mcpField
M
minimax-speech

minimax-speech

github.com/calesthioクリエイティブ・メディア219113 回インストール15 週間前に更新
リポジトリ

minimax-speech について

minimax-speechは、MiniMax APIによる音声制作を扱うスキルです。テキスト読み上げ、音声の選択・設計・クローン、字幕タイムスタンプを網羅し、同期・ストリーミング・非同期生成の選択も案内します。

主な機能

  1. 01同期およびストリーミングのテキスト読み上げ
  2. 02長文向け非同期音声生成
  3. 03システム音声・クローン音声・設計音声の管理
  4. 04サンプル検証付き音声クローン
  5. 05生成音声の字幕タイムスタンプ

活用シーン

  1. 01ナレーションやオーディオブックの制作
  2. 02ローカライズ音声の仮制作
  3. 03音声エージェントの応答生成
  4. 04承認済み合成音声の試聴と管理

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 minimax-speech

インストール後、Claude Code で/minimax-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

MiniMax 音声制作

ナレーション、ローカライズ版のナレーション音声、広告音声、オーディオブック風のセグメント、合成音声の会話、製品の操作説明、音声エージェントの応答、承認済みの音声クローニングなど、音声を生成することが制作の目的であれば MiniMax を使用してください。MiniMax の動画、音楽生成、画像生成、または音声制作に影響する場合を除く一般的な LLM 呼び出しには、このスキルを使用しないでください。

以下の情報は、2026-07-10 時点の MiniMax 公式 API ドキュメント、リリースノート、料金情報、ポリシーページに基づいて確認済みです。モデル ID、価格、レート制限、保持期間、音声リスト、ポリシーの文言は変更される可能性があるため、有料の制作や規制対象の制作を実施する前に再確認してください。

機能の範囲

文書化されている MiniMax の音声機能：

  • HTTP による同期テキスト音声変換：POST https://api.minimax.io/v1/t2a_v2。
  • WebSocket による同期テキスト音声変換：wss://api.minimax.io/ws/v1/t2a_v2。
  • 長文の非同期テキスト音声変換：POST /v1/t2a_async_v2 でタスクを作成し、ステータスを確認してから、生成されたファイルを取得します。
  • Voice Management で照会可能な、システム音声、クローン音声、テキストで設計する音声。
  • ファイルのアップロードと POST /v1/voice_clone による迅速な音声クローニング。
  • テキストの説明から生成された voice_id とプレビュー音声を作成する、POST /v1/voice_design による音声デザイン。
  • TTS による字幕タイムスタンプの生成（ストリーミングモードに応じて sentence、word、または word_streaming）。
  • text_validation が指定されている場合の、音声クローニングにおける ASR ベースの検証チェック。

2026-07-10 時点で、公式ドキュメントのインデックスに独立した制作 API として記載されていない機能：

  • 独立した音声認識／文字起こし。
  • 音声から音声への吹き替え。
  • タイミングを維持しながら、任意のソース音声をターゲット音声に変換するボイス変換。
  • T2A WebSocket ストリーミングを超える、独立した低レイテンシの会話ターン管理 API。

文字起こし、ボイス変換、または完全な吹き替えを求められた場合は、MiniMax TTS を、文書化されている別の ASR／アラインメント／吹き替えプロバイダーと組み合わせるか、MiniMax の公式音声機能では現在そのワークフローを直接利用できないことを説明してください。

