mcpField
B
byteplus-seed-speech-tts

byteplus-seed-speech-tts

github.com/calesthioクリエイティブ・メディア21997 回インストール15 週間前に更新
リポジトリ

byteplus-seed-speech-tts について

BytePlus Seed Speech のテキスト読み上げを統合するための制作スキルです。既成ボイスと、登録済みで使用許可のあるボイスによる合成を対象に、開発者向けにリソースやストリーミング方式、音声処理、品質・同意・運用面の確認を案内します。

主な機能

  1. 01TTS リソース系列とプロトコルの選択
  2. 02WebSocket または HTTP で音声をストリーミング
  3. 03速度、形式、コンテキストの設定
  4. 04ボイスと言語の対応確認
  5. 05タイムスタンプ処理と音声品質確認
  6. 06同意、課金、エラー対応の計画

活用シーン

  1. 01準備済みテキストからナレーションを生成
  2. 02アシスタントの応答に合わせて音声をストリーミング
  3. 03一括合成前にボイス、発音、音声出力を確認

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 byteplus-seed-speech-tts

インストール後、Claude Code で/byteplus-seed-speech-tts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

BytePlus Seed Speech TTS

国際版 BytePlus Seed Speech サービスを利用する場合は、このスキルを使用してください。現在ドキュメントに記載されている API ホストは、ap-southeast-1.bytepluses.com ドメイン内にあります。中国本土版 Volcengine Doubao Speech の認証情報、エンドポイント、価格、音声 ID、商業上の前提を流用しないでください。

検証と根拠

  • ドキュメント上の事実： BytePlus の公式ドキュメントまたは適用される法的ページに記載された動作です。
  • 本番環境での経験則： 選択したアカウント、音声、プロトコルでテストが必要な実用的なワークフローです。
  • 実測値： 実際に日付を記録したリクエストで測定された出力です。

プロバイダーに関する情報は、2026-07-12 に検証しました。音声一覧、言語の互換性、価格、無料枠、同時実行数、エンドポイント、データ保持、プロトコルの動作は変更される可能性があります。本番環境で使用する直前に、公式の音声一覧、API ページ、コンソール、価格表、注文書、DPA を再確認してください。

対象範囲と分類

BytePlus は国際版製品を Seed Speech と呼んでいます。現在の音声合成リソースファミリーは次のとおりです。

  • seed-tts-1.0：TTS 1.0；
  • seed-tts-2.0：TTS 2.0；
  • seed-icl-1.0：許可を得た Voice Replication 1.0 の音声合成；
  • seed-icl-2.0：許可を得た Voice Replication 2.0 の音声合成。

Seed-TTS の研究論文はモデル研究について記述したものであり、API の仕様ではありません。研究用のバリエーションをホスト型モデル ID として公開しないでください。

この項目では、事前構築済みの TTS と、すでに登録され許可を得た音声を使った音声合成を扱います。音声の登録自体については、別途、同意、データ、ライフサイクルの確認が必要です。ASR、音声間エージェント、通訳、ポッドキャスト、中国本土版 Volcengine API は対象外です。

モデルファミリーとプロトコルの選択

TTS 1.0

選択した音声または必要な機能が TTS 1.0 向けにドキュメント化されている場合に使用してください。特に、選択したプロトコルでタイムスタンプや音声固有の感情表現がサポートされている場合に適しています。TTS 1.0 と 2.0 の音声で識別子や制御方法が共通だと想定しないでください。

TTS 2.0

BytePlus は、より幅広い多言語対応と、文脈や指示による制御をドキュメント化しています。context_texts で自然言語による表現の指示を指定できます。ドキュメント上で有効とされているのは、リストの最初の値のみです。section_id で以前の音声合成の文脈を引き継ぐことができ、現行のドキュメントでは最大 30 ラウンドまたは 10 分とされています。

