hume-octave

Hume Octave の本番環境向けガイダンス

音声の演技が言葉と同じくらい重要な場合は、Hume Octave を使用してください。キャラクターのナレーション、感情の幅が豊かなボイスオーバー、インタラクティブな再生、ブランドボイス、多言語ナレーション、同意を得た音声クローン、ボイス変換、単語／音素のタイムスタンプが必要な音声などが該当します。

Octave を汎用の平板な TTS エンジンとして扱わないでください。意味的な文脈、感情表現、音声のアイデンティティ、または関連する発話間の一貫性が必要なリクエストで、最も力を発揮します。

音楽、歌唱、音声以外の効果音、音声の全体的なミキシング／マスタリング、音源分離、動画生成には Octave を使用しないでください。音量、ノイズ除去、ダッキング、フェード、ファイルのノーマライズ、最終ミックスの納品には、別のオーディオポストツールを使用してください。

確認に関する注記：このスキルに記載されているプロバイダーの情報は、2026-07-10 に Hume の公式ドキュメント、API リファレンス、料金情報、変更履歴、利用規約、プライバシー情報、API データ使用ページで確認済みです。正確な料金、プランの制限、言語一覧、モデルのステータス、保持期間の制御について引用する際は、変動する情報を再確認してください。

Octave でできることと、できないこと

ドキュメントに記載された情報：

• Octave は、Hume の TTS および音声機能を支える音声言語モデルです。Hume によると、音素を読み上げるだけではなく、言語モデルの知能を用いてテキストを意味的・感情的に理解します。出典：https://dev.hume.ai/docs/text-to-speech-tts/overview

• TTS API は、HTTP ストリーミング出力、WebSocket 双方向ストリーミング、非ストリーミング HTTP レスポンスに対応しています。出典：https://dev.hume.ai/docs/text-to-speech-tts/overview

• 主な TTS エンドポイントは /v0/tts、/v0/tts/file、/v0/tts/stream/json、/v0/tts/stream/file、および WebSocket wss://api.hume.ai/v0/tts/stream/input です。出典：https://dev.hume.ai/reference/text-to-speech-tts/synthesize-json および https://dev.hume.ai/reference/text-to-speech-tts/stream-input

• Octave 1 は英語とスペイン語に対応しています。Octave 2 のプレビュー版は、英語、日本語、韓国語、スペイン語、フランス語、ポルトガル語、イタリア語、ドイツ語、ロシア語、ヒンディー語、アラビア語に対応しています。出典：https://dev.hume.ai/docs/text-to-speech-tts/overview

• Hume のドキュメントによると、ネットワークの転送時間を除いたモデルのレイテンシは、Octave 1 で約 ~200ms、Octave 2 のプレビュー版で約 ~100ms です。ストリーミングの即時モードでは通常、負荷と入力の複雑さに応じて、最初の音声が約 ~200ms で準備されます。出典：https://dev.hume.ai/docs/text-to-speech-tts/overview

• TTS API の上限は、発話あたり 5,000 文字、発話の説明あたり 1,000 文字、リクエストあたり最大 5 世代で、出力形式は MP3、WAV、PCM です。出典：https://dev.hume.ai/docs/text-to-speech-tts/overview

• 発話には text、任意の voice、任意の description、speed、trailing_silence を含めることができます。出典：https://dev.hume.ai/reference/text-to-speech-tts/synthesize-json

• speed は 0.5 から 2.0 までの非線形スケールで、1.0 が通常の速度です。出典：https://dev.hume.ai/docs/text-to-speech-tts/acting-instructions

• description による演技指示は Octave 1 のみでドキュメント化されており、Hume によると Octave 2 への対応は近日中に予定されています。speed と trailing_silence はすべてのモデルでサポートされています。出典：https://dev.hume.ai/docs/text-to-speech-tts/acting-instructions

• version: "2" を指定する場合、Hume では voice が必須です。事前定義された音声を使わない動的な音声生成は、Octave 2 では拒否されます。出典：https://dev.hume.ai/reference/text-to-speech-tts/synthesize-json

