Azure Speech の高品位音声

Foundry Tools の Azure Speech は、ニューラル高解像度 (HD) 音声を使用してテキスト読み上げテクノロジを引き続き進化させます。 これらの HD 音声は、コンテンツを理解し、入力テキスト内の感情を自動的に検出し、センチメントに合わせてリアルタイムで話すトーンを調整します。 一貫性のある音声ペルソナを維持しながら、表現力、自然性、制御性を強化します。

HD 音声の概要

Azure Speech には、2 つの高度な HD 音声モデルが用意されており、それぞれ異なるユース ケース向けに最適化されています。

モデル 音声カウント 主な特性 最適な用途
DragonHD 30 以上の微調整された音声 プロフェッショナルな品質、正確な発音、マルチトーカーサポート 高品質の出力を必要とするエンタープライズ アプリケーション
DragonHDOmni 500 以上の音声 (リリースされたすべての音声) スタイルをサポートし、多言語対応、新しい音声やスタイルを柔軟に追加できます。 多様なアプリケーション、コンテンツの作成、広範なペルソナの多様性

HD 音声の主な機能

次の表では、Azure Speech HD 音声の主な機能について説明します。

主な機能 説明
人間のような音声生成 ニューラル音声合成のHD音声は、非常に自然で人間らしい音声を生成します。 モデルは何百万時間もの多言語データでトレーニングされ、手動で調整することなく、入力テキストを正確に解釈し、適切な感情、ペース、リズムで音声を生成できます。
会話 ニューラル テキスト読み上げ HD 音声は、自然な一時停止や強調を含む自然な音声パターンを複製します。 会話テキストを指定すると、このモデルは一時停止や入力者の単語などの一般的な音素を再現できます。 生成された音声は、誰かがあなたと直接会話しているかのように聞こえます。
プロソディの変化 ニューラル テキスト読み上げ HD 音声では、各出力にわずかなバリエーションが導入され、リアリズムが強化されます。 これらのバリエーションは、人間の声が自然に変化を示すように、音声をより自然に聞こえるようにします。
高忠実度 ニューラル テキスト読み上げ HD 音声の主な目的は、忠実度の高いオーディオを生成することです。 システムによって生成される合成音声は、品質と自然性の両方で人間の音声を密接に模倣できます。

Azure Speech HD 音声と他のAzure テキスト読み上げ音声の比較

Azure Speech HD 音声は、他の Azure テキスト読み上げ音声とどのように比較されますか？ 詳細な比較を次に示します。

機能 Azure Speech HD 音声 Azure OpenAI HD 音声 Azureのスピーチボイス (HDではない)
地域 Speech サービスリージョンを参照する Speech サービスリージョンを参照する 数十のリージョンで利用できます。 Speech サービスのリージョンを参照してください。
音声の数 30 6 500 を超える
多 言語 はい はい はい (多言語音声にのみ適用)
SSML のサポート SSML 要素のサブセットのサポート。 SSML 要素のサブセットのサポート。 Azure Speech での フル セットの SSML のサポート。
開発オプション Speech SDK、Speech CLI、REST API Speech SDK、Speech CLI、REST API Speech SDK、Speech CLI、REST API
デプロイ オプション クラウドのみ クラウドのみ クラウド、埋め込み、ハイブリッド、コンテナー。
リアルタイムまたはバッチ合成 リアルタイムのみ リアルタイムおよびバッチ合成 リアルタイムおよびバッチ合成
遅延 300 ミリ秒未満 500 ミリ秒を超える 300 ミリ秒未満
合成オーディオのサンプル レート 8、16、24、48 kHz 8、16、24、48 kHz 8、16、24、48 kHz
音声出力オーディオ形式 opus、mp3、pcm、truesilk opus、mp3、pcm、truesilk opus、mp3、pcm、truesilk

サポートされている Azure Speech HD 音声

Azure Speech には、モデル アーキテクチャが異なる 2 セットの HD 音声が用意されています。

Dragon HD ボイス

Azure Speech HD 音声値は、voicename:DragonHD:version 形式を使用します。 コロンの前の名前 ( en-US-Avaなど) は、音声ペルソナ名とその元のロケールです。

