mcpField
A
azure-speech

azure-speech

github.com/calesthioクリエイティブ・メディア221101 回インストール15 週間前に更新
リポジトリ

azure-speech について

メディア制作エージェント向けの Azure Speech スキルです。文字起こし、字幕、ナレーション、翻訳に応じたサービス選択を案内し、本番利用前のリージョン、クォータ、言語、アクセス確認も扱います。

主な機能

  1. 01タスクに応じたサービス選択
  2. 02リアルタイムとバッチの文字起こし
  3. 03字幕と話者分離の指針
  4. 04テキスト読み上げ方式の選択
  5. 05リージョンとアクセスの確認

活用シーン

  1. 01ライブコンテンツの字幕生成
  2. 02メディア群のタイムスタンプ付き文字起こし
  3. 03ナレーションやボイスオーバーの制作
  4. 04動画翻訳とローカライズの計画

インストール

コマンドをコピーしてターミナルで実行します。

$npx skills add https://github.com/calesthio/generative-media-skills --skill azure-speech

インストール後、Claude Code で/azure-speechを入力して読み込まれたか確認します。

同梱ファイルEVAL.md

詳細

メディア制作エージェント向け Azure Speech

Azure Speech in Foundry Tools が、文字起こし、キャプション、字幕、ナレーション、合成音声、アバターの音声、音声翻訳、動画ローカライズ、制作音声の品質確認における候補プロバイダーである場合に、このスキルを使用してください。

Azure Speech は単一のモデルではなく、関連するサービス群として扱ってください。作業に適合する最小範囲の公式機能を選び、利用を決める前にリージョン、クォータ、言語、料金、アクセス状況を確認してください。

以下の情報は、2026-07-10 に Microsoft／Azure のドキュメントで確認済みです。対応ロケール、リージョン、料金、クォータ値、API バージョン、プレビュー／アクセス制限の状況など、変動する項目は、有料利用または本番利用の前に再確認してください。

最初に判断すること：ユーザーが実際に求めている作業は何ですか？

確認済みの情報：

本番環境での振り分け：

  1. ライブキャプション、ライブ音声入力、ライブのカスタマーサポート支援、インタラクティブな音声 UI → Speech SDK、Speech CLI、または対応している場合はリアルタイム REST を使用したリアルタイム音声テキスト変換。
  2. 編集者が素早い文字起こしや字幕のタイミングを必要とする、事前録音済みの単一ファイル → ファイルとリージョンの条件に適合する場合は、高速文字起こし API。
  3. 多数の事前録音ファイル、長期保存のアーカイブ、ストレージベースの処理、大規模な話者ダイアライゼーション、またはカスタム音声モデルの利用 → バッチ文字起こし。
  4. ナレーション、ボイスオーバー、アクセシビリティ向け読み上げ、生成された台詞 → 選択した標準／HD／カスタム／パーソナルボイスと SSML によるテキスト読み上げ。
  5. オーディオブック、長時間のレッスン、長文記事、または数千件のナレーションセグメント → バッチ音声合成。長尺の作業にリアルタイム音声合成を無理に使わないでください。
  6. ある言語の音声を、別の言語のテキストまたは音声翻訳にする → レイテンシー、プロンプト調整、出力要件に応じて音声翻訳または LLM Speech。
  7. 翻訳済みの動画出力を含む、既存動画のローカライズ → 動画翻訳。
  8. Azure Speech の音声出力で動作するトーキングアバター → テキスト読み上げアバター。アバター自体が納品物に含まれる場合にのみ使用してください。それ以外の場合は音声を生成し、別途合成してください。
  9. 専門分野の用語や音響の不一致による文字起こしエラー → フレーズリスト／カスタム音声を評価し、測定した改善効果に見合う場合はカスタム音声をトレーニングします。

ダイアライゼーションを話者の身元確認として表現しないでください。Azure Speech のダイアライゼーションは Guest1／Guest2 のように話者にラベルを付けるもので、個人の識別を目的として設計されていません。出典：https://learn.microsoft.com/en-us/azure/foundry/responsible-ai/speech-service/speech-to-text/transparency-note

キャプション、文字起こし、編集ログ向けの音声テキスト変換

リアルタイム文字起こし

ライブ字幕、ライブノート、ディクテーション、応答性の高い音声アプリケーションなどで、ユーザーがリアルタイムの部分結果や最終結果を必要とする場合は、リアルタイム文字起こしを使用します。