ドキュメントに記載された V3 の双方向または単方向の経路では、TTS 2.0 は SSML をサポートしていません。サポートされている制御方法であるかのように SSML を送信しないでください。

双方向 WebSocket

テキストが段階的に届き、セッションの文脈を保持しながら音声をストリーミングする必要がある場合に使用します。

wss://voice.ap-southeast-1.bytepluses.com/api/v3/tts/bidirection

ライフサイクル：WebSocket を確立し、StartConnection を実行して、ConnectionStarted を待ちます。次に StartSession を実行し、SessionStarted を待ってから、1 つ以上の TaskRequest イベントを送信し、文や音声のイベントを受信します。その後、FinishSession を実行して SessionFinished を待ち、接続を閉じます。現在のイベントコードには、文の開始を示す 350、文の終了を示す 351、TTS 応答を示す 352 があります。

単方向 HTTP ストリーミング

テキスト全体があらかじめ決まっており、HTTP 経由で音声をストリーミングして受信する場合に使用します。

POST https://voice.ap-southeast-1.bytepluses.com/api/v3/tts/unidirectional

改行区切りまたはストリーミング形式の JSON 応答を読み込み、各音声ペイロードを Base64 デコードして、受信順に連結します。プロバイダーの成功コード 20000000 を受信したら終了します。

検証時点で、BytePlus の公開非同期長文ワークフローは確認できませんでした。国際版のジョブを Volcengine の非同期エンドポイントに転送しないでください。

認証とヘッダー

新しい連携では、コンソールで生成した X-Api-Key を使用します。選択したリソース ID は必須です。現在の HTTP ドキュメントでは、プロバイダーが示す固定の X-Api-App-Key も必要です。これがシークレットであると決めつけたり、古い値を再利用したりせず、現在のページで確認してください。

ヘッダーの形式例：

X-Api-Key: ${BYTEPLUS_API_KEY}
X-Api-Resource-Id: seed-tts-2.0
X-Api-App-Key: <current documented fixed value>
X-Api-Request-Id: <uuid>
Content-Type: application/json

WebSocket パスでは、トラブルシューティング用に X-Api-Connect-Id を使用します。返された X-Tt-Logid とクライアントのリクエスト ID／接続 ID は保持してください。認証情報や機密性の高いソーステキストはログに記録しないでください。

互換性のため、従来の App ID／access-key ヘッダーも、従来のリソース ID とともに引き続きドキュメントに記載されています。新しい API キーと推測した従来のフィールドを組み合わせたり、Volcengine の認証情報を流用したりしないでください。

音声と言語の選択

サポートは次の組み合わせとして扱ってください。

voice ID + resource family + protocol + language + control

実行時に公式の音声リストを読み込んでください。アカウントがその音声を利用できること、および選択した音声が対象言語、プロトコル、感情、タイムスタンプ、その他要求する制御に対応していることを確認してください。ID を捏造したり、ID の末尾から機能を推測したりしないでください。

TTS 2.0 の概要には、英語、中国語、日本語、ドイツ語、フランス語、メキシコのスペイン語、インドネシア語、ブラジルのポルトガル語、イタリア語、韓国語が現在記載されています。プロトコルや音声のページには、音声固有の追加の言語コードが記載されている場合があります。本番のリクエストでは、選択した音声のページを正式な情報源としてください。

リクエストの制御項目

現在の V3 リクエストフィールドには、テキスト、話者、音声フォーマット／サンプルレート、読み上げ速度、音量、音声固有の感情、およびエスケープされた JSON 文字列の additions が含まれます。

ドキュメントに記載されている範囲は次のとおりです。

  • speech_rate：-50～100。-50 は 0.5 倍、100 は 2 倍を表します。
  • loudness_rate：-50～100。
  • emotion_scale：感情に対応する音声では 1～5。知覚される変化は線形ではありません。
  • フォーマット：mp3、ogg_opus、pcm。
  • サンプルレート：現在のプロトコルページに記載されている 8 kHz～48 kHz の値。

