Text-to-Speech AI
Google の最先端 AI テクノロジーを活用した API を利用して、テキストを自然な音声に変換できます。
新規のお客様には、Text-to-Speech や他の Google Cloud プロダクトをお試しいただける無料クレジットを最大 $300 分差し上げます。
自然でスマートな応答で顧客対応を改善
デバイスやアプリケーションの音声ユーザー インターフェースでユーザーを引き付ける
ユーザーが選ぶ音声と言語に基づいてコミュニケーションをパーソナライズ
利点
忠実度の高い音声
Google の画期的なテクノロジーを導入すれば、人間のような自然なイントネーションの音声を生成できます。DeepMind の専門的な音声合成技術をベースに構築された API が、人間にかなり近い音声を実現します。
豊富な音声の種類
中国語（北京語）、ヒンディー語、スペイン語、アラビア語、ロシア語など、75 以上の言語と言語変種、380 種類以上の音声から選択できます。ユーザーとアプリケーションに最適な音声を選ぶことができます。
独自の音声
他の企業も使用している一般的な音声の代わりに、貴社のブランドを代表するオリジナルの音声を作成して、顧客とのあらゆるタッチポイントに使用できます。
デモ
Text-to-Speech を試してみましょう
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。
主な機能
主な機能
Gemini-TTS
短いスニペットから長編のナレーションまで、単一または複数の話者の音声を合成し、文脈を維持します。スタイル、アクセント、速度、トーン、感情表現を詳細に指定できます。75 以上の言語 / 地域で自然言語の簡単なプロンプトですべて制御可能です。詳しくは Media Studio にアクセスするか、こちらのドキュメントをご確認ください。
Chirp 3: HD 音声
AudioML に基づく最新の自然な会話音声を使用して、魅力的なエージェントを構築します。これらの音声は、高品質なオーディオ、低レイテンシのストリーミング、人間の非流暢性やさまざまな感情表現、正確なイントネーションを再現した自然な発話を提供します。詳しくは Media Studio にアクセスするか、こちらのドキュメントをご確認ください。
Chirp 3: インスタント カスタム音声
わずか 10 秒の音声入力から、パーソナライズされた音声モデルを作成できます。ビデオゲーム、オーディオブック、ポッドキャストなどに最適です。30 以上の言語 / 地域で利用可能。詳しくは Media Studio にアクセスするか、こちらのドキュメントをご確認ください。
プロンプト、テキスト、SSML のサポート
モデルのサポートに応じ、シンプルな平文スクリプト、SSML タグ、または強力な自然言語プロンプトを使用して、数値と時間の形式、話し方、発音、感情を制御できます。詳しくは Media Studio にアクセスするか、こちらのドキュメントをご確認ください。
最新情報
最新情報
Google Cloud のニュースレターにご登録いただくと、プロダクトの最新情報、イベント情報、特典のお知らせなどが配信されます。
ドキュメント
ドキュメント
ユースケース
ユースケース
コンタクト センターにおける音声 bot
あらかじめ録音された固定的な音声を再生するのではなく、動的に音声を生成する Dialogflow の音声 bot で、カスタマー サービスにおける音声エクスペリエンスを改善します。発信者に親近感とパーソナルな印象を与える高品質の合成音声で対応します。
デバイスでの音声生成
デバイスのテキスト リーダーで人間のような音声を使用することで、ユーザーとの自然なコミュニケーションが可能になります。Speech-to-Text と Natural Language を取り入れてエンドツーエンドの音声ユーザー インターフェースを構築し、スムーズで魅力的なインタラクションでユーザー エクスペリエンスを改善します。
ユーザー補助対応 EPG（電子番組ガイド）
EPG でテキストを読み上げることによって、ユーザー エクスペリエンスが向上するほか、サービスやアプリケーションのユーザー補助の要件も満たすことができます。EPG デモをお試しください。
EPG のテキスト読み上げ機能は簡単に実装できます。
すべての機能
すべての機能
| ストリーミングの音声合成 | ストリーミングの音声合成による超低レイテンシの音声で AI エージェントを強化し、シームレスなリアルタイム会話を実現します。 |
| 長い音声合成 | 長時間の音声合成では、最大 100 万バイトの入力を非同期で合成します。 |
| 選択できる音声と言語 | 75 以上の言語と言語変種、380 種類以上の音声から選択できます（今後も順次追加予定）。 |
| テキストと SSML のサポート | SSML タグを使用すると、息つぎ、数字、日時形式、その他の発音上の指示を追加して発話をカスタマイズできます。 |
| 声の高さのチューニング | 選択した音声の高さ（ピッチ）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。 |
| 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、または遅くすることができます。 |
| ボリュームのゲイン コントロール | 出力の音量を最大 16 db、最小 -96 db の幅で調整可能です。 |
| REST と gRPC API の統合 | スマートフォン、PC、タブレット、IoT デバイス（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デバイスとの間で簡単に統合できます。 |
| さまざまな音声形式に柔軟に対応 | テキストを MP3、Linear16、OGG Opus、その他さまざまな音声形式に変換します。 |
| 音声プロファイル | 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。 |
料金
料金
Text-to-Speech の料金は、音声への合成のためにサービスに送信された文字数に基づいて、月単位で請求されます。WaveNet 音声の最初の 100 万文字は、毎月無料です。WaveNet 以外の標準音声では、毎月最初の 400 万文字が無料です。Text-to-Speech は無料枠以降 100 万文字ごとに課金されます。
米ドル以外の通貨でお支払いの場合は、Google Cloud SKU に記載されている該当の通貨の料金が適用されます。
開始にあたりサポートが必要な場合
お問い合わせ信頼できるパートナーと連携する
パートナーを探すもっと見る
すべてのプロダクトを見る