文書化されている事実：

本番環境での経験則：

  • ライブ字幕では、まずレイテンシーと読みやすさを優先し、イベント後に人名、専門用語、文の区切りを修正する工程を設けます。
  • 字幕の用途がアクセシビリティ、ライブモニタリング、編集準備、法務・アーカイブ用の文字起こしのどれなのか確認します。それぞれ許容範囲が異なります。
  • 音声インターフェイスで認識結果がアクションの実行につながる場合は、取り消せない操作の前に認識されたテキストを表示または再生し、確認を求めます。
高速文字起こし

クイック字幕、編集準備、会議メモ、留守番電話のメッセージなど、単一の音声・動画ファイルの文字起こしを予測可能なレイテンシーで同期的に必要とする場合は、高速文字起こしを使用します。

文書化されている事実：

本番環境での経験則：

  • 緊急性の高い単発の編集作業には高速文字起こしを、ライブラリ、キュー、繰り返し実行するパイプラインにはバッチ処理を選びます。
  • 可能であれば既知のロケールを指定すると、精度とレイテンシーの向上に役立ちます。言語が本当に不明な場合や複数言語が含まれる場合にのみ、言語識別を使用します。
  • 字幕を作成する場合は、単語またはセグメント単位のタイミングを取得したうえで、字幕の分割工程を実施します。文字起こしのタイミングが、そのまま放送に適した改行になるわけではありません。
バッチ文字起こし

ユーザーに録音済みファイルが多数ある場合、長時間の音声を扱う場合、ストレージから取り込む場合、非同期処理、話者ダイアライゼーション、単語単位のタイムスタンプ、またはカスタム音声モデルが必要な場合は、バッチ文字起こしを使用します。

ドキュメントに記載されている事実：

本番環境での実践的な指針：

  • ストレージの来歴を軸にバッチジョブを構成します。ソース URI/SAS、ロケール、モデル、ダイアライゼーション、単語タイムスタンプ、不適切な表現のポリシー、TTL、出力ストレージ、再試行計画を含めます。
  • アーカイブメディアでは、取り込みメタデータと文字起こしテキストを分けます。ファイル ID、番組／エピソード、権利者、入力言語、想定される話者、ノイズに関するメモを記録します。
  • 指数バックオフを使用して非同期で状態を確認し、UI には実際の状態を表示します。偽の進捗バーではなく、「キュー待ち／実行中／成功／失敗」を表示します。
ダイアライゼーションと話者の分離

ドキュメントに記載されている事実：

本番環境での実践的な指針：

  • ユーザーが「Alice と Bob の区別」を必要としている場合、ダイアライゼーションだけでは不十分です。まずは下書きのセグメント分割に使い、その後、手作業または監修付きの編集プロセスでラベルを名前に対応付けます。
  • ダイアライゼーションは、話者を音響的に区別できる場合に最も役立ちます。発話の重なり、強いノイズ、マイクからの距離、話者の多さによって精度が低下します。
  • 単語の正確性と話者交替の正確性は、別々の QA トラックで確認します。文字起こしのテキストが正確でも、単語が誤った話者に割り当てられている場合があります。
字幕

確認済みの事実：

制作上の経験則：

  • 字幕は2段階で生成します。まず文字起こしとタイミングを作成し、次に字幕のフォーマットを整えます。
  • 字幕の品質確認では、行の長さ、読み上げ速度、ショット切り替えとの衝突、句読点、話者ラベル、必要に応じた音楽／効果音のキュー、禁止表現のポリシー、焼き込み字幕とサイドカーファイルのどちらを納品するかを確認します。
  • プロ向け字幕では、生の句読点をそのまま信用せず、意味やリズムに合わせて文の区切りを編集します。
  • 法令遵守が重要な場合は、アクセシビリティ規格を決めつけず、対象の規格、プラットフォーム、または地域をユーザーに確認します。

ナレーションと合成音声のためのテキスト読み上げ

音声の選択

確認済みの事実：

制作上の経験則：

  • 役割と媒体に合わせて音声を選びます。権威ある解説、親しみやすいチュートリアル、明瞭な製品デモ、アクセシブルな読み上げ、キャラクターの会話、またはローカライズされた吹き替えなどが考えられます。
  • 対象のロケール、地域、音声、出力形式、SSML タグを必ず実際にテストします。「TTS に対応」は「このスタイルタグに対応」を意味しません。
  • ブランド関連の制作では、候補となる音声を絞り込み、それぞれに同じ20～30秒のオーディション用台本を読み上げさせます。
  • 多言語ナレーションでは、対象言語ごとにネイティブらしい発音をテストします。言語をまたいで声質が保たれても、すべての台本でネイティブらしい読み上げが保証されるわけではありません。
制作を制御する手段としての SSML