ストリーミング WAV ではヘッダーが繰り返される場合があります。フレーム化されていないストリームが必要な場合は PCM を優先するか、連結／デコードを検証したうえで MP3／Opus を使用してください。

additions には、言語ポリシー、Markdown／絵文字の処理、末尾の無音、数式の正規化、TTS 2.0 のコンテキスト、任意のキャッシュ動作を制御する項目が含まれます。キャッシュヒットではタイムスタンプが返されないと記載されています。

コストと合成を見積もる前に、数字、日付、通貨、略語、URL、数式、Markdown、絵文字、句読点を正規化してください。リクエストに使用した正確な正規化済みソースを保存してください。

タイムスタンプと字幕

現在の V3 パラメータ表では、enable_timestamp が機能するのは TTS 1.0 と ICL 1.0 のみとされています。キャッシュ応答ではタイムスタンプが省略されます。別のモデル／プロトコルの組み合わせで確認されたタイミング情報は、ドキュメントに記載された機能ではなく、アカウント単位での実測結果として扱ってください。

したがって、次の点に留意してください。

  • 対象の音声／プロトコルを使った日付入りの連携テストなしに、TTS 2.0 のタイミング情報を保証しないでください。
  • タイムスタンプが単調増加し、デコード後の再生時間内に収まり、テキストの正規化後も位置が合っていることを確認してください。
  • 名前、数字、句読点、行のグループ分けを人が確認してください。
  • 文字起こし／アラインメントの代替ワークフローを維持してください。
  • 推定文字表示時間から字幕を作成しないでください。

課金と処理容量

2026-07-12 に確認した公式公開価格では、TTS 2.0 のパッケージと従量課金の文字単位料金、20,000 文字の利用開始トライアル、別途購入する並列処理数が記載されています。また、スペース、句読点、記号、改行復帰を課金対象の文字として定義しています。

価格、パッケージ、用語は変更される可能性があるため、現在の料金ページ／コンソールから日付入りのコスト記録を作成してください。プロバイダーの現行の課金ルールに従って、正規化済みのリクエストテキストの文字数を数えてください。アカウントの上限が並列処理数と QPS のどちらで表されているかを確認し、バッチ処理を本番運用する前にキューの動作をテストしてください。

該当するアカウントと日付の範囲外で、プランやトライアルが利用できると断言しないでください。

プライバシー、同意、複製音声

適用されるBytePlusの契約およびDPAが、処理を規定します。通知、適法な根拠／同意、および承認済みの指示については、顧客が責任を負います。BytePlusの現行のエンタープライズ向けAI FAQでは、トレーニングに関する説明に条件が付されています。法人顧客および明示的な許可という文脈を省いて、「データはトレーニングに一切使われない」と単純化しないでください。

複製音声を使用する場合は、以下を守ってください。

  • 話者／権利者から、目的を特定した明示的な許可を得てください。
  • 許可された用途、対象者、地域、有効期間、取り消し方法、削除手順を記録してください。
  • アカウント、音声 ID、言語が許可されていることを確認してください。
  • 著名人へのなりすましや、欺瞞を目的としたなりすましを避けてください。
  • 登録／ソース音声を最小限にし、アクセスを制限してください。
  • 保持、データ保管場所、削除、モデル改善に関する条件を、現行の契約／注文書で確定してください。

登録や音声紋の確認が成功しても、法的な同意を得たことにはなりません。

エラー処理

プロバイダー／アプリケーションのコードに対応し、X-Tt-Logidを保持してください。

  • 無効なテキスト、パラメーター、未対応の制御、または許可されていない音声の場合：修正してください。同じ内容で再試行しないでください。
  • 同時実行数／クォータの制限の場合：キューに入れる、ジッターを加えてバックオフする、または購入済みの容量を調整してください。
  • 一般的なサーバー／ネットワーク障害の場合：冪等性と課金の挙動を把握している場合に限り、回数を制限して再試行してください。
  • ストリームが部分的にしか受信できていない可能性がある場合：ワークフローが再開／再構成を明示的にサポートしていない限り、不完全な音声を破棄してください。