• 自然言語による説明から音声をデザインするには、現在 Octave 1 が必要です。Octave 1 でデザインした音声は Octave 2 のリクエストでも使用できます。Hume によると、Octave 2 の多言語音声デザインには近日中に対応予定です。出典：https://dev.hume.ai/docs/voice/voice-design

• 音声は id または name で指定できます。名前を使う場合、Hume Voice Library の音声には provider: "HUME_AI"、保存済みのカスタム音声には provider: "CUSTOM_VOICE" を含めてください。出典：https://dev.hume.ai/docs/text-to-speech-tts/voice

• 音声クローニングは、同意を得た話者のマイク録音またはアップロードした音声サンプルから作成できます。利用可否はサブスクリプションのプランによって異なります。Hume の TTS 概要によると、わずか 15 秒の音声でもクローニングできます。出典：https://dev.hume.ai/docs/voice/voice-cloning および https://dev.hume.ai/docs/text-to-speech-tts/overview

• 音声変換では、音声と変換先の音声を受け取り、元の音声の話し方のパターン、タイミング、感情表現を維持した変換音声を返します。出典：https://dev.hume.ai/docs/text-to-speech-tts/voice-conversion

• 音声変換の入力は人間の音声で、明瞭かつ 12 秒以上 3 分未満である必要があります。対応する入力形式は MP3、WAV、M4A、OGG で、44.1 kHz が推奨されています。出典：https://dev.hume.ai/docs/text-to-speech-tts/voice-conversion

• Octave 2 では、include_timestamp_types で指定すると、単語レベルおよび音素レベルのタイムスタンプを返せます。タイムスタンプをリクエストするには version: "2" が必要です。出典：https://dev.hume.ai/docs/text-to-speech-tts/timestamps

• 音素レベルのタイムスタンプでは IPA 記号を使用し、一部の言語では IPA 互換の拡張記号も使用します。出典：https://dev.hume.ai/docs/text-to-speech-tts/timestamps

• 料金、毎月利用できる TTS 文字数、1 分あたりのリクエスト上限、音声クローニングの利用可否、商用利用の許可は、プランによって異なります。出典：https://www.hume.ai/pricing および https://www.hume.ai/terms-of-use

• Hume の利用規約によると、Free プランと Starter プランは非商用利用に限られます。Creator プラン以上は、Hume のポリシーに従うことで商用利用できます。出典：https://www.hume.ai/terms-of-use

• Hume の API データ使用ポリシーによると、顧客が API に送信したデータは、Hume のモデルのトレーニングやサービスの改善には使用されません。ただし、ライセンス、保持期間、アカウント設定、API 以外の Playground での利用については、利用規約とプライバシーに関するページも確認してください。出典：https://www.hume.ai/api-data-usage-policy、https://www.hume.ai/terms-of-use、https://dev.hume.ai/docs/resources/privacy 本番運用でのヒューリスティック：

• 不安、皮肉、温かみ、緊張感、親密さ、権威、悲しみ、畏敬、風刺、キャラクターの役割、文脈に応じた発音など、演技の方向性が重要な創作要素となる場合は、Octave を選択します。

• 極めて低コストで実用的な読み上げだけが必要なスクリプトには、Hume がすでに利用可能なプロバイダーであり、割り当て量とコストが適合する場合を除き、Octave は使用しないでください。

• ブランドのナレーションに一貫性が必要な場合は、選択した音声を ID で保存して再利用してください。同じ説明から毎回新しい音声を生成する方法には頼らないでください。

• メインとなるナレーションでは、探索段階で候補を 2～5 個生成し、試聴して絞り込んだうえで、採用した音声を保存し、その保存済みの音声を使って最終テイクを生成してください。