確認されている事実：

制作上のヒューリスティクス：

  • SSML は必要な箇所に限定して使います。強い音声を選び、間や発音の修正を最小限にするほうが、プロソディーを過度に制御するより自然に聞こえることがあります。
  • 製品名、頭字語、人名、数学用語、ブランド用語の発音を修正する場合は、再利用可能な辞書または音素タグに登録します。
  • 息継ぎや間は、句読点だけで決めず、編集上の意図に基づいて指定します。
  • 1つの台本に複数の音声を使う場合は、各ターンを個別の voice ブロックにまとめ、音楽や効果音とミックスする場合は、それぞれのステムを別々に書き出します。
長時間音声のバッチ合成

確認されている事実：

制作上のヒューリスティクス：

  • バッチ合成で長文を処理できる場合でも、ナレーションは意味のある章やシーンに分割します。これにより、部分的な収録や録り直し、ミックス変更にかかるコストを抑えられます。
  • 台本 ID と出力音声のパス、音声名、SSML のバージョン、サンプルレート、承認状況を対応付けるマニフェストを保持します。
  • オーディオブックや講座では、すべてのテキストをバッチでレンダリングする前に、短い章を試作し、トーン、発音、ラウドネス、章タイトルの読み上げ、無音部分を確認します。
カスタム音声、パーソナル音声、同意に関する境界

文書に記載された事実：

本番運用の指針：

  • ユーザーが権利、明示的な同意、承認済みの利用ケース、法的な承認を提示しない限り、著名人、従業員、顧客、故人の声、または「そっくりな声」のクローン作成を提案しないでください。
  • ブランド音声では、「音声デザイン」と「音声クローニング」を分けてください。多くの場合、標準のニューラル音声／HD 音声に SSML とキャスティングの指示を組み合わせれば十分です。
  • 本番利用の前に、権利関連書類一式を必須としてください。これには、タレントの同意、利用範囲、地域、チャネル、期間、撤回ポリシー、合成音声であることの開示計画、承認担当者の連絡先が含まれます。
  • パーソナル音声では、利用ケースが承認済み／登録済みの利用ケースのいずれかであること、またエンドユーザーが自分の音声の作成と利用を管理できることを確認してください。

音声翻訳、LLM Speech、動画のローカライズ

文書化されている事実：

本番環境でのヒューリスティック：

  • ローカライズでは文字起こしだけでは不十分です。意味に合わせて翻訳し、慣用表現を調整し、字幕のタイミングを合わせ、名前の発音を確認し、話者の口調を合わせ、動画を再生成する場合はリップシンクと話すテンポを品質確認してください。
  • 元動画については、元の文字起こし、翻訳済みスクリプト、承認済みの編集済みスクリプト、合成音声、最終的に音声と映像を結合した動画を、それぞれ別の成果物として保持してください。
  • 翻訳先が吹き替え版のマーケティング動画の場合は、最終納品前にネイティブスピーカーによるレビューを実施してください。
  • 多言語のライブ利用では、ネットワーク状況と翻訳先言語のレイテンシをテストしてください。ライブ通訳の品質に伴うリスクは、後編集で制作する吹き替えと同じではありません。

テキスト読み上げアバター

文書化されている事実：

本番環境でのヒューリスティック：

  • 合成プレゼンターの利用が許容される場合は、プレゼンター主導のトレーニング、サポート、またはローカライズに Azure アバターを使用してください。本人が許可していない内容を実在の人物が発言したかのように見せるために使用してはいけません。
  • 成果物に必要なのがアバターなのか、ナレーションだけなのかを確認してください。アバター動画を追加すると、同意、レンダリング、不気味の谷、開示、レビューに関する対応が必要になります。
  • カスタムアバターの作業では、カスタム音声と同じ権利関係の書類一式に加え、肖像権とモデルの使用制限も求めてください。

