音声認識言語のリファレンス

このリファレンスでは、以下でサポートされている言語を一覧表示します。

• テキスト読み上げ
• 音声キャプチャと音声文字起こし

Text-to-Speech言語

テキストから音声への変換には、100 を超える言語とアクセントが用意されています。サポートされている言語ごとに、性別の観点と品質の観点(標準と神経)の観点から異なる声を提供する場合があります。

標準音声

• 従来、これらは連結合成に基づいており、人間の話者の短く録音されたオーディオサンプルをつなぎ合わせて音声を生成します。この方法は、話し言葉、音節、または音素の膨大なライブラリに依存しています。
• 生成される音声は明瞭で明瞭ですが、人間の音声の自然な流動性とイントネーションに欠ける場合があります。特にイントネーション、アクセント、リズムの扱い方において、よりロボット的または合成的に聞こえるかもしれません。
• 標準音声には使用料がかかりません

ニューラル音声

• これらは、高度な機械学習モデル、特にニューラルネットワークを利用して音声を合成します。この方法では、録音された音声の大規模なデータセットでモデルをトレーニングし、人間の音声のニュアンスを学習して模倣できるようにします。
• より自然でリアルな音声品質を提供し、人間の表現、感情、アクセントの微妙さを忠実に模倣します。スピーチのフローはよりスムーズで、複雑なイントネーションやさまざまなスピーチパターンの処理に適しています。
• ニューラル音声は文字ごとに課金されます

SSML のサポート

SSML は 音声合成マークアップ言語 を表します。これは、テキスト読み上げ合成プロセスを微調整するための強力なツールとして機能します。SSML を使用すると、合成音声に自然な響きの抑揚、強調、一時停止、その他の音声特性を注入できます。このコントロールを使用すると、独自の要件に合わせて出力を調整し、ユーザーにとってより魅力的でリアルな音声エクスペリエンスを作成できます。

NTT CPaaSは、Google と Amazon Polly の標準音声の SSML をサポートしています。

NTT CPaaSでは現在、Microsoft Azure ニューラル音声の SSML サポートは提供されていません。

音声 API 製品全体で使用できるサポートされているタグのリストを次に示します。

 
    <speak> - Identifying SSML-enhanced text
    <break /> - Adding a pause 
    <say‑as> - Controlling how special types of words are spoken
    <p> - Adding a pause between paragraphs
    <s> - Adding a pause between sentences
    <emphasis> - Emphasizing words
    <sub> - Pronouncing acronyms and abbreviations
    <phoneme> - Using phonetic pronunciation
    <prosody> - Controlling volume, speaking rate, and pitch
 

Google、Amazon、Microsoft では、par、audio、seq など、他の SSML タグも提供されていますが、現在の実装ではサポートされていません。

これは、VoiceメッセージAPIで使用される SSML 拡張タグ テキストの例です: VoiceメッセージAPIのSSML

 
    "text": "<speak>Hello. This is a test message sent from <emphasis level=\"strong\">Infobip Voice Message API</emphasis>. Your confirmation code is <say-as interpret-as=\"spell-out\">12345</say-as>.</speak>"
 

これらの SSMLタグの完全な構文の詳細については、以下を参照してください。

• Google 標準音声の場合：https://cloud.google.com/text-to-speech/docs/ssml?hl=en (opens in a new tab)
• Amazon Polly の音声の場合：https://docs.aws.amazon.com/polly/latest/dg/supportedtags.html (opens in a new tab)
• Microsoft Azure ニューラル音声の場合：https://learn.microsoft.com/en-us/azure/ai-services/speech-service/speech-synthesis-markup (opens in a new tab)

アラビア語

ベンガル語

ブルガリア語

カタロニア語

中国語 (簡体字)

クロアチア語

チェコ語

デンマーク語

オランダ語

英語

フィリピノ語

フィンランド語

フランス語

ドイツ語

ギリシャ語

グジャラート語

ヘブライ語

ヒンディー語

ハンガリー語

アイスランド語

インドネシア語

イタリア語

日本語

カンナダ語

韓国語

マレー語

マライ語

マラーティー語

ノルウェー語

ポーランド語

ポルトガル語

ルーマニア語

ロシア語

スロバキア語

スロベニア語

スペイン語

スウェーデン語

タミール語

テルグ語

タイ語

トルコ語

ウクライナ語

ウルドゥ

ベトナム語

ウェールズ語

ベータ版 とマークされている言語と音声は、プリプロダクション段階にあります。NTT CPaaSは、これらの言語のテクニカルサポートの義務を負いません。

音声認識言語

API リクエストで特定の言語を選択する時に使用する必要がある略語については、以下の表をご確認ください。