モデルの選択

制約によって別の選択が必要でない限り、最新のサポート対象モデルを使用してください。

  • speech-2.8-hd：品質を納期より重視する場合の、最終ナレーション、広告、オーディオブック、ブランド映像、表現豊かな会話、サウンドタグ対応に選択してください。
  • speech-2.8-turbo：インタラクティブ音声、レビュー用ドラフト、バッチローカライズ、コスト重視のソーシャルメディア向けバリエーション、レイテンシが重要な WebSocket 処理に選択してください。
  • speech-2.6-hd：旧来の制作ですでに音声が承認されている場合、または特定のクローン音声への対応が優れていることがテストで確認された場合に限り使用してください。
  • speech-2.6-turbo：2.6 の動作を前提に調整された旧来のケースや大量処理に使用してください。
  • speech-02-hd および speech-02-turbo：旧モデルです。承認済みの既存音声との一貫性を保つ場合や、アップグレードされていないサードパーティ製ラッパーを使用する場合に限り維持してください。
  • speech-01-*：旧バージョンとの互換性維持に限ります。

2026-07-10 時点で文書化されているモデル情報：

  • API は speech-2.8-hd、speech-2.8-turbo、speech-2.6-hd、speech-2.6-turbo、speech-02-hd、speech-02-turbo、speech-01-hd、および speech-01-turbo を受け付けます。
  • MiniMax のモデル概要では、Speech 2.8 と 2.6 は 40 言語と 7 種類の感情に対応し、Speech-02 は 24 言語と 7 種類の感情に対応するとされています。
  • 間投詞／自然音タグについて文書化されているのは speech-2.8-hd と speech-2.8-turbo のみです。

制作上の目安：

  • HD は「マスターを承認する」ための選択肢で、Turbo は「反復して提供する」ための選択肢です。本格的な制作では、必要に応じて Turbo でキャスティングと確認を行い、その後 HD で最終版をレンダリングして、タイミングや韻律が変わる可能性があるため、新たに QA を実施してください。

エンドポイントの選択

再生前に音声全体を生成でき、テキストが同期処理の上限未満の場合は HTTP を使用します。生成と同時にユーザーが音声を聞く場合、または台本が 3,000 文字を超えていても同期処理の上限である 10,000 文字以内の場合は WebSocket を使用します。長尺のナレーション、オーディオブックの章、複数ファイルのジョブ、または非同期処理のテキスト上限である 50,000 文字に近づくものには非同期処理を使用します。

ドキュメントに記載されている上限とライフサイクル：

  • HTTP T2A のテキストは 10,000 文字未満である必要があります。MiniMax は、3,000 文字を超えるテキストにはストリーミングを推奨しています。
  • 非同期 T2A のテキストは最大 50,000 文字まで直接受け付けます。また、text_file_id とは併用できません。公式の非同期ガイドには、長尺のファイルワークフローについても記載されています。
  • WebSocket は task_start で開始し、task_started の後に 1 つ以上の task_continue テキストイベントを受け付け、task_finish で終了します。
  • 最後の結果を受信してから 120 秒以内に新しいイベントが送信されない場合、WebSocket 接続は自動的に閉じることがあります。
  • HTTP の非ストリーミング処理では、音声を hex または URL で返せます。返された URL は 24 時間有効と記載されています。
  • 非同期タスクの作成時には、task_id、task_token、file_id、usage_characters が返されます。完了後、File Retrieve を通じてファイルを取得します。非同期ドキュメントには、ダウンロード URL は生成から 9 時間有効で、期限切れ後は生成データが失われると記載されています。

本番環境での目安：

  • 動画ナレーションでは、API の最大文字数ではなく、編集上の単位ごとに台本を分割します。イントロ、章、シーン、免責事項、CTA などが該当します。単位を小さくすると、タイミングの調整、差し替え、人による承認がはるかに容易になります。