Microsoftが提供する最新バージョンの基本モデルを確実に使用するには、LatestNeural バージョンを使用します。

たとえば、ペルソナ en-US-Avaでは、次のように指定できます。

  • en-US-Ava:DragonHDLatestNeural: 常に DragonHD ベース モデルの最新バージョンを使用します。

次の表に、使用可能な DragonHD 音声の一覧を示します。

音声名 性別 ステータス メモ
de-de-Florian:DragonHDLatestNeural 男性 GA
de-de-Seraphina:DragonHDLatestNeural 女性 GA
en-us-Adam:DragonHDLatestNeural 男性 GA
en-us-Alloy:DragonHDLatestNeural 男性 GA
en-us-Andrew:DragonHDLatestNeural 男性 GA
en-us-Andrew2:DragonHDLatestNeural 男性 GA 会話型コンテンツ用に最適化
en-us-Andrew3:DragonHDLatestNeural 男性 プレビュー ポッドキャスト コンテンツ用に最適化
en-us-Aria:DragonHDLatestNeural 女性 GA
en-us-Ava:DragonHDLatestNeural 女性 GA
en-us-Ava3:DragonHDLatestNeural 女性 プレビュー ポッドキャスト コンテンツ用に最適化
en-us-Brian:DragonHDLatestNeural 男性 GA
en-us-Davis:DragonHDLatestNeural 男性 GA
en-us-Emma:DragonHDLatestNeural 女性 GA
en-us-Emma2:DragonHDLatestNeural 女性 GA 会話型コンテンツ用に最適化
en-us-Jenny:DragonHDLatestNeural 女性 GA
en-us-MultiTalker-Ava-Andrew:DragonHDLatestNeural 男性 プレビュー
en-us-Nova:DragonHDLatestNeural 女性 GA
en-us-Phoebe:DragonHDLatestNeural 女性 GA
en-us-Serena:DragonHDLatestNeural 女性 GA
en-us-Steffan:DragonHDLatestNeural 男性 GA
es-es-Tristan:DragonHDLatestNeural 男性 GA
es-es-Ximena:DragonHDLatestNeural 女性 GA
fr-fr-Remy:DragonHDLatestNeural 男性 GA
fr-fr-Vivienne:DragonHDLatestNeural 女性 GA
ja-jp-Masaru:DragonHDLatestNeural 男性 GA
ja-jp-Nanami:DragonHDLatestNeural 女性 GA
zh-cn-Xiaochen:DragonHDLatestNeural 女性 GA
zh-cn-Yunfan:DragonHDLatestNeural 男性 GA

HD 音声では、次のスタイルとパラリンヒスティック タグがサポートされています。

タイプ タグ
スタイル amazed, amused, angry, annoyed, anxious, appreciative, calm, cautious, concerned, confident, confused, curious, defeated, defensive, defiant, determined, disappointed, disgusted, doubtful, ecstatic, encouraging, excited, fast, fearful, frustrated, happy, hesitant, hurt, impatient, impressed, intrigued, joking, laughing, optimistic, painful, panicked, panting, pleading, proud, quiet, reassuring, reflective, relieved, remorseful, resigned, sad, sarcastic, secretive, serious, shocked, shouting, shy, skeptical, slow, struggling, surprised, suspicious, sympathetic, terrified, upset, urgent, whispering
パラリンジュイスティック laughter、 coughing、 throat_clearing、 breathing、 sighing、 yawning

メモ

スタイルとパラ言語機能は、すべての音声におけるすべての英語コンテンツで利用可能です。 スタイルの結果は、入力コンテンツに強く関連します。モデルは、テキストのセマンティックな意味に基づいてスタイル アプリケーションを適応させます。 スタイルとパラ言語 の SSML テンプレートを参照してください。

ドラゴンHDオムニボイス

Dragon HD Omni は、事前構築済み音声と AI 生成音声を 1 つの柔軟なプラットフォームに組み合わせた、Azure Speech の統合された次世代モデルです。 表現力の向上、多言語サポート、高度なスタイル制御、自動スタイル予測を備えた 700 を超える音声を備えています。

