さが求められる高性能バーチャルアシスタントなど、プロフェッショナルな用途にすぐ利用できます。

はい。レイテンシーは約210ミリ秒で、多くの代替製品より大幅に高速です。この超低レイテンシーにより、音声システムはテキスト入力にほぼ瞬時に応答できます。そのため、人間らしいタイミングや割り込みへの対応が自然なユーザー体験に不可欠な会話型AIに最適です。テキストから音声への変換が、実際の会話のように感じられます。

もちろんです。Text Speech 02 は、わずか3秒の音声サンプルを使って特定の声をクローンできます。数分間のデータを必要とする他のモデルとは異なり、この02-hdバリアントは感情の幅と声質を短時間で捉えます。そのため、元の話者固有の声の特徴を、さまざまなスクリプトやテキスト入力にわたって保ちながら、非常にパーソナライズされたテキストから音声への変換を実現できます。さらに、演技に込められた感情の核も失われません。

英語、中国語、日本語、複数のヨーロッパ言語を含む30以上の言語に対応しています。02アーキテクチャにより、1つの文の中でシームレスにバイリンガルを切り替えられます。そのため、異なる言語構造の間を移行する場合でも、読み上げられるテキストの音声品質とアクセントが一貫して保たれ、グローバルなテキストローカライゼーションやアクセシビリティプロジェクトに最適です。

はい。WebSocketとChunked HTTPによるネイティブストリーミングに対応しています。長文のテキストやドキュメントの合成に最適です。個々のリクエストでは最大10分間の音声を処理できますが、ストリーミング機能を利用すれば出力時間は実質的に無制限です。そのため、長時間の再生セッション中でも、生成されるテキストの品質や音質を劣化させることなく、音声の安定性とリズムを維持できます。

プライバシーを重視しています。当プラットフォームでText Speech 02モデルを通じて処理されるすべての音声データは一時的にのみ保持されます。お客様の入力や生成された出力をトレーニング目的で使用することはありません。そのため、機密性の高いテキストをデータ漏洩や proprietaryなテキストベースコンテンツへの不正アクセスのリスクなく、高品質な音声に変換する必要があるエンタープライズレベルのアプリケーションにとって、信頼できる選択肢となります。