T2A の基本コントロール

まず最小限のリクエストを行い、解決する必要がある本番環境の問題に応じてコントロールを追加します。

主なコントロール：

  • voice_setting.voice_id：システム、クローン、または音声設計の ID。
  • voice_setting.speed：0.5 から 2。0.92、1.0、1.08 のように、小幅な変更を使用します。
  • voice_setting.vol：(0, 10]。音声の音量が常に不足している場合を除き、1 付近に保ち、後処理で正規化します。
  • voice_setting.pitch：-12 から 12。自然な音声を生成するには、-2 から 2 を推奨します。
  • voice_setting.emotion：文書化されている値には、happy、sad、angry、fearful、disgusted、surprised、calm、fluent、whisper があります。fluent と whisper は 2.6 モデルでのみ文書化されており、whisper は 2.8 ではサポートされていません。
  • テキストの正規化：数字の多いスクリプトに便利ですが、レイテンシーがやや高くなります。現在の公式仕様ではフィールド名に一貫性がありません（HTTP OpenAPI では text_normalization、非同期／WebSocket 関連の仕様では english_normalization）。実装前に、エンドポイントで正確なパラメーター名を確認してください。
  • language_boost：スクリプトの言語が分かっている場合は、特定の言語または方言を設定します。不確かな場合は auto を使用します。これらの値が列挙型に含まれていても、Speech-01/02 がペルシア語、フィリピン語、タミル語をサポートしていると想定しないでください。
  • pronunciation_dict.tone：頭字語の読み上げなど、特定の発音置換を定義します。
  • インライン発音：IPA、中国語のピンイン（声調番号付き）、または広東語のイェール式ローマ字表記（声調番号付き）を、対象の単語の近くに括弧で囲んで記述します。
  • ポーズマーカー：読み上げ可能なテキストの各セグメントの間に <#x#> を挿入します。x は 0.01 から 99.99 秒です。ポーズマーカーを連続して配置しないでください。
  • audio_setting.sample_rate：文書化されている値には 8000、16000、22050、24000、32000、44100 があります。API のデフォルトには 32000、後続の音声処理チェーンで必要な場合は 44100 を使用し、8000 は電話音声形式のテストに限って使用します。
  • audio_setting.bitrate：文書化されている値には 32000、64000、128000、256000 があります。MP3 に関連します。
  • audio_setting.format：レンダリングされた HTTP ドキュメントでは、非ストリーミング用に mp3、wav、flac、ストリーミング用に mp3 が記載されています。一方、現在の埋め込み OpenAPI 仕様では、エンドポイント固有の注意事項とともに pcm、pcmu_raw、pcmu_wav、opus も公開されています。電話音声、raw PCM、または Opus のワークフローでは、使用可能な形式を事前に確認してください。
  • audio_setting.channel：1 はモノラル、2 はステレオです。VO のステムには通常、モノラルが最適です。
  • subtitle_enable と subtitle_type：動画のキャプション位置合わせ用に、文単位または単語単位のタイムスタンプを有効にします。word_streaming は stream=true の場合にのみ有効です。
  • voice_modify：ピッチを深く／明るく、強度を強く／柔らかく、音色を豊かに／クリアにし、spacious_echo、auditorium_echo、lofi_telephone、robotic などのエフェクトを 1 つ追加できます。

本番環境でのヒューリスティック：

  • コントロールを重ねすぎないでください。感情、ペース、発音、ポーズ、音声変更をすべて同時に必要とする行は、まず書き直してください。「TTS の品質が悪い」場合、その原因のほとんどはパラメーターではなくスクリプトの構成にあります。

MiniMax の音声向けスクリプトの作成

ページ向けではなく、演者向けに書きます。

  • 1回の息継ぎで話せる長さに文を区切ります。
  • 1文につき意図を1つにします。
  • 演技の区切りで改行します。
  • 正確さが重要な場合は、数字を読み上げるとおりに書きます。
  • 頭字語は、生成前にアルファベット読み、単語としての読み、展開形のどれにするか決めます。
  • 句読点は構文のために使い、タイミングの指定には使いません。正確な間にはポーズマーカーを使います。
  • 多言語コンテンツでは、言語の切り替えが意図した演技でない限り、文の途中で言語を切り替えないようにします。
  • ローカライズでは、TTS の前に慣用表現や法律・規制に関する文言をローカライズします。直訳の修正を language_boost に頼らないでください。