ドラゴンHDオムニの主な機能

  • 700 以上の音声: 品質が向上し、多様な特性を持つ 300 を超える AI 生成音声を持つ以前の音声の大部分が含まれています。
  • 高度なスタイル コントロール: 自然言語の説明を使用した自動スタイル予測 (最初は en-US-Ava と en-US-Andrewで使用できます)。
  • 多言語サポート: すべての Dragon HD Omni 音声は、自動言語検出と SSML <lang> タグサポートを使用して複数の言語をサポートします。
  • プロソディの強化: 自動コンテキスト適応による自然性の向上。
  • Word境界イベントのサポート: 同期されたアプリケーションの正確なwordレベルのタイミングを有効にします。

Dragon HD Omni でサポートされているスタイル

HDOmni 音声では、次のスタイルとパラ言語タグがサポートされています。

タイプ タグ
スタイル amazed, amused, angry, annoyed, anxious, appreciative, calm, cautious, concerned, confident, confused, curious, defeated, defensive, defiant, determined, disappointed, disgusted, doubtful, ecstatic, encouraging, excited, fast, fearful, frustrated, happy, hesitant, hurt, impatient, impressed, intrigued, joking, laughing, optimistic, painful, panicked, panting, pleading, proud, quiet, reassuring, reflective, relieved, remorseful, resigned, sad, sarcastic, secretive, serious, shocked, shouting, shy, skeptical, slow, struggling, surprised, suspicious, sympathetic, terrified, upset, urgent
パラリンジュイスティック laughter、 coughing、 throat_clearing、 breathing、 sighing、 yawning

メモ

スタイルは、すべての音声のすべての英語コンテンツで利用できます。 スタイルの結果は、入力コンテンツに強く関連します。モデルは、テキストのセマンティックな意味に基づいてスタイル アプリケーションを適応させます。 パラリンジュイスティックは、すべての言語のすべての音声で使用できます。 スタイルとパラ言語 の SSML テンプレートを参照してください。

Dragon HD Omni 音声命名規則

Dragon HD Omni の音声は、名前付けパターン ( languagelocale-voicename:DragonHDOmniLatestNeural) に従います。 Omni のバージョンをすばやく見つけるには、音声名の形式にサフィックス :DragonHDOmniLatestNeural を追加します。

例：

以前のニューラル音声 Omni バージョンの音声名
de-DE-ConradNeural de-DE-Conrad:DragonHDOmniLatestNeural

ドラゴンHDフラッシュボイス

HD Flash 音声は、現在中国語 (zh-CN) と英語 (en-US) のテキストをサポートしている、選択した DragonHD 音声の最適化されたバリエーションです。 これらの音声は自然性を高め、標準のAzureリージョン (eastus、westeurope、southeastasia) と中国リージョン (chinanorth3) で利用できます。