リージョン、クォータ、価格、ガバナンスの確認

Azure Speech プランを受け入れる前に、次の項目を確認してください。

  1. リージョン：選択した Azure Speech リソースのリージョンが、対象の機能（高速文字起こし、バッチ合成、アバター、LLM Speech、Voice Live、パーソナル音声、動画翻訳）をサポートしていることを確認してください。Microsoft によると、主要な機能は幅広いリージョンで利用できますが、一部の機能には特定のリージョンが必要です。出典：https://learn.microsoft.com/en-us/azure/ai-services/speech-service/regions
  2. データの保存場所：Azure Speech のドキュメントによると、データは Speech リソースを作成したリージョン内でのみ保存または処理されます。出典：https://learn.microsoft.com/en-us/azure/ai-services/speech-service/regions
  3. 言語／音声：対象の機能でターゲットロケールと言語音声がサポートされていることを確認してください。言語サポートは機能によって異なります。出典：https://learn.microsoft.com/en-us/azure/ai-services/speech-service/language-support
  4. クォータ：F0/S0 レベル、同時実行数、リクエストレート、ファイルサイズ、時間、エンドポイント、データセット、アバター、LLM Speech、バッチの上限を確認してください。出典：https://learn.microsoft.com/en-us/azure/ai-services/speech-service/speech-services-quotas-and-limits
  5. 価格：現在のリージョン／通貨の価格と課金単位を確認してください。Microsoft の料金ページでは、STT は音声の時間、TTS は文字数に基づいて課金されます。アバターは表のセクションによって秒または分単位で課金され、カスタムトレーニング／ホスティングは別途課金されます。また、高速文字起こしの料金には REST API 2024-11-15 以降が必要であると記載されています。出典：https://azure.microsoft.com/en-us/pricing/details/speech/
  6. アクセス：カスタムニューラル音声、パーソナル音声、カスタムアバターには、限定アクセスの承認が必要であることを確認してください。出典：https://learn.microsoft.com/en-us/azure/foundry/responsible-ai/speech-service/text-to-speech/limited-access
  7. 認証：ドキュメントに記載されている場合、本番環境では Microsoft Entra ID によるキーレス認証を優先してください。API キーを使用する場合は保護してください。出典：https://learn.microsoft.com/en-us/azure/ai-services/speech-service/llm-speech
  8. 保持期間：バッチ文字起こしでは、出力ストレージと timeToLive を意図的に設定してください。出典：https://learn.microsoft.com/en-us/azure/foundry/responsible-ai/speech-service/speech-to-text/data-privacy-security

運用上の注意：

  • Azure のドキュメントやブランドは Azure AI Speech から Foundry Tools の Azure Speech へと変更されていますが、ユーザー向けポータル、リソース名、以前の SDK のサンプルでは、古い用語が引き続き使われている場合があります。実装方法については、最新の Learn ページを正式な情報源として扱ってください。
  • 料金ページではプレースホルダーが表示されたり、リージョン、通貨、アカウントによって料金が異なったりする場合があります。料金計算ツールまたは課金アカウントを確認せずに、ユーザー向けの見積もりにドル建ての金額を固定で記載しないでください。

プライバシー、安全性、同意、権利

文書化されている事実：

本番環境での経験則：

  • ユーザーが提供したものであっても、あらゆる音声や顔は権利の対象となるメディアとして扱います。
  • インタビュー、会議、通話、公共の場で録音された音声を扱う場合は、文字起こしの前に、同意の有無と管轄区域に応じた制約を確認します。
  • 未成年者、医療、雇用、法律、金融に関わる状況では、データの取り扱いと同意の確認を強化し、独自の判断でポリシーを補わないでください。
  • 合成ナレーションでは、聞き手がその声を実在する人間の演技だと合理的に受け取る可能性がある場合、またはプラットフォーム、クライアント、法律、Microsoft の規約で義務付けられている場合は、合成音声であることを開示します。
  • 実在の人物へのなりすまし、同意の回避、合成であることの隠蔽、検出や電子透かしの回避、または話者ダイアライゼーションによる個人特定を求める依頼には応じず、別の方法を案内します。

本番環境向け QA チェックリスト

文字起こし／字幕の場合：

  • 元音声のサンプルレート、チャンネル数、コーデック、長さ、クリッピング、ノイズ、残響、音声の重なり、対象ロケールを確認します。
  • 選択したモード（リアルタイム、高速、バッチ、LLM Speech、カスタム音声）を確認します。
  • 人手で作成した参照データと照合し、代表的な区間について、WER 方式でサンプリングして単語の正確性を確認します。
  • トークン／字幕の読みやすさ（句読点、大文字・小文字、数字、人名、専門用語、冒とく表現のポリシー、言語の切り替わり、タイムスタンプ、話者ラベル）を確認します。
  • ダイアライゼーションでは、WDER に相当する話者割り当ての誤りを、テキストの誤りとは別に確認します。
  • バッチ処理では、すべてのファイルに結果があるか、またはエラーが報告されていることを検証します。失敗したファイルを黙って除外しないでください。