2.8 のサウンドタグ：

  • (laughs)、(sighs)、(breath)、(inhale)、(exhale)、(gasps)、(coughs)、(humming) など、ドキュメントに記載されているタグは、人が実際にその音を出す場面でのみ使います。
  • サウンドタグはテキストストリーム内の演技指示であり、効果音として確実に生成されるものではありません。編集上重要な音は、独立したテイクとして生成し、別途確認してください。

音声のキャスティングと音声 ID

音声は常に制作上の決定事項として扱います。

  1. 記憶を頼りに固定の音声を選ぶのではなく、Voice Management で利用可能な音声を照会します。
  2. 実際のスクリプトから同じ 60〜120 語を使い、短いオーディション用音声を生成します。
  3. 明瞭さ、ブランドとの適合性、疲労感、感情表現の幅、発音、編集のしやすさを比較します。
  4. 音声 ID、モデル、速度、ピッチ、言語設定を制作ノートに記録します。
  5. 人による確認または QA でオーディションが承認されてから、スクリプト全体を生成します。

ドキュメントに記載されている音声管理機能：

  • POST /v1/get_voice では、system、voice_cloning、voice_generation、または all を一覧表示できます。
  • 返されるカテゴリには、システム音声、クイッククローン音声、テキストプロンプトから生成された音声が含まれます。
  • クイッククローン音声とテキストで設計した音声は、音声合成に正常に使用されるまで、照会結果に表示されない場合があります。
  • POST /v1/delete_voice では、クローン音声または音声設計で作成された voice_id のみを削除できます。削除した ID は再利用できません。

制作上の指針：

  • 選択した voice_id は、生成スクリプトだけでなく、プロジェクトのアーティファクト台帳にも保存します。音声 ID はクリエイティブ資産であり、監査対象でもあります。

迅速な音声クローン

明示的な許可、権利処理、および文書化された目的がある場合にのみクローンを作成してください。声は生体識別情報であり、パフォーマンス資産でもあります。

文書化されたワークフロー：

  1. ソース音声をPOST /v1/files/uploadにpurpose=voice_cloneを指定してアップロードします。
  2. クローン作成に使うソースはmp3、m4a、またはwav形式で、長さが10秒以上5分以下、ファイルサイズが20 MB以下である必要があります。
  3. 返されたfile_id、カスタムのvoice_id、および任意のプレビューテキストを指定して、POST /v1/voice_cloneを呼び出します。
  4. カスタムのvoice_idは8～256文字で、英字で始まり、英字、数字、-、_のみを含み、-または_で終わらず、既存のIDと重複しない必要があります。
  5. クローン音声が7日以内に使用されない場合、MiniMaxのドキュメントによると、システムによって削除されます。
  6. text_validationを使用して、サンプルの書き起こしとASRの出力を比較します。類似度がaccuracyを下回ると、リクエストはエラー1043で拒否されます。
  7. 任意のneed_noise_reductionとneed_volume_normalizationを使うとクローン元の音声を調整できますが、まずはより品質の高いソース音声を使用してください。
  8. 任意のaigc_watermarkを指定すると、AI生成コンテンツを示すウォーターマーク音がプレビュー音声に追加されます。

安定性向上のためのプロンプト音声：

  • MiniMaxでは、purpose=prompt_audioを指定して短いプロンプト音声ファイルをアップロードすることもできます。
  • プロンプト音声はmp3、m4a、またはwav形式で、長さが8秒未満、サイズが20 MB以下である必要があります。
  • clone_prompt.prompt_audioとclone_prompt.prompt_textを指定して使用すると、類似度と安定性を高められます。

同意の確認：

  • この特定の用途、地域、期間、配信チャンネルについて、プロジェクトが書面による同意を得ていない限り、著名人、政治家、私人、従業員、顧客、またはパフォーマーの声をクローンしないでください。
  • 「音声が公開されている」ことを同意の根拠とみなさないでください。
  • 広告、政治的コンテンツ、金融、健康、またはなりすましに特に注意が必要な状況では、法務レビューを必須とし、画面上または音声での開示を行ってください。
  • ソースクリップ、同意記録、生成されたvoice_id、削除計画、使用ログをまとめて保管してください。