• 長尺のコンテンツでは、任意の文字数ではなく、自然な演技の区切りで分割してください。各発話は、個別に確認して差し替えられる程度の長さにしてください。

• リアルタイムアプリではストリーミングを使用してください。バッチレンダリング、コンプライアンス審査、または決定論的なファイル管理には、ストリーミングを使用しないファイル形式または JSON を優先してください。

モデルとエンドポイントの選択

リクエストを構築する前に、以下の判断手順を確認してください。

1. テキストプロンプトからデザインした音声が必要ですか？
   • Hume のドキュメントでは音声デザインに Octave 1 が必要とされているため、デザイン生成には Octave 1 を使用してください。
   • 複数の候補を生成して試聴し、採用した生成結果をカスタム音声として保存してください。
   • 後続の Octave 1 または Octave 2 による合成では、保存した音声を使用してください。
2. 最新の多言語サポート、タイムスタンプ、またはより低いモデルレイテンシが必要ですか？
   • 保存済みの音声またはライブラリ音声とともに、version: "2" を使用してください。
   • 音声を省略しないでください。
3. description を通じた自然言語の演技指示が必要ですか？
   • description を通じて感情表現を直接変える必要がある場合は、Octave 1 を使用してください。
   • Octave 2 では音声の選択、スクリプトの文言、句読点、speed、trailing_silence、および文脈を使用してください。Hume がライブ機能としてドキュメント化するまでは、description による演技指示のサポートを保証しないでください。
4. 即時再生が必要ですか？
   • プレーヤーがバイト列を必要とする場合は、/v0/tts/stream/file を使用してください。
   • アプリで音声とチャンクのメタデータが必要な場合は、/v0/tts/stream/json を使用してください。
   • テキストが逐次到着し、音声を継続的に返す必要がある場合は、WebSocket の /v0/tts/stream/input を使用してください。
5. 字幕、カラオケのハイライト、アバターのリップシンク、または正確な編集位置が必要ですか？
   • include_timestamp_types: ["word"] または ["word", "phoneme"] を指定して Octave 2 を使用してください。
6. 試聴用の候補を複数生成する必要がありますか？
   • num_generations は最大 5 まで指定できます。
   • リクエストがストリーミングで、動的な音声生成または複数の生成を使用する場合は、インスタントモードを無効にしてください。
7. 生成済みのシンプルなファイルが必要ですか？
   • 音声ファイルのレスポンスにはストリーミングを使用しない /v0/tts/file を、メタデータ付きの base64 JSON には /v0/tts を使用してください。

音声の方針

声のアイデンティティと演技の指示は分けて考えます。

声のアイデンティティが答えるのは、「誰が話しているのか？」です。年齢の印象、アクセント、声域、性格、役割、ブランドの雰囲気、声の質感、基本的なエネルギー、信頼感、聞き手との関係などが該当します。

演技の指示が答えるのは、「この発話を今、どのように届けるのか？」です。ささやく、緊迫感を込める、安堵をにじませる、疑い深く話す、内緒話のように話す、信じられないという思いをこらえて笑う、瞑想に合うようなペースで話す、意外な事実を明かした後に間を取る、行動喚起に合わせて声を明るくするといった指示が該当します。

再利用可能な制作向けの声を作るには、次の手順に従います。

1. 形容詞を並べるのではなく、人や役割を表す声の説明を書きます。
2. 意図した話し方が自然に伝わるサンプル文を組み合わせます。
3. 複数の候補を生成します。
4. 最適な候補を保存します。
5. 今後の制作では、保存した音声 ID または名前を使います。
6. 演技の指示は、各発話に合わせた短いものにします。

良い声の説明には、通常、次の要素が含まれます。

• 役割：ナレーター、サポート担当者、製品ガイド、民話の語り手、フィールド研究者、疲れ切った宇宙飛行士。
• 聞き手との関係：信頼できる同僚、親しい相談相手、メンター、ホスト、いたずら好きな友人。
• 声の特徴：温かみのあるアルト、明瞭なバリトン、しゃがれ声、息混じりの声、響きのある声、鼻にかかった声、澄んだ声、わずかなかすれ。
• アクセントと言語：必要かつ適切な場合に限ります。
• ペースと明瞭さ：落ち着いたペース、速いペース、慎重、正確、会話調。
• 感情の基調：穏やかな好奇心、抑えた高揚感、皮肉交じりの楽しさ、地に足のついた共感。
• 演技の状況：ヘッドホンで聞く親密なナレーション、スタジアムでのアナウンス、ささやき声の美術館音声ガイド、緊迫したミッションコントロールの状況報告。

