> ## Documentation Index > Fetch the complete documentation index at: https://docs.cartesia.ai/llms.txt > Use this file to discover all available pages before exploring further. # リアルタイム Text-to-Speech クイックスタート > WebSocket経由でCartesiaにテキストをストリームし、音声をリアルタイムで受け取ります。 Cartesia WebSocket APIを使用すると、テキスト入力と音声出力を同時にストリーミングできます。これは、LLMから逐次テキストが生成される場合のボイスエージェントなどのリアルタイムユースケースに最適です。 テキストをチャンクに分けてCartesiaにストリーミングし、音声チャンクをリアルタイムで受け取ります。これは、LLMからのように逐次テキストが生成される場合に理想的です。 ## 前提条件 * Cartesia APIキー。[こちらで作成](https://play.cartesia.ai/keys)し、`.bashrc` または `.zshrc` に追加してください: ```sh theme={null} export CARTESIA_API_KEY= ``` ブラウザからCartesia APIにアクセスする際は、APIキーを安全に保つため、認証には短期間有効なアクセストークンを使用してください。[クライアントアプリケーションを認証する](/get-started/authenticate-your-client-applications) を参照してください。 * `ffplay`(FFmpegの一部)。音声出力を再生するために使用されます: オペレーティングシステム用のFFmpeg実行可能パッケージを [FFmpegダウンロードページ](https://ffmpeg.org/download.html) からダウンロードしてください。 * 言語ランタイムとパッケージマネージャー: * **Python**: [Python 3](https://www.python.org/downloads/) と [pip](https://pip.pypa.io/en/stable/installation/) * **JavaScript**: [Node.js](https://nodejs.org/)(npmを含む) ## テキストをストリーミングして音声を再生する ```sh theme={null} pip install 'cartesia[websockets]' ``` 詳細は [Cartesia Pythonクライアントライブラリ](/tools/client-libraries) を参照してください。 ```python realtime-tts.py theme={null} from cartesia import Cartesia import subprocess import os client = Cartesia(api_key=os.getenv("CARTESIA_API_KEY")) print("Starting ffplay to play streaming audio output...") player = subprocess.Popen( ["ffplay", "-f", "f32le", "-ar", "44100", "-probesize", "32", "-analyzeduration", "0", "-nodisp", "-autoexit", "-loglevel", "quiet", "-"], stdin=subprocess.PIPE, bufsize=0, ) print("Connecting to Cartesia via websockets...") with client.tts.websocket_connect() as connection: ctx = connection.context( model_id="sonic-3.5", voice={"mode": "id", "id": "f786b574-daa5-4673-aa0c-cbe3e8534c02"}, output_format={ "container": "raw", "encoding": "pcm_f32le", "sample_rate": 44100, }, ) print("Sending chunked text input...") transcript_chunks = ["Hi there! ", "Welcome to ", "Cartesia Sonic."] for part in transcript_chunks: ctx.push(part) ctx.no_more_inputs() for response in ctx.receive(): if response.type == "chunk" and response.audio: print(f"Received audio chunk ({len(response.audio)} bytes)") # Here we pipe audio to ffplay. In a production app you might play audio in # a client, or forward it to another service, eg, a telephony provider. player.stdin.write(response.audio) elif response.type == "done": break player.stdin.close() player.wait() ``` ```sh theme={null} python3 realtime-tts.py ``` これにより、テキスト入力がCartesiaにストリーミングされ、`ffplay` を使用してストリーミング音声出力が再生されます。(デバイスの音量がオンになっていることを確認してください!) ```sh theme={null} npm init -y npm pkg set type=module npm install @cartesia/cartesia-js ws npm install --save-dev tsx typescript @types/node ``` `ws` パッケージはNode.jsランタイムでのみ必要です。