ゼロショット音声クローニング
わずか3秒のサンプルだけで、あらゆる音声を高い忠実度で再現し、即座にパーソナライズできます。
speech-2.5-turbo-preview
MiniMaxのSpeech 2.5 APIは、高忠実度かつ低レイテンシーの音声ネイティブ体験を提供します。ネイティブな音声間処理と3秒のゼロショット音声クローンに対応しており、応答性と感情理解に優れたAIエージェントに最適です。
$ 0
text
$ 36
$ 60
audio
Playground
JSON
API
入力
Speech 2.5 APIの主な機能
感情豊かなリアルタイム音声において、Speech 2.5 APIを業界のリーダーたらしめる技術的能力をご覧ください。
ダイナミックな感情プロソディ
笑い声、ため息、呼吸音を生成し、驚くほどリアルな人間らしさを作り出します。
48kHz HDオーディオ出力
プロフェッショナルな制作に適した、ハイビジョンかつスタジオ品質の音声出力に対応します。
ネイティブ音声間変換
音声から音声へのダイレクト処理により、自然でスムーズな会話を実現する300ミリ秒未満のレイテンシーを保証します。
speech-2.5-turbo-preview APIキーの取得方法
speech-2.5-turbo-preview APIキーの取得は、4つのステップで数分で完了します。GPTProtoの無料アカウントを作成し、クレジットを追加してキーを生成し、最初のAPIコールを行ってください。$0 / $36 GPTProto経由であれば、直接契約するよりも安価にspeech-2.5-turbo-preview APIキーを利用でき、1つのキーでプラットフォーム上のすべてのモデルにアクセス可能です。詳細はspeech-2.5-turbo-preview ドキュメントをご覧ください。
サインアップ
無料のGPT Protoアカウントを作成して開始しましょう。チーム用の組織はいつでも設定可能です。
チャージ
残高はspeech-2.5-turbo-previewを含むプラットフォーム上の全モデルで利用可能です。必要に応じて柔軟に実験やスケールアップを行えます。
APIキーを生成
ダッシュボードでAPIキーを作成してください。speech-2.5-turbo-previewへのリクエスト時に認証用として必要になります。
最初のAPIコールを実行
サンプルコードでAPIキーを使用し、GPT Proto経由でspeech-2.5-turbo-previewにリクエストを送信して、AIによる結果をすぐに確認しましょう。
Speech 2.5 API よくある質問
リアルタイムの音声アプリケーションやサービスにSpeech 2.5 APIを導入するための技術的な知見と料金の詳細をご確認ください。
Speech 2.5 API はレイテンシーにどのように対応していますか？
Speech 2.5 API は、中間のテキスト文字起こしレイヤーを排除するネイティブな音声間音声（S2S）アーキテクチャを採用しています。これにより、最適な条件下では初回音声出力までの時間（Time-To-First-Audio）が約280msに短縮されます。インタラクティブアプリケーションで可能な限り低いレイテンシーを実現するには、標準のチャンク分割HTTPではなく、WebSocketストリーミングインターフェースの使用を推奨します。
この2.5モデルは音声クローンに対応していますか？
はい。2.5 turboモデルはゼロショット音声クローンに対応しています。わずか3秒の音声サンプルだけで、話者の声を再現できます。このプロセスでは追加のトレーニングやファインチューニングは必要なく、/v1/audio/voicesエンドポイントを介して、特定の声質やアクセントの音声をすぐに生成できます。
Speech 2.5 API の料金はいくらですか？
料金は、入力のトークン数と出力の音声時間の両方に基づいて決まります。入力テキストは100万トークンあたり2.00ドル、入力音声は1分あたり0.015ドルです。生成された出力音声には1分あたり0.030ドルが課金されます。GPTProto.comのユーザーは、請求の一元管理に加え、繰り返しのセッションでキャッシュされた音声プロンプトを50%割引で利用できます。
私の音声データはモデルのトレーニングに使用されますか？
いいえ。Enterprise Privacy Policyに基づき、Speech 2.5 APIで処理された音声およびテキストデータが、当社またはMiniMaxによるトレーニングに使用されることはありません。お客様の知的財産と音声クローンは、プロジェクト環境内で非公開かつ安全に保護されます。
GPT-4oの音声モードと比べてどう違いますか？
GPT-4oのTTFA（約240ms）のほうがわずかに高速ですが、Speech 2.5 APIはGPT-4oの24kHzに対して、48kHzというより高いサンプリングレートを提供します。さらに、Speech 2.5は、聞き取れるため息や笑い声など、より豊かな非言語的感情表現を実現します。こうした表現は、他の低レイテンシーモデルでは制限されていることがよくあります。
APIをバイリンガル音声に使用できますか？
もちろんです。このモデルは、25以上の言語にわたるバイリンガルなコードスイッチングに最適化されています。話者のアイデンティティと感情表現の一貫性を完全に保ちながら、1つの文の中で英語と中国語のように言語を切り替えられます。
関連記事
他のブログを見る
GPT-4o Transcribeを徹底解説：音声からテキストへ
GPT-4o Transcribeで音声を瞬時にテキストへ変換。画期的なAIへのアクセス方法、実用例、手頃な料金について解説します。
Minimax Speech 02：リアルな音声合成とAPIレイテンシ
Minimax Speech 02で高忠実度の音声合成を実現。低レイテンシで感情豊かなAI音声アプリケーションを今すぐ構築する方法を学びましょう。
GPT-4o Mini TTS：OpenAIの音声合成テクノロジー
自然な音声、感情表現、高速な応答時間を実現するOpenAIの音声合成モデル、GPT-4o Mini TTSについて学びましょう。
Kling 2.6：音声と映像を同期したAI生成で新境地を開拓
Kling 2.6は、音声と映像を同期した生成機能を搭載。一度の操作で、セリフ、効果音、環境音を含む完全な動画を作成できます。機能や実例、実用的な活用方法をご紹介します。