次のような声の説明は避けます。

• 権利と同意が明確で、使用が法的に許可されている場合を除き、実在の人物、有名人、政治家、存命の演者、または著作権で保護されたキャラクターの声を求める。
• 優先順位を示さず、矛盾する特徴を積み重ねる。「感情を強く込めつつ平板に、非常に速く話しながら長い間を取る」などが該当します。
• 音に置き換えず、視覚的な情報だけに頼る。
• 絵文字、Markdown、HTML、または音声ではないマークアップに依存する。Hume は、プロンプトには標準的で簡潔な書式を推奨しています。

演技、ペース、セリフの指示

ドキュメントで説明されている制御項目：

• description：発話に対する自然言語での話し方の指示。Octave 1 の演技指示として説明されています。
• speed：0.5 から 2.0 の範囲で指定する、非線形の話速制御。
• trailing_silence：発話の後に入れる無音の秒数。
• 句読点と台本の文言：モデルが演技の手がかりとして使用します。
• context：スタイルと韻律を導く、以前に生成された発話またはコンテキストの発話。出力には変換されません。

制作時のヒューリスティック：

• 安定した声のアイデンティティは声の設定に、瞬間的な感情は発話の説明に含めます。
• 抽象的なラベルより、役者が演じやすい具体的な指示を優先します。「悪い知らせを伝えながら、心配しているように聞こえないよう努める」は「不安そうに」よりも適切です。
• すべての節を細かく制御しすぎないようにします。感情の流れをモデルに伝え、細かな間は句読点に任せます。
• コンマ、ダッシュ、文の区切り、短い段落を演技の構成に使います。ただし、音声として読みやすいテキストにします。
• 意図的な間には trailing_silence を使います。編集全体のタイミングには使いません。最後の無音やフェードは、音声のポストプロダクションで処理します。
• コメディや皮肉では、社会的な状況と対象を明示します。文脈のない皮肉は、ありがちな嫌味になりがちです。
• アクセシビリティや研修向けのナレーションでは、演劇的な表現より明瞭さを優先します。表現豊かであることは、大げさであることを意味しません。

継続と長文音声

段落、シーン、またはターンをまたいで、ひと続きのパフォーマンスとして聞こえる必要がある場合は、継続を使用します。

ドキュメントに記載されているオプション：

• 1つのリクエストに複数の発話を含めます。各発話は、直前の発話から続きます。
• context.generation_id を使用して、前回の呼び出しから続けます。
• 音声に変換せずに、話し方を導くコンテキスト発話を指定します。出典：https://dev.hume.ai/docs/text-to-speech-tts/continuation

制作時のヒューリスティック：

• オーディオブック、ポッドキャスト、複数シーンのナレーション、繰り返し登場するキャラクター、前後の文脈に依存する発音が曖昧な場合は、継続を使用します。
• 1つの長い発話は避けます。複数の発話に分けることで、確認しやすくなり、差し替えも可能になります。
• 新しいシーンに不要な感情が引き継がれる場合は、コンテキストを付けずに新しいリクエストを開始してリセットします。
• 台本に複数の話者が登場する場合は、話者ごとのターンを別々の発話に分け、明示的に音声を指定します。
• 後から差し替えられるよう、承認済みの各テイクについて、generation_id、音声 ID、テキスト、モデルのバージョン、形式、タイムスタンプの設定を保存します。