APIキー、旧形式のトークン、機微なテキスト、または顧客データを含む完全なレスポンス本文を出力しないでください。

本番環境での品質保証

バッチ全体を処理する前に短いサンプルを生成し、音声、言語、発音、速度、感情、コンテキストに応じた挙動を承認してください。

以下を確認してください。

  • デコード後のコーデック、サンプルレート、チャンネル数、再生時間、データの破損
  • 単語の欠落／繰り返し／途中切れ、およびストリームの順序
  • 名前、頭字語、数値、通貨、数式、多言語の切り替え
  • クリッピング、真のピーク、ラウドネスの一貫性、ノイズ、クリック音、歯擦音、無音部分
  • パフォーマンスの演出と音声のアイデンティティ
  • 正規化したテキストとの逆文字起こし
  • 使用する場合は、タイムスタンプ／キャプションの同期
  • リクエスト／リソース／音声／ログ ID、ソースのリビジョン、同意記録、価格の根拠、出力ハッシュ

プロバイダーの出力は呼び出しごとに変わることがあります。実測し、契約上の裏付けがない限り、同じリクエストからビット単位で同一の音声が生成されると約束しないでください。

例1：TTS 2.0 HTTPナレーション

これは必須の定型ではなく、完全な例です。

意図： 落ち着いた演出で、中国語の製品ナレーションを低遅延で生成します。

現行の音声リストを事前に確認し、許可されたTTS 2.0対応の中国語音声を選択します。seed-tts-2.0、24 kHzのMP3、正規化済みの正確なスクリプト、および1つのcontext_texts指示「自然に、落ち着いて、温かみのある話し方をし、誇張を避けてください」を使用します。単方向HTTPエンドポイントに送信し、すべての音声チャンクを順番どおりに受信してから、20000000で終了します。

ペイロードの形式は次のとおりです。

{
  "user": {"id": "production-job-2841"},
  "req_params": {
    "text": "欢迎回来。项目已经准备就绪，我们现在可以开始。",
    "speaker": "<authorized-current-voice-id>",
    "audio_params": {
      "format": "mp3",
      "sample_rate": 24000,
      "speech_rate": 0,
      "loudness_rate": 0
    },
    "additions": "{\"explicit_language\":\"zh-cn\",\"disable_markdown_filter\":true,\"context_texts\":[\"请用自然、沉稳、亲切的语气表达，不要夸张。\"]}"
  }
}

デコードした音声、再生時間、スクリプトの完全性、発音、演出、ログ IDを品質確認してください。この音声／プロトコルの組み合わせで日付入りのテストに合格していない限り、タイムスタンプを要求しないでください。

例2：アシスタントの応答を逐次生成

これは必須の定型ではなく、完全な例です。

意図： 応答テキストを逐次受信しながら、許可された英語のアシスタント音声をストリーミングします。

双方向WebSocketのライフサイクルを使用します。許可された音声／リソースの組み合わせで接続／セッションを開始し、完全な意味のまとまりごとにTaskRequestイベントとして送信し、文／音声イベントを受信して、最後のチャンクを受信した後にのみ終了します。セッション全体で、1つの演出指示とコンテキストポリシーを維持してください。最初に役立つ音声を過度に遅らせることなく、不自然な断片を避けられるだけのテキストをバッファーしてください。

チャンク境界、テキストの欠落／繰り返し、順序、キャンセル、再接続、レート制限、最終的な文字起こしと音声の一致を品質確認してください。選択した音声が双方向操作に対応していない場合は、明示的な承認を得たうえでプロトコルまたは音声を切り替えてください。黙って別の音声に置き換えないでください。

出典

2026-07-12 に確認した公式情報：

コメント

Markdown 対応