TTS／ナレーションの場合：

  • 使用する音声、ロケール、出力形式、SSML タグ、サンプルレート、話し方のスタイルを実際に試聴して確認します。
  • 人名、頭字語、製品用語、数式、URL、通貨、日付、多言語の箇所の発音を確認します。
  • 編集タイムラインに合わせてペースを確認します。タイミングの調整には SSML またはスクリプトの編集を用い、明確な限度を超える事後の時間伸縮は避けます。
  • 音楽／効果音とミックスする場合は、合成後にラウドネスを正規化し、ディエッサー処理を行います。
  • 再現性を確保するため、承認済みのスクリプト、SSML、音声、リージョン、レンダリング日、音声ハッシュを保存します。

ローカライズ／吹き替えの場合：

  • 元の意味を保ち、慣用表現を文化に合わせて調整し、ネイティブスピーカーに確認してもらいます。
  • 対象言語での文量の増減がシーンのタイミングに合うか確認します。
  • 編集後に、字幕と吹き替えの内容が一致していることを確認します。
  • すべてのロケールで、合成音声の開示と権利を確認します。

例：緊急の製品デモ向け字幕の素早いドラフト作成

用途の例：編集作業中に、14 分間の製品紹介動画向けに英語字幕のドラフトを作成します。

適用可能な Azure の機能：リソースのリージョンが対応しており、ファイルが現在の上限未満であれば、高速文字起こし API を使用します。

入力と制約：

  • 編集システムから書き出した demo_walkthrough.mp4 が 1 本あります。
  • 言語は判明しています：en-US。
  • 表示用の文字起こしテキスト、単語のタイムスタンプ、マスキングされた不適切な表現が必要です。話者が 2 人いる場合を除き、話者ダイアライゼーションはオフにします。
  • 文字起こし後、編集パイプラインで出力を SRT/VTT に変換します。

ワークフロー：

  1. リージョンが高速文字起こしに対応していることを確認し、現在のファイルサイズと再生時間の上限を確認します。
  2. ファイルが小さければインラインでアップロードし、長いファイルには公開 URL を使用します。
  3. 判明しているロケール、単語単位のタイムスタンプ、希望する不適切な表現の処理方針を指定して、高速文字起こしを呼び出します。
  4. 編集向けに改行を調整して、結果を字幕に変換します。
  5. 字幕を映像に焼き込む前に、冒頭・中間・終盤のサンプルを音声と照合して品質を確認します。

期待される結果：字幕のドラフトに適したタイミングデータを含む、人が読みやすい文字起こしが素早く返されます。

失敗要因：

  • リージョンまたは API バージョンが未対応です。
  • ファイルが高速文字起こしの上限を超えています。
  • ロケールが一致せず、精度が低下します。
  • 生の字幕行が長すぎるか、分割が適切ではありません。
  • 製品名には、文字起こしの修正だけでなく、後続の TTS でフレーズリストや SSML に似た発音処理が必要になる場合があります。

応用例：動画が 250 本ある場合は、バッチ文字起こしに切り替え、1 本ずつ高速文字起こしを呼び出すのではなく、Blob Storage から処理します。

例：ポッドキャストのアーカイブを話者ダイアライゼーション付きでバッチ文字起こし

用途の例：検索可能な番組ノートと、話者ラベル付きの編集レビューのために、ポッドキャストのエピソード 600 本を文字起こしします。

適用可能な Azure の機能：バッチ文字起こし。

入力と制約：

  • 音声は SAS アクセスを使用して Azure Blob Storage に保存されています。
  • ロケールは判明しています：en-US。
  • 番組の司会者が 2～4 人おり、ゲストも出演しますが、話者の自動識別は必須ではありません。
  • 単語のタイムスタンプ、話者ラベル、出力の保持ポリシー、失敗レポートが必要です。

ワークフロー：

  1. バッチ文字起こしのリージョン、クォータ、料金、ストレージのアクセス許可を確認します。
  2. すべてのファイルを 1 つの脆弱なジョブで処理するのではなく、番組やシーズンごとにバッチを送信します。
  3. 話者ダイアライゼーションと単語単位のタイムスタンプを有効にします。
  4. 出力ストレージと timeToLive を設定します。
  5. ジョブの状態をポーリングし、文字起こしとレポートの成果物を収集します。
  6. 編集時の品質確認で、ゲストのラベルを実際の話者名に手動で対応付けます。
  7. エピソードの種類（スタジオ収録、リモート収録、ライブ、騒音の多い環境）ごとに、WER と WDER に類するエラーをサンプリングします。

