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。

このプロダクトのドキュメントを見る。

Hi-Fi 音声合成

Google Cloud Text-to-Speech を使うと、自然な会話音声を合成できます。用意されている声は 30 種類。数多くの言語と方言に対応します。WaveNet に関する DeepMind の画期的な研究の成果と Google のニューラルネットワークにより、極めて人間に近い音声の合成を実現しています。使いやすいこの API を組み込めば、さまざまなアプリケーションや端末でユーザーと自然なやり取りができます。

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。

DeepMind の WaveNet 音声への排他的アクセス

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する画期的な研究を進め、実際の人間による発話との差を 50% 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 が提供している複数の音声への排他的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。

30 種類以上の音声から選択

Google Cloud Text-to-Speech は 14 の言語と方言に対応しており、30 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。

既存のアプリケーションや端末と簡単に統合

Cloud Text-to-Speech は、スマートフォン、PC、タブレット、IoT 端末（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端末に対応しています。

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 であり、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 端末からのインタラクティブな応答、テキストからの変換による音声コンテンツの作成など、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: 14 の言語と方言で 30 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。
Audio Profiles^ベータ版: 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。