Skip to main content
音量、速度、感情のタグはベータ版であり、今後変更される可能性があります。
Sonic は、生成される音声を制御するために SSML 風 (Speech Synthesis Markup Language) のタグをサポートしています。

​
速度

sonic-3 以降で利用可能。
トークンごとにストリーミングする場合、speed タグまたは volume タグの値全体をバッファリングする必要があります。 たとえば 1、.、0 を別々の入力として渡すと、タグがそのまま読み上げられてしまいます。
speed タグを使って TTS 生成の速度を指定できます。0.6 から 1.5 のスカラー値を指定します。デフォルトは 1.0 です。
速度コントロールで期待できること
  • Sonic は速度を厳密な倍率ではなくガイダンスとして扱います。これにより、ペースと表現を自然に保てます。
  • 効果は音声、原稿の長さ、句読点によって変わります。短いサンプルでは小さな調整は聞き取りにくくなります。
  • はっきりした変化を得るには、より大きく調整してください。たとえば話速を落とすには、speed を 0.9 ではなく 0.7 に設定します。
  • 短いサンプルではなく、実際の用途を代表する、句読点が適切に付けられたコンテンツでテストしてください。
  • 速度コントロールは Instant Voice Clone に適用されます。Professional Voice Clone はソース録音からペースを学習するため、リクエスト時の速度調整には対応していません。

​
音量

sonic-3 以降で利用可能。 volume タグを使って TTS 生成の音量を指定できます。0.5 から 2.0 の数値を指定します。デフォルトの音量は 1 です。

​
感情 Beta

感情の制御は実験的なものであり、特に生成の途中で感情の変化が発生する場合は不安定です。原稿中で感情を変更する必要がある場合は、感情ごとに別の生成コンテキストを使用することを推奨します。最良の結果を得るには 「Emotive」とタグ付けされたボイス を使用してください。他のボイスでは感情が正しく機能しない場合があります。

​
ポーズと区切り

生成音声にポーズ (区切り) を挿入するには、time 属性を 1 つだけ持つ break タグを使用します。たとえば <break time="1s"/> のようにします。時間は秒 (s) またはミリ秒 (ms) で指定できます。 これらのタグは課金上 1 文字としてカウントされ、隣接するテキストとの間に空白を入れる必要はありません。クレジットを節約するために break タグの前後の空白は削除して構いません。

​
数字や文字のスペリング

入力テキストをスペルアウトするには、<spell> タグで囲みます。 これは、クレジットカード番号、電話番号、固有 ID など、長い数字や識別子を読み上げる際に特に便利です。
数字や識別子をスペルアウトする際に、生成間に計画的なポーズを入れたい場合 (たとえば電話番号の市外局番と残りの番号の間にポーズを入れるなど) は、<break> と <spell> タグを組み合わせることができます。これらのタグは 1 文字としてカウントされ、隣接するテキストとの間に空白を入れる必要はありません。クレジットを節約するために break タグと spell タグの前後の空白は削除して構いません。