多言語対応と発音のワークフロー

ドキュメントに記載されている事実：

• 2026-07-10 時点で、Octave 2 プレビューは掲載されている11言語に対応しています。Octave 1 は英語とスペイン語に対応しています。
• Octave 2 では、リクエストに応じて単語と音素のタイムスタンプを取得できます。
• Hume の Octave 2 発表資料によると、Octave 2 では、珍しい単語、繰り返し出てくる単語、数字、記号の発音が改善されています。出典：https://www.hume.ai/blog/octave-2-launch

制作時のヒューリスティック：

• 英語以外のコンテンツでは、互換性のある保存済みまたはライブラリの音声とともに Octave 2 を使用します。
• 選択した音声が、対象言語のネイティブ話者のように聞こえるか、意図したアクセントになっているかを確認します。音声 ID がすべての言語で同じように優れているとは限りません。
• 名前、ブランド名、頭字語、専門用語については、スクリプト全体を生成する前に、発音確認用の文を生成します。
• 正確な読み上げが重要な場合は、数字、日付、URL、単位を、読み上げてほしいとおりに記述します。
• 字幕の同期には単語のタイムスタンプを使用し、リップシンクや音声上のタイミングが必要な場合に限って音素のタイムスタンプを使用します。
• 発音がどうしてもうまくいかない場合は、そのテイクではスクリプト内の単語を発音どおりに書き換え、置き換えたことを記録し、トランスクリプトやキャプションでは正しい綴りが使われていることを確認します。

音声のクローン作成と音声変換

権利と同意が明確に確認できた場合に限り、クローン作成または変換を行ってください。

必須の安全確認：

• 話者が音声サンプルの権利を所有しているか、話者または権利者の許可を得ていることを確認します。
• 想定される用途、配布先、地域、期間、および商用利用の有無を確認します。
• なりすまし、欺瞞、詐欺、政治的な誤解を招く表現、嫌がらせ、同意していない人物のアイデンティティを使った露骨なコンテンツ、またはプラットフォームの安全対策の回避を目的として、音声をクローン作成または変換してはいけません。
• 有償または商用のクライアント案件では、生成したアセットのフォルダーとは別の場所に同意記録を保管します。記録には、話者の氏名または仮名、同意の範囲、使用可能なチャネル、有効期限（ある場合）、および同意の撤回に対応しているかどうかを含めます。
• 依頼で有名人、政治家、同僚、私人の名前が挙がる場合、または「X のような声にして」と指定される場合は、作業を中断し、権利の証明を求めるか、特定の人物を識別できない類似の特徴を持つ新しい合成音声を提案します。

音声クローン作成の制作メモ：

• 背景ノイズ、音楽、リバーブ、音声の重なり、部屋の反響を最小限に抑えた、クリアでドライな音声を使用します。
• ドキュメントに記載されている UI の録音セッションは短時間ですが、制作でクローンを作成する場合は、母音に変化があり、自然な話速で、クローン対象のスタイルとして意図されていない限り、過度に演技的でない明瞭なサンプルが効果的です。
• キャンペーンに採用する前に、複数の感情表現でクローン音声を試聴します。

音声変換の制作メモ：

• 元のパフォーマンスのタイミングと感情表現を活かしつつ、声のアイデンティティを変える必要がある場合は、音声変換を使用します。
• Hume の入力ガイダンスに従います。人間の音声であること、音声が明瞭であること、長さが 12 秒以上 3 分未満であること、対応形式であること。推奨サンプルレートは 44.1 kHz です。
• まず 12～30 秒のセクションでテストしてから、規模を拡大します。
• タイミングのずれ、息や摩擦音のアーティファクト、アクセントの不一致、明瞭度の低下を確認します。

リクエストの構成パターン

例：デザインした音声を試聴して保存する

目的：再利用可能なブランドナレーターを作成し、保存した音声を今後のレンダリングに使用します。

モデルの選択：Hume のドキュメントでは音声デザインに Octave 1 が必要とされているため、音声デザインには Octave 1 を使用します。複数の候補を生成し、選択した generation_id を音声として保存します。