音声設計

法的に使用許可が得られた話者のサンプルはないものの、カスタムの音声ペルソナが必要な場合は音声設計を使用してください。

文書化されたワークフロー：

  • POST /v1/voice_designでは、必須の音声説明promptと必須のpreview_textを受け付けます。
  • preview_textのドキュメント上の最大長は500文字です。
  • voice_idを省略すると、MiniMaxが生成したIDを返します。
  • レスポンスには、voice_idと16進数でエンコードされたプレビュー音声trial_audioが含まれます。
  • 料金ドキュメントには、Voice Designの料金は$3 per voiceと記載されています。また、Voice Design APIページにはプレビュー音声の文字数に応じた料金についても記載されています。大量のキャスティングを行う前に、現在の料金を確認してください。

制作上の指針：

  • 音声設計プロンプトはキャスティング用メモのように作成します。年齢層、アクセント／言語、エネルギー、社会的役割、話すペース、声の質感、基本的な感情、用途を含めます。保護対象の属性に関するステレオタイプや、著名人への言及は避けてください。

アセットの管理

生成された音声と音声IDは制作資産として扱ってください。

  • 秘密情報を除いたリクエストJSON、レスポンスのメタデータ、trace_id、モデルID、音声ID、言語設定、コスト見積もり、ソーススクリプトのハッシュ、出力ファイルのハッシュを保存します。
  • 16進数の音声データはすぐにローカルのWAV／FLAC／MP3にデコードし、一時的なURLに依存しないでください。
  • 非同期出力の場合、ドキュメントに記載されたURLの有効期限である9時間以内にファイルを取得します。
  • HTTP URLでの出力の場合、ドキュメントに記載されたURLの有効期間である24時間以内に取得します。
  • 生成した各テイクは変更せずに保管します。再生成する場合は上書きせず、新しいテイクIDを作成してください。
  • 最終承認済みのステムは、オーディション音源、不採用テイク、クローン元の未加工サンプルとは分けて保管します。
  • クローン音声については、音声を削除したか、意図的に保持したかを、その日時とともに記録します。

料金、クォータ、スループット

2026-07-10 時点で公開されている従量課金制の料金：

  • speech-2.8-turbo：$60 / 1M characters。
  • speech-2.8-hd：$100 / 1M characters。
  • レガシー版の speech-2.6-turbo / speech-02-turbo：$60 / 1M characters。
  • レガシー版の speech-2.6-hd / speech-02-hd：$100 / 1M characters。
  • Rapid Voice Cloning：1 音声あたり $1.5。
  • Voice Design：1 音声あたり $3。

2026-07-10 時点で公開されているレート制限：

  • speech-2.8、speech-2.6、speech-02 の T2A：一般レート制限ページでは 60 RPM。
  • Voice Cloning：60 RPM。
  • Voice Design：20 RPM。
  • オーディオのサブスクリプションプランごとに、RPM と音声スロットの上限は異なります。本番環境のスケジュールには、実際のアカウントプランを使用してください。

本番環境向けの目安：

  • 生成前に文字数からコストを見積もります。最終ナレーションには 10～20％の録り直し分を加え、キャスティングにはさらに多めの試聴分を見込みます。文字数ベースの課金では、台本を厳密に管理することが重要です。読み上げないト書きは削除してください。