ブラウザでは `ws` パッケージをインストールしないでください — ネイティブのWebSocket APIで十分です。 詳細は [Cartesia JavaScriptクライアントライブラリ](/tools/client-libraries) を参照してください。 `realtime-tts.ts` という名前のファイルを作成し、以下のコードを記述します。コードの説明は下記にあります。 ```typescript realtime-tts.ts theme={null} import Cartesia from "@cartesia/cartesia-js"; import { spawn } from "child_process"; const apiKey = process.env["CARTESIA_API_KEY"]; if (!apiKey) { throw new Error("Missing CARTESIA_API_KEY"); } const client = new Cartesia({ apiKey }); console.log("Starting ffplay to play streaming audio output..."); const { stdin } = spawn("ffplay", ["-f", "f32le", "-ar", "44100", "-probesize", "32", "-analyzeduration", "0", "-nodisp", "-autoexit", "-loglevel", "quiet", "-"], { stdio: ["pipe", "ignore", "ignore"], }); if (!stdin) { throw new Error("ffplay stdin not available"); } console.log("Connecting to Cartesia via websockets..."); const ws = await client.tts.websocket(); const ctx = ws.context({ model_id: "sonic-3.5", voice: { mode: "id", id: "f786b574-daa5-4673-aa0c-cbe3e8534c02" }, output_format: { container: "raw", encoding: "pcm_f32le", sample_rate: 44100 }, }); console.log("Sending chunked text input..."); const transcriptChunks = ["Hi there! ", "Welcome to ", "Cartesia Sonic."]; for (const part of transcriptChunks) { await ctx.push({ transcript: part }); } await ctx.no_more_inputs(); for await (const event of ctx.receive()) { if (event.type === "chunk" && event.audio) { console.log(`Received audio chunk (${event.audio.length} bytes)`); // Here we pipe audio to ffplay. In a production app you might play audio in // a client, or forward it to another service, eg, a telephony provider. stdin.write(event.audio); } else if (event.type === "done") { break; } } stdin.end(); ws.close(); ``` ```sh theme={null} npx tsx realtime-tts.ts ``` これにより、テキスト入力がCartesiaにストリーミングされ、`ffplay` を使用してストリーミング音声出力が再生されます。(デバイスの音量がオンになっていることを確認してください!) ## 仕組み WebSocket接続は複数の *コンテキスト* を管理でき、各コンテキストは全二重の連続したストリームです。テキストチャンクをプッシュし、生成された音声チャンクをリアルタイムで受け取ります。 これは、LLMからリアルタイムでテキストを生成する場合にうまく機能します: CartesiaのTTSシステムはコンテキスト履歴を保持し、新しいチャンクを順次そこに追加していきます。これにより、生成された音声がトーンと韻律で連続性と一貫性を保ち、完全なトランスクリプトが準備できるのを待つ必要がないため、レイテンシを最小限に抑えます。 要約すると、WebSocket接続を確立した後、コードは以下のことを行います: 1. `context()` で **コンテキストを作成** します。 2. `push()` で逐次 **テキストをプッシュ** します。各呼び出しは `continue: true` でチャンクを送信し、さらにテキストが続くことをモデルに伝えます。詳細は [continuations](/build-with-cartesia/capability-guides/stream-inputs-using-continuations) を参照してください。 3. `no_more_inputs()` で **完了を通知** します。これは `continue: false` を送信して、これ以上テキストが来ないことをモデルに伝えます。 4. 生成された **音声チャンクを受信** します。 これは、リアルタイムLLM WebSocket APIに似たストリーミングパターンを使用しています: テキストフラグメントが到着するたびに送信し、生成された出力(この場合は音声チャンク)を逐次受信します。 ## 次のステップ 音声を選択するか、自分の音声を複製して、音声IDをこのクイックスタートにコピーします。 `voice`、`model_id`、または `output_format` を変更し、再実行して出力品質と挙動を比較します。 チャンクをまたいだ自然な流れを保ちつつ逐次テキストを送信し、長文やLLM駆動の音声をよりスムーズに生成します。