リクエスト例：

curl https://api.hume.ai/v0/tts \
  -H "X-Hume-Api-Key: $HUME_API_KEY" \
  --json '{
    "version": "1",
    "num_generations": 3,
    "instant_mode": false,
    "utterances": [
      {
        "text": "Here is the part most teams miss: speed is not the same thing as momentum.",
        "description": "The speaker is a calm, sharp product strategist in their late 30s with a warm, precise voice. They sound trusted by founders: quietly confident, conversational, never salesy, with a slight smile when revealing an insight."
      }
    ],
    "format": { "type": "mp3" }
  }'

次に、最も良い生成結果を保存します。

curl https://api.hume.ai/v0/tts/voices \
  -H "X-Hume-Api-Key: $HUME_API_KEY" \
  --json '{
    "generation_id": "WINNING_GENERATION_ID",
    "name": "quiet-strategist-brand-narrator"
  }'

期待される結果：互いに異なりながらも、関連性のあるナレーター候補が複数得られます。ブランドイメージに合うものを選んで保存し、その ID を制作に使用します。失敗の要因：説明が曖昧すぎる、候補が大げさすぎる、またはサンプルの台詞がキャンペーンを代表していない。

例：タイムスタンプ付きの Octave 2 による多言語ナレーション

目的：字幕のハイライト表示に使う単語ごとのタイムスタンプ付きで、スペイン語の商品説明の台詞を生成します。

モデルの選択：多言語対応とタイムスタンプのために Octave 2 を使用します。Octave 2 のリクエストには音声が必要なため、保存済みの音声またはライブラリの音声を使用します。

リクエスト例：

curl https://api.hume.ai/v0/tts/stream/json \
  -H "X-Hume-Api-Key: $HUME_API_KEY" \
  --json '{
    "version": "2",
    "include_timestamp_types": ["word"],
    "utterances": [
      {
        "voice": { "id": "YOUR_COMPATIBLE_VOICE_ID" },
        "text": "En menos de un minuto, tu equipo puede convertir una idea en una campana lista para revisar.",
        "speed": 0.95,
        "trailing_silence": 0.35
      }
    ],
    "format": { "type": "mp3" }
  }'

期待される結果：音声と単語ごとのタイムスタンプオブジェクトを含むチャンクがストリーミングされます。失敗の要因：音声がスペイン語に適していない、句読点によって不自然な強調が生じる、または後続の字幕コードがストリーミングされたチャンクではなく単一の完成ファイルを想定している。

例：長編オーディオブックのような連続性

目的：場面が切り替わっても、ナレーターの感情状態を保ちます。

モデルの選択：保存済みの音声を使用し、1 つのリクエストに複数の発話を含めるか、前回承認されたテイクの context.generation_id を使用します。

リクエスト例：

curl https://api.hume.ai/v0/tts \
  -H "X-Hume-Api-Key: $HUME_API_KEY" \
  --json '{
    "version": "1",
    "utterances": [
      {
        "voice": { "name": "quiet-strategist-brand-narrator", "provider": "CUSTOM_VOICE" },
        "text": "The office was silent by then. Even the monitors seemed to be waiting.",
        "description": "Low and restrained, as if holding back the conclusion until the listener leans in."
      },
      {
        "text": "Then the dashboard refreshed, and every number turned green.",
        "description": "Relief arrives slowly at first, then opens into a small, disbelieving smile."
      }
    ],
    "split_utterances": true,
    "format": { "type": "wav" }
  }'

期待される結果：感情的なつながりを保った、レビュー可能な短い音声が 2 つ得られます。失敗の要因：2 つ目の台詞の演技が大げさすぎる、間が不十分、または次の無関係な場面への感情の引き継ぎが強すぎる。

