ネイティブで表現豊かな韻律
モデルがテキストの文脈を自動的に解釈し、手動でSSMLタグを追加しなくても、自然な間やため息、豊かな感情表現を加えます。
Speech 2.5 Hd Preview
ByteDanceのテキスト音声変換モデル「speech 2.5」は、スタジオ品質の48kHzオーディオと、表現力豊かな自然な韻律をネイティブで提供します。ゼロショット音声クローニングと200ミリ秒未満の低レイテンシに対応しており、リアルタイムアプリケーションや大規模なプロフェッショナルコンテンツ制作に最適です。
API 利用例
curl --request POST "https://gptproto.com/api/v3/minimax/speech-2.5-hd-preview/text-to-audio" \
--header "Authorization: Bearer $GPTPROTO_API_KEY" \
--header "Content-Type: application/json" \
--data '{
"text": "A tiny origami fox sailing a teacup across a moonlit puddle",
"voice_id": "Wise_Woman",
"speed": 1,
"volume": 1,
"pitch": 0,
"emotion": "happy",
"english_normalization": false,
"sample_rate": 8000,
"bitrate": 32000,
"channel": 1,
"format": "mp3",
"language_boost": "English",
"enable_base64_output": false,
"enable_sync_mode": false
}'Speech 2.5 Hd Preview 料金
チャット、コーディングエージェント、ドキュメント作業。1Mトークン単位の料金 — 入力、キャッシュ入力、出力は別々に課金。GPTProtoは公式料金より40%低価格です。
| シナリオ | MiniMax リスト | OpenRouter | GPTProto | 月間の節約 |
|---|---|---|---|---|
| 個人10M トークン / 月 | $200.00 | $211.00 | $120.00 | −$80.00≈ $960.00 / 年 |
| チーム100M トークン / 月 | $2000.00 | $2110.00 | $1200.00 | −$800.00≈ $9600.00 / 年 |
| ビジネス500M トークン / 月 | $10000.00 | $10550.00 | $6000.00 | −$4000.00≈ $48000.00 / 年 |
月あたり $0.00 節約
年間節約 ≈ $0.00 · 従量課金
Core text speech 2.5の機能
2.5 HDプレビューモデルを合成音声技術のリーダーたらしめる、技術的な特長をご紹介します。
ゼロショット音声クローニング
わずか5秒のサンプルだけで、ターゲット音声を94%の類似度で再現し、多言語間の音声合成にも対応します。
スタジオ品質の48kHzオーディオ
放送用途を想定した高解像度出力で、24kHzの標準モデルと比べて優れた明瞭さを実現します。
200ms未満のレイテンシー
最適化された処理パイプラインによりTTFBを短縮し、会話型AIアプリケーションに最適な高速処理を実現します。
text speech 2.5 FAQ
高品質な音声制作のために、text speech 2.5をアプリケーションへ統合する際によくある質問です。
text speech 2.5のリクエストにおける一般的なレイテンシーはどの程度ですか？
このモデルは高速なパフォーマンスに最適化されており、Time To First Byte（TTFB）は約180msです。そのため、text speech 2.5モデルはOpenAI TTS-1-HDよりも大幅に高速で、リアルタイム音声アシスタントや、即時の音声フィードバックを必要とするインタラクティブなアプリケーションに、シームレスな体験を提供します。
音声クローニングにはどのくらいの長さの音声サンプルが必要ですか？
高精度なゼロショット音声クローニングを実現するには、5～10秒の音声リファレンスがあれば十分です。text speech 2.5システムはこのサンプルから声の特徴を抽出し、元の話者のアイデンティティを維持しながら、30以上の対応言語で、あらゆるテキスト入力を高い類似度（94.1%）でクローン音声に読み上げさせることができます。
text speech 2.5は高解像度出力に対応していますか？
はい。MP3、WAV、PCM、Opusなど、さまざまな形式でスタジオ品質の48kHz出力に対応しています。この解像度は業界標準の24kHzを上回るため、合成音声がプロフェッショナルで明瞭に聞こえます。ポッドキャスト、オーディオブック、高品質なデジタルヒューマンアニメーションに最適です。
テキスト合成の入力制限はどのようになっていますか？
1回のリクエストで処理できるテキストは最大4,096文字です。より長い文書や大規模な台本の場合は、テキストを小さなセグメントに分割することをおすすめします。これにより、処理タイムアウトを防ぎ、音声生成全体を通してニューラルエンジンが一貫した韻律と感情表現を維持できます。
私のテキストデータは基盤モデルのトレーニングに使用されますか？
プライバシーは最優先事項です。APIを通じてtext speech 2.5 previewモデルに送信されたテキストや音声サンプルは、デフォルトでByteDanceのトレーニングデータセットから除外されます。お客様の独自の台本や音声クローニングデータは安全に保護され、指定されたリクエストの出力生成のみに使用されます。
HD音声とクローン音声の料金体系を教えてください。
標準音声合成の料金は100万文字あたり15.00ドルです。高解像度音声またはクローン音声の場合は、100万文字あたり30.00ドルです。GPTProto.comは統合請求に対応しているため、ベンダーごとに複数の個別エンタープライズ契約を管理することなく、これらの高度な機能を利用できます。
関連記事
このモデルに関連するガイド、比較、最新情報。
すべての記事
