メインコンテンツへスキップ
このページでは、TTS レスポンスの output_format (container、encoding、sample_rate) を設定する方法を説明します。 一般的には、音声パイプライン全体 (テレフォニー、再生、ストレージ) で一貫したエンコーディングとサンプルレートを使用して、不要なトランスコードと品質低下を回避してください。 音声サンプルを保存する場合は、output_format.container: "wav" または output_format.container: "mp3" を指定して Text-to-Speech (Bytes) API を使用することを推奨します。これにより、音声プレイヤーがエンコーディングとサンプルレートを自動的に検出できます。

​
リファレンス

​
output_format.container
string
音声出力のコンテナ形式。利用可能なオプション: raw、wav、mp3。すべてのコンテナ形式をサポートしているのは Bytes エンドポイントのみです。他のエンドポイント (SSE、Websockets) は raw のみをサポートします。
​
output_format.encoding
string
出力音声のエンコーディング。利用可能なオプション: pcm_f32le、pcm_s16le、pcm_mulaw、pcm_alaw。
​
output_format.sample_rate
number
出力音声のサンプルレート。所定の信号を表現するためには、サンプルレートが信号の最高周波数成分の少なくとも 2 倍である必要があることに注意してください (ナイキストの定理)。利用可能なオプション: 8000、16000、22050、24000、44100、48000。

​
RAW (PCM) 音声の output_format

生の音声を使用する場合は、output_format パラメータで出力デバイスのエンコーディングとサンプルレートを一致させることが重要です。
エンコーディングビット深度一般的な用途推奨サンプルレート
pcm_mulaw8-bit compressed北米／日本のテレフォニー (G.711μ)、Twilio8000
pcm_alaw8-bit compressed欧州／国際テレフォニー (G.711A)8000
pcm_s16le16-bit intLiveKit や Pipecat などの多くのボイスエージェントプラットフォーム16000
pcm_f32le32-bit float多くのブラウザ44100 または 48000

​
テレフォニー

​
北米と日本

多くのお客様は Twilio 経由で音声出力を送信します。Twilio 経由で送信されるすべての音声は、サンプルレート 8 kHz の µ-law エンコーディングにトランスコードされます。 
{
  "container": "raw",
  "encoding": "pcm_mulaw",
  "sample_rate": 8000
}

​
ヨーロッパ、インド、その他

ヨーロッパおよび国際的な電話ネットワークの標準 (G.711A) は、サンプルレート 8 kHz の 8 ビット A-law 圧縮 PCM です。 
{
  "container": "raw",
  "encoding": "pcm_alaw",
  "sample_rate": 8000
}

​
ボイスエージェントプラットフォーム

多くのボイスエージェントプラットフォームはパイプラインで 16 kHz サンプルレートの pcm_s16le を使用します。音声が問題なく再生されていれば、正しい出力フォーマットを使用している可能性が高いです。

​
Web ブラウザ

Web Audio API を通じて音声を再生する場合は、AudioContext に合わせて pcm_f32le を使用してください。 サンプルレートは固定されていません。ユーザーの出力ハードウェアが報告する値がデフォルトとなり、一般的には 48 kHz、ときには 44.1 kHz になります。AudioContext.sampleRate から読み取ってください。 
const audioContext = new AudioContext();
console.log(audioContext.sampleRate); // e.g. 48000
output_format.sample_rate をこの値に合わせてください。異なる場合、ブラウザは再生時にリサンプリングを行い、遅延が増加して品質が低下する可能性があります。new AudioContext({ sampleRate: 24000 }) で特定のレートをリクエストできますが、プラットフォームによってはブラウザがエラーを返す場合があります。

​
オーディオ CD 品質

標準のオーディオ CD は、44.1 kHz サンプルレートの pcm_s16le でエンコードされています。 
{
  "container": "raw",
  "encoding": "pcm_s16le",
  "sample_rate": 44100
}
これは一般消費者向けのデジタル音声環境で良好に動作します。