Cloud Text-to-Speech

機械学習機能により、テキストを音声に変換します。

Hi-Fi 音声合成

Google Cloud Text-to-Speech は、30 以上の言語と方言に対応し、テキストを 180 種類以上の自然な声で読み上げます。音声合成（WaveNet）に関する画期的な研究の成果と Google の高度なニューラルネットワークにより、極めて人間に近い音声を実現しています。使いやすいこの API を組み込めば、カスタマーサービス、デバイスの操作、その他のアプリケーション機能を変革するような、ユーザーと自然なインターラクションが可能となります。

試してみましょう

テキストを入力し、言語を選択して [Speak It] をクリックすれば、すぐに読み上げられます。

Google の機械学習を搭載

高度なディープラーニングのニューラルネットワークアルゴリズムを利用して、多様な声と言語でテキストから音声を合成します。Google のニューラルネットワークは音声合成に関する Google の専門知識を基に構築されています。

180 種類以上の音声から選択

Google Cloud Text-to-Speech は 30 以上の言語と方言に対応し、180 種類以上の音声を利用できるため、ご使用のアプリケーションに最適な音声の選択が可能です。

WaveNet テクノロジーへの独占的なアクセス

DeepMind は人間のように自然な発声のできる機械学習モデルに関して画期的な研究を進め、実際の人間による発話との差を 70% 以上縮めることに成功しました。Cloud Text-to-Speech を使用すると、WaveNet が提供している 90 以上の音声への独占的なアクセスが可能となります。利用できる音声は今後も順次追加されていく予定です。

既存のアプリケーションやデバイスと簡単に統合

Cloud Text-to-Speech は、スマートフォン、PC、タブレット、IoT デバイス（例: 自動車、テレビ、スピーカー）など、REST または gRPC リクエストを送信できるすべてのアプリケーションやデバイスに対応しています。

一般的なユースケースの多くに対応

Google Cloud Text-to-Speech は使いやすい API で、さまざまなユースケースで自然なやり取りを可能にする柔軟なソリューションです。コールセンターの自動化、IoT デバイスからのインタラクティブな応答、テキストから音声コンテンツへの変換など、多様なユースケースに対応します。

Cloud Text-to-Speech の機能

多言語対応: 30 以上の言語と方言で 180 種類以上の音声を利用できます（今後も順次追加予定）。
WaveNet 音声: 極めて自然な発話を実現する DeepMind の WaveNet 音声への多言語での排他的アクセスが可能です。
テキストと SSML のサポート: SSML タグを使用して間の調整、数字や日時などの発音の指示などを追加して発話をカスタマイズできます。
発話速度のチューニング: 発話の速度を通常の 4 倍まで速くまたは遅く調整可能です。

声の高さのチューニング: 選択した音声の高さを、デフォルトから上下 20 セミトーン（半音 20 個分）の幅で調整可能です。
ボリュームのゲインコントロール: 出力のボリュームは最大 16 db、最小 -96 db の幅で調整可能です。
さまざまな音声形式に柔軟に対応: mp3、Linear16、Ogg Opus など、多様な音声形式をサポートしています。
音声プロファイル: スピーカーの種類（ヘッドホン、電話回線など）に応じて音声を最適化できます。