次の表に、使用可能なすべての HD Flash 音声とサポートされているスタイルを示します。

音声名 サポートされているスタイル
zh-CN-Xiaoxiao:DragonHDFlashLatestNeural angry、 chat、 cheerful、、 customer-service、 excited、 fearful、 sad、 voice-assistant
zh-CN-Xiaoxiao2:DragonHDFlashLatestNeural affectionate, angry, anxious, cheerful, curious, disappointed, empathetic, encouraging, excited, fearful, guilty, lonely, poetry-reading, sad, sentimental, sorry, story, surprised, tired, whispering
zh-CN-Xiaochen:DragonHDFlashLatestNeural cheerful、 debating、 empathetic、 live-commercial、 poetry-reading、 sad、 sorry
zh-CN-Xiaoyi:DragonHDFlashLatestNeural angry、 complaining、 cute、、 gentle、 nervous、 sad、 shy、 strict
zh-CN-Xiaoyu:DragonHDFlashLatestNeural angry、 debating、 cheerful、 comforting、 sad、 sorry
zh-CN-Xiaohan:DragonHDFlashLatestNeural affectionate、 angry、 cheerful、 complaining、 fearful、 gentle、 sad、 shy、 strict
zh-CN-Xiaoshuang:DragonHDFlashLatestNeural chat
zh-CN-Xiaoyou:DragonHDFlashLatestNeural chat、 angry、 cheerful、 poetry-reading、 sad、 story、 cute
zh-CN-Yunxi:DragonHDFlashLatestNeural angry、 chat、 cheerful、 complaining、 depressed、 fearful、 news、 sad、 shy、 strict、 voice-assistant
zh-CN-Yunyi:DragonHDFlashLatestNeural assassin、 captain、 cavalier、 prince、 game-narrator、 geomancer、 poet
zh-CN-Yunxiao:DragonHDFlashLatestNeural —
zh-CN-Yunhan:DragonHDFlashLatestNeural angry、 cheerful、 curious、 empathetic、 encouraging、 excited、 guilty、 lonely、 sad、 serious、 sorry、 whispering、 surprised、 tired
zh-CN-Yunxia:DragonHDFlashLatestNeural affectionate、 angry、 cheerful、 comforting、 encouraging、 excited、 fearful、 sad、 surprised
zh-CN-Yunye:DragonHDFlashLatestNeural —
en-US-Tiana:DragonHDFlashLatestNeural —
en-US-Tyler:DragonHDFlashLatestNeural —
en-US-Jimmie:DragonHDFlashLatestNeural —

メモ

HD Flash では、 zh-CN と en-USのテキストのみがサポートされます。

Azure Speech HD 音声を使用する方法

HD 以外の音声の場合と同じ SPEECH SDK と REST API を HD 音声に使用します。

Azure Speech HD 音声を使用する場合は、次の重要な点を考慮してください。

  • 音声ロケール: 音声名のロケールは、元の言語と地域を示します。
  • 基本モデル:
    • HD 音声には、入力テキストを理解し、それに応じて読み上げパターンを予測する基本モデルが含まれます。 各音声の可用性に基づいて、 DragonHDLatestNeuralなどの目的のモデルを指定できます。
  • SSML 使用法: SSML で音声を参照するには、 voicename:basemodel:version形式を使用します。 コロンの前の名前 ( de-DE-Seraphinaなど) は、音声ペルソナ名とその元のロケールです。 基本モデルは、以降の更新でバージョンによって追跡されます。
  • 温度パラメーター:
    • 温度の値は 0 から 1 の範囲の浮動小数点であり、出力のランダム性に影響を与えます。 温度パラメータを調整して、出力の変動を制御できます。 ランダム性が低いほど安定した結果が得られますが、ランダム性が高いほど多様性が得られる一方で、一貫性が低下します。
    • 温度が低いほどランダム性が低下し、予測可能な出力が得られます。 温度が高いほどランダム性が高くなり、より多様な出力が可能になります。 既定の温度は 1.0 に設定されています。

SSML で Azure Speech HD 音声を使用する方法の例を次に示します。

<speak version='1.0' xmlns='http://www.w3.org/2001/10/synthesis' xmlns:mstts='https://www.w3.org/2001/mstts' xml:lang='en-US'>
<voice name='en-US-Ava:DragonHDLatestNeural' parameters='temperature=0.8'>Here is a test</voice>
</speak>

Dragon HD Omni の高度な機能

Express-As を使用したスタイル コントロール

Dragon HD Omni では、自然言語の説明と共に mstts:express-as 要素を使用して、高度なスタイル制御をサポートしています。 詳細については、 SSML テンプレートを参照してください。

多言語サポート

すべての Dragon HD Omni 音声は、自動言語検出を使用して複数の言語をサポートします。 <lang xml:lang> タグを使用して、話す言語とアクセントを明示的に指定することもできます。 詳細については、 SSML テンプレートを参照してください。

単語境界イベント

Dragon HD Omni は単語境界イベントをサポートしているため、カラオケ、リアルタイム キャプション、対話型音声エクスペリエンスなどの同期されたアプリケーションの正確な単語レベルのタイミングを取得できます。

ワード境界イベントが発生すると、次の機能が提供されます。

  • テキスト: 読み上げられた単語
  • AudioOffset: オーディオ ストリームの時間オフセット (ミリ秒)
  • TextOffset: 入力テキスト内の単語の位置