本番環境の品質確認

ヘッドフォンと文字起こしで確認し、最終的な動画ミックスでも確認します。

最低限の品質確認チェックリスト：

  • テキストの忠実性：語句の欠落や追加、頭字語の不自然な読み上げ、句読点の幻覚がないこと。
  • 発音：人名、製品用語、医療・法律用語、単位、通貨、URL、コード用語。
  • 言語とアクセント：言語、方言、コードスイッチングの挙動が正しいこと。
  • タイミング：各行の長さが編集に合っていること、間が自然であること、免責事項が早口になっていないこと。
  • 演技：ラベルだけでなく、場面に合った感情表現になっていること。
  • 音質：クリッピング、ポンピング、金属的なブーンという音、低ビットレートのノイズ、耳障りな歯擦音、部屋の音響やエフェクトの不一致がないこと。
  • 一貫性：場面の切り替わりをまたいで、音声、モデル、サンプルレート、ラウドネス、トーンが一致していること。
  • アクセシビリティ：キャプション／字幕が実際の音声出力と一致していること。
  • 権利と開示：クローンまたはデザインした音声について、同意、許可された用途、必要な開示が確保されていること。
  • 管理：出力ファイル、メタデータ、トレース ID、コスト、承認記録がアーカイブされていること。

推奨する測定可能な確認項目：

  • ラウドネス：vol に頼らず、ポストプロダクションでナレーションのステムを目標プラットフォームの仕様に合わせて正規化します。
  • キャプション：MiniMax の字幕タイムスタンプを出発点として使用し、レンダリングした動画に合わせて確認します。
  • ローカライズ：流暢なレビュアーに、聞き取りやすさ、慣用表現、文化的なトーン、必要な法的文言を確認してもらいます。
  • インタラクティブ音声：単一の WebSocket サンプルだけでなく、実際のアプリケーションで初回音声出力までの時間と割り込み時の挙動を測定します。

例：洗練された製品ナレーション

制作意図：Web 動画向けの 30 秒間の SaaS 製品ローンチのナレーション。

アプローチ：システム音声を候補として試聴し、1 つを承認した後、speech-2.8-hd で最終版をレンダリングし、編集用にモノラルの MP3/WAV ステムを保持します。

リクエスト例：

{
  "model": "speech-2.8-hd",
  "text": "Your support queue should not feel like a guessing game.<#0.35#>\nMeet Northstar Assist: it reads every ticket, finds the real blocker, and drafts the next best reply before your team opens the thread.<#0.5#>\nLess triage. Faster answers. Happier customers.",
  "stream": false,
  "language_boost": "English",
  "voice_setting": {
    "voice_id": "English_Insightful_Speaker",
    "speed": 0.96,
    "vol": 1,
    "pitch": 0,
    "emotion": "calm"
  },
  "pronunciation_dict": {
    "tone": ["Northstar/North star"]
  },
  "audio_setting": {
    "sample_rate": 44100,
    "bitrate": 256000,
    "format": "mp3",
    "channel": 1
  },
  "subtitle_enable": true,
  "subtitle_type": "word",
  "output_format": "hex"
}

期待される結果：抑制の効いた高級感のある読み上げと、クリーンな単語単位の字幕データ。

失敗しやすい点：

  • 発音ルールまたは台本の表記を調整しないと、「Northstar」の読み上げが不自然になることがあります。
  • calm ではローンチの勢いが弱く感じられる場合があります。手動で感情を指定しないテイクと、happy を指定したテイクをそれぞれ試してください。
  • 最初の行の後の間は、音楽を加えると長すぎるように感じられる場合があります。<#0.2#> でタイミングを調整するか、ポストプロダクションで無音部分を編集してください。

バリエーション：試聴には speech-2.8-turbo を使用し、承認したテイクを HD で再生成します。

例：承認を得たクローン音声によるローカライズ

本番での用途：従業員の承認を得た音声を使用して、社内研修動画をローカライズします。

アプローチ：書面による同意を取得し、ノイズの少ないソース音声をアップロードしてクローンを作成します。短い音声合成で音声を有効化した後、シーンごとにローカライズしたステムを生成します。