期待される結果：各エピソードについて、テキスト、タイムスタンプ、ゲストの話者ラベルを含む非同期の文字起こしファイルが生成されます。

失敗要因：

  • 処理開始前に SAS URL の有効期限が切れます。
  • サービスの負荷がピークに達し、処理の開始が遅れます。
  • 発話の重なりにより、話者ダイアライゼーションに誤りが生じます。
  • ゲストのラベルがエピソード間で一貫しません。
  • アーカイブに特別な処理が必要な多言語または音楽の多い区間が含まれています。

応用例：専門分野の用語による誤りが繰り返し発生する場合は、カスタム音声評価を使用し、ベースラインのエラーパターンを測定してからカスタムモデルをトレーニングします。

例：洗練された解説動画向けの SSML ナレーション

例の目的：SaaS のローンチ動画向けに、落ち着いた高品質な 60 秒のナレーションを生成します。

適用可能な Azure の機能：ボリュームに応じて、リアルタイムのテキスト読み上げまたはバッチ合成を使用します。試聴後、標準ニューラル音声または HD 音声を選択します。

SSML の例：

<speak version="1.0" xml:lang="en-US"
       xmlns="http://www.w3.org/2001/10/synthesis"
       xmlns:mstts="https://www.w3.org/2001/mstts">
  <voice name="en-US-AvaMultilingualNeural">
    <prosody rate="-6%" pitch="-1st">
      Your team does not need another dashboard.
      <break time="350ms"/>
      It needs one place where risk, revenue, and work in progress finally agree.
    </prosody>
    <break time="500ms"/>
    <prosody rate="-3%">
      Meet Contoso Atlas: the operating layer for decisions that cannot wait.
    </prosody>
  </voice>
</speak>

パラメーター：

  • 音声：対象地域で試聴し、正確に選定した音声。
  • 出力：後処理で利用できる場合は 48 kHz の WAV。それ以外の場合は、ミックス前に実用可能な範囲で最高品質の PCM 形式。
  • レンダリング：リテイクを容易にするため、シーンまたは段落ごとに 1 ファイル。

この構成にする理由：適度なポーズと遅めの速度により、声を過度に演出せずに編集ポイントを作れます。

期待される結果：ラウドネス正規化とミックスにすぐ使える、クリーンなナレーション素材。

失敗例：

  • 選択した音声が、指定された SSML のスタイルや制御に対応していない。
  • プロソディーを多用しすぎて、ロボットのような話し方になる。
  • ブランドや製品の発音が間違っている。
  • SSML で制御される課金対象文字数が、料金見積もりから漏れている。

バリエーション：長時間のトレーニングコースでは、リアルタイム呼び出しの代わりにバッチ合成を使用し、チャプター ID のマニフェストを用意します。

例：カスタム音声リクエストのトリアージ

ユーザーのリクエスト例：「投資家向けの更新動画すべてで、CEO の声を複製してください。」

適切な対応：

  1. 公式の限定アクセス要件、承認されたユースケース、明示的な同意が満たされる場合に限り、カスタムニューラル音声またはパーソナル音声として扱います。
  2. 承認の証明、出演者の同意、想定される使用状況、開示計画、使用期間、配信チャネル、対象地域、取り消しポリシーについて確認します。
  3. ユーザーが似た雰囲気のエグゼクティブ音声だけを必要としている場合は、複製ではなく標準音声または HD 音声の試聴を勧めます。
  4. 承認されている場合は、トレーニングデータを収集する前に、音声ペルソナを作成してテストスクリプトを試します。

期待される結果：準拠したカスタム音声の計画、またはより安全な標準音声のキャスティング計画のいずれか。

失敗例：

  • 書面による同意を得ずに、「CEO が大丈夫と言っていた」という気軽な一言だけで進める。
  • 承認された使用状況の範囲外で、モデルを使って誰かになりすます。
  • 合成音声であることを開示しない。
  • 承認なしにパーソナル音声 API を利用できると思い込む。

バリエーション：プレゼンターのアバターを使う場合は、音声の権利に加えて、肖像権と出演者の同意も必要です。

2026-07-10 に確認済みの情報源

コメント

Markdown 対応