例：同意を得たうえでの音声変換

目的：承認を得た声優のガイド音声を、タイミングを保ちながら保存済みのブランドボイスに変換します。

ワークフロー：

1. 書面による同意が、音声変換と最終的な配布を対象としていることを確認します。
2. WAV または高品質の MP3 形式で、ノイズの少ない 12〜30 秒のパイロット音声を用意します。
3. 保存済みのターゲット音声、または Hume Voice Library の音声を選択します。
4. /v0/tts/voice_conversion/file を実行します。
5. タイミング、明瞭さ、アーティファクト、感情表現が保たれているか、パイロットを品質確認します。
6. パイロットに問題がないことを確認してから、残りの音声を変換します。

リクエスト例：

curl --location "https://api.hume.ai/v0/tts/voice_conversion/file" \
  -H "X-Hume-Api-Key: $HUME_API_KEY" \
  --output converted-pilot.wav \
  -F "[email protected]" \
  -F "voice[name]=Inspiring Man" \
  -F "voice[provider]=HUME_AI"

期待される結果：ソースのタイミングと表現を保ったターゲットの声のアイデンティティ。重大な問題：同意の記録がない、ソースに音楽やノイズが含まれている、変換によって重要な語句が失われる、または出力によって欺瞞的ななりすましのリスクが生じる。

品質確認チェックリスト

生成音声を受け入れる前に、次の項目を確認してください。

• 権利：音声、スクリプト、参照素材、クローン音声サンプル、変換音声、商用利用計画について、必要な許可を得ています。
• モデル／バージョン：選択したバージョンが要件に合っています。Octave 2 のリクエストには有効な音声が指定されています。
• 言語：選択したバージョンでサポートされており、その言語に適した音声になっています。
• 音声表現：感情が具体的で効果的です。単に「ドラマチック」なだけではありません。
• 明瞭さ：名前、数字、頭字語、専門用語、ブランド名が正確です。
• 一貫性：長尺音声の区間間で、エネルギー、アクセント、ペース、ルームトーン、キャラクターの意図に不自然な変化がありません。
• タイミング：長さが編集に合っています。間は意図的に設けられ、冒頭や末尾が途切れていません。
• 形式：出力形式が後続の用途に適しています。必要に応じて、後処理でサンプルレートやチャンネル数に対応します。
• メタデータ：リクエスト ID、生成 ID、音声 ID／名前／プロバイダー、バージョン、エンドポイント、タイムスタンプ設定、最終ファイルのパスを保存します。
• ストリーミング：プレーヤーがチャンクの順序、ヘッダー、バイナリ／base64 形式、最終チャンクのステータスを処理できることを確認します。
• タイムスタンプ：必要な場合にのみリクエストし、実際の音声との位置合わせを確認します。
• プライバシー：機密性の高いテキストや音声が、アカウント設定とクライアントのポリシーに準拠していることを確認します。必要な契約が締結されていない場合、PHI は送信しません。
• 開示：合成音声やクローン音声については、プロジェクト、管轄区域、プラットフォーム、クライアントの開示要件に従います。

コスト、制限、プライバシーの取り扱い

料金と制限は変更されるものとして扱ってください。2026-07-10 時点で、Hume の料金ページには、プランごとの月間 TTS 文字数、追加文字の料金、1 分あたりのリクエスト制限、掲載プランにおける音声クローンの作成／使用の無制限、Creator 以上のプランのみを対象とする商用ライセンスが記載されています。見積もりや制作予算を確定する前に、必ず再確認してください。参照先：https://www.hume.ai/pricing

予算計画：

• 生成前に、最終スクリプトの文字数を見積もります。
• 候補音声や別テイクを検討するための予算を追加します。
• 再試行を確実に行えるバッチレンダリングには、非ストリーミングのファイル出力を使用します。
• num_generations はオーディションに使用し、大規模な最終制作には使用しません。
• 承認済みのテイクと、再生成に必要なメタデータのみをアーカイブします。