ワークフロー：

  1. 同意の範囲に、合成音声、社内研修、対象言語、保持期間、削除ポリシーが含まれていることを確認します。
  2. 話者が1人で、ノイズや音楽がなく、自然なペースで話している60～90秒のWAVを用意します。
  3. purpose=voice_clone を指定してアップロードします。
  4. プロジェクトに限定した voice_id、text_validation、accuracy を指定して voice_clone を呼び出し、必要な場合にのみ正規化を行います。
  5. language_boost を明示的に設定し、対象言語で10秒間の試聴音声を生成します。
  6. すべてのシーンを生成する前に、話者またはプロジェクトオーナーに試聴音声を承認してもらいます。

クローン作成リクエストの本文例：

{
  "file_id": 123456789012345680,
  "voice_id": "AcmeTraining_JRivera_2026Q3",
  "text": "Welcome to the safety briefing. Today we will cover the three checks every operator must complete before starting a shift.",
  "model": "speech-2.8-hd",
  "language_boost": "English",
  "text_validation": "Welcome to the safety briefing. Today we will cover the three checks every operator must complete before starting a shift.",
  "accuracy": 0.75,
  "need_noise_reduction": false,
  "need_volume_normalization": true,
  "aigc_watermark": true
}

想定される結果：クローン音声のIDが返され、プレビュー用テキスト／モデルが指定されている場合はプレビューURLも返されます。

失敗例：

  • ASRの検証結果がサンプルの文字起こしと一致せず、クローン作成が拒否されます。
  • ソース音声に音楽、複数の話者、または部屋の反響音が含まれているため、音声が不安定になります。
  • クローン音声が音声合成で正常に使用されるまで、get_voice に表示されません。
  • 一度も使用されない場合、7日後にクローンが削除されます。

バリエーション：クローンの類似性をさらに安定させる必要がある場合は、8秒未満のプロンプト音声とその文字起こしを指定して clone_prompt を使用します。

例：低レイテンシーのエージェント応答

本番での用途：回答の生成中に音声で話す音声アシスタントです。

アプローチ：speech-2.8-turbo、短いチャンク、再生バッファーを使用してWebSocket T2Aを利用します。

ワークフロー：

  1. Bearer認証を使用して wss://api.minimax.io/ws/v1/t2a_v2 を開きます。
  2. モデル、音声、言語、MP3音声設定を指定して task_start を送信します。
  3. task_started を待ちます。
  4. 応答のセグメントごとに、簡潔な task_continue メッセージを1つ送信します。
  5. 受信した16進数の音声チャンクを順番に再生し、保存する音声に追加します。
  6. 応答が完了したら task_finish を送信します。

task_start の例：

{
  "event": "task_start",
  "model": "speech-2.8-turbo",
  "language_boost": "English",
  "voice_setting": {
    "voice_id": "English_radiant_girl",
    "speed": 1.08,
    "vol": 1,
    "pitch": 0,
    "english_normalization": true
  },
  "audio_setting": {
    "sample_rate": 32000,
    "bitrate": 128000,
    "format": "mp3",
    "channel": 1
  }
}

task_continue の例：

{
  "event": "task_continue",
  "text": "I found three matching invoices. The newest one is from June tenth for four hundred eighty dollars."
}

想定される結果：音声合成中に音声チャンクが届き、その後 is_final イベントによってセグメントの完了が通知されます。

失敗例：

  • task_started より前にテキストを送信します。
  • 接続が閉じるほど長い時間、アイドル状態にします。
  • Turboで許容できる品質を満たせるにもかかわらず、体感レイテンシーが低いTurboではなくHDを選びます。
  • 長く節の多いアシスタントのテキストを使うため、レイテンシーに問題がなくても不自然に聞こえます。

バリエーション：対話型ではないIVRプロンプトライブラリの場合は、同じ文面をHTTPまたは非同期処理でレンダリングし、オフラインでファイルの品質を確認します。

本番環境への導入前に確認する情報源

コメント

Markdown 対応