プライバシー：

• Hume の API データ使用ポリシーによると、API の顧客データは Hume モデルのトレーニングや改善には使用されません。参照先：https://www.hume.ai/api-data-usage-policy
• Hume のプライバシー文書には、主に EVI に関するデータ保持／トレーニングのオプトアウト用アカウント設定が記載されており、Playground／Demo などの API 以外のコンシューマー向け製品では異なる場合があるとされています。参照先：https://dev.hume.ai/docs/resources/privacy
• Hume の利用規約に記載されたライセンスと制限は、プロジェクトの内容に応じて確認する必要があります。特に、API 以外のツール、音声クローン、PHI、商用展開を利用する場合は注意してください。参照先：https://www.hume.ai/terms-of-use
• 規制対象の業務や機密性の高い業務では、機密性の高い音声やテキストをアップロードする前に、クライアントが DPA、BAA、ゼロリテンションの動作、Playground の使用禁止、またはエンタープライズプランを求めているかを確認してください。

よくある失敗と対処法

• 一度は良い声になったものの、再現できません：選択した生成結果を音声として保存し、音声 ID を参照します。
• Octave 2 のリクエストが失敗します：音声が指定されていることと、その音声が Octave 2 に対応していることを確認します。
• Octave 2 で演技の指示が無視されます：description の演技指示は Octave 1 についてのみ記載されています。そのテイクでは Octave 1 に切り替えるか、台本、速度、無音、音声、コンテキストを調整します。
• インタラクティブな UX にはレイテンシーが高すぎます：ストリーミング、インスタントモード、事前定義された音声、1 回の生成、短い発話を使用し、重いコンテキストは避けます。
• 動的な音声生成がインスタントモードで動作しません：インスタントモードを無効にするか、保存済みの音声を使用します。
• インスタントモードで複数の候補の生成が失敗します：インスタントモードを無効にし、num_generations を 1～5 に設定します。
• キャプションのタイムスタンプがありません：include_timestamp_types を指定して Octave 2 のタイムスタンプをリクエストします。
• split_utterances: false にすると長い発話が歪みます：分割を再度有効にするか、テキストを短い発話に分けます。
• 発音がうまくいきません：短い文でテストし、問題のある語句を読み上げ用に書き換え、コンテキストを使い、キャプション用に意図した表記を記録します。
• ボイス変換でアーティファクトが発生します：元の音声を短くし、音質を改善し、背景の音楽やノイズを除去して、別のターゲット音声を試します。
• 権利上のリスクがあります：個人を特定できるクローンや模倣のリクエストを、特定につながらない特徴で説明した新しい合成音声に置き換えます。

ソース一覧

公式ソースの確認日：2026-07-10

• Hume TTS の概要と制限事項：https://dev.hume.ai/docs/text-to-speech-tts/overview
• TTS API リファレンス：https://dev.hume.ai/reference/text-to-speech-tts/synthesize-json
• ストリーミング JSON リファレンス：https://dev.hume.ai/reference/text-to-speech-tts/synthesize-json-streaming
• WebSocket ストリーム入力リファレンス：https://dev.hume.ai/reference/text-to-speech-tts/stream-input
• 音声の概要：https://dev.hume.ai/docs/voice/overview
• 音声の設計：https://dev.hume.ai/docs/voice/voice-design
• TTS 用音声ガイド：https://dev.hume.ai/docs/text-to-speech-tts/voice
• 音声クローン：https://dev.hume.ai/docs/voice/voice-cloning
• 演技の指示：https://dev.hume.ai/docs/text-to-speech-tts/acting-instructions
• 継続：https://dev.hume.ai/docs/text-to-speech-tts/continuation
• タイムスタンプ：https://dev.hume.ai/docs/text-to-speech-tts/timestamps
• ボイス変換：https://dev.hume.ai/docs/text-to-speech-tts/voice-conversion
• Octave 2 のローンチと変更履歴：https://www.hume.ai/blog/octave-2-launch and https://dev.hume.ai/changelog
• 料金：https://www.hume.ai/pricing
• 利用規約：https://www.hume.ai/terms-of-use
• プライバシー：https://dev.hume.ai/docs/resources/privacy
• API データ使用ポリシー：https://www.hume.ai/api-data-usage-policy