ワード境界イベントを使用したPythonの例

import azure.cognitiveservices.speech as speechsdk

def word_boundary_cb(evt):
    print(f"Word: '{evt.text}', AudioOffset: {evt.audio_offset / 10000}ms, TextOffset: {evt.text_offset}")

speech_config = speechsdk.SpeechConfig(subscription="YourSubscriptionKey", region="YourServiceRegion")
synthesizer = speechsdk.SpeechSynthesizer(speech_config=speech_config)

synthesizer.synthesis_word_boundary.connect(word_boundary_cb)

ssml = """
<speak version='1.0' xmlns='http://www.w3.org/2001/10/synthesis'
       xmlns:mstts='http://www.w3.org/2001/mstts' xml:lang='en-US'>
  <voice name='en-us-ava:DragonHDOmniLatestNeural'>
    Hello Azure, welcome to Dragon HD Omni!
  </voice>
</speak>
"""

result = synthesizer.speak_ssml_async(ssml).get()

サンプル出力:

Word: 'Hello', AudioOffset: 110.0ms, TextOffset: 182
Word: 'Azure', AudioOffset: 590.0ms, TextOffset: 188
Word: ',', AudioOffset: 1110.0ms, TextOffset: 193
Word: 'welcome', AudioOffset: 1270.0ms, TextOffset: 195
Word: 'to', AudioOffset: 1750.0ms, TextOffset: 203
Word: 'Dragon HD Omni', AudioOffset: 1910.0ms, TextOffset: 206
Word: '!', AudioOffset: 2750.0ms, TextOffset: 216

Dragon HD Omni の高度なパラメーター チューニング

Dragon HD Omni では、さまざまなシナリオで音声出力をカスタマイズするための高度なパラメーター チューニングがサポートされています。

パラメーター参照

パラメーター 既定 範囲 目的
temperature 0.7 0.3–1.0 創造性と安定性を制御する
top_p 0.7 0.3–1.0 出力を多様化するためにフィルター処理を行う
top_k 22 1–50 考慮されるオプションの数を制限する
cfg_scale 1.4 1.0–2.0 関連性と音声速度を調整します

チューニング戦略

表現力と安定性の比較:

  • temperature、top_p、およびtop_kの値が高いほど、表現力が高く、感情的に変化する音声になります。
  • 値を小さくすると、より安定した予測可能な出力が生成されます。
  • 推奨事項: 最適な結果を得るには、top_ptemperatureと同じにしてください。

速度とコンテキストの関連性の場合:

  • cfg_scale は、音声の読み上げ速度とコンテキストとの整合性に影響します。
    • より高い値 (1.8 ~ 2.0): より強いコンテキスト関連性で音声を高速化します。
    • 値が小さい (1.0 ~ 1.2): コンテキストのアラインメントが少なく、音声が遅くなります。

推奨されるチューニング テーブル

目標 推奨される調整
より表現力豊か temperature、top_p、top_kを一緒に増やす
より安定 最初に temperature を小さくしてから、必要に応じて top_p を調整します
より高速で関連性の高い 増加 cfg_scale
低速でニュートラル 減少 cfg_scale

パラメーターの使用例

単一パラメーター調整:

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" 
        xmlns:mstts="http://www.w3.org/2001/mstts" xml:lang="en-US">
  <voice name="en-us-ava:DragonHDOmniLatestNeural" parameters="top_p=0.8">
    Hello Azure!
  </voice>
</speak>

複数のパラメーター調整:

<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" 
        xmlns:mstts="http://www.w3.org/2001/mstts" xml:lang="en-US">
  <voice name="en-us-ava:DragonHDOmniLatestNeural" parameters="top_p=0.8;top_k=22;temperature=0.7;cfg_scale=1.2">
    Hello Azure! Welcome to Dragon HD Omni!
  </voice>
</speak>

Azure Speech HD 音声でサポートされている SSML 要素とサポートされていない SSML 要素

入力テキストを含む音声合成マークアップ言語 (SSML) によって、テキスト読み上げ出力の構造、コンテンツ、およびその他の特性が決まります。 たとえば、SSML を使用して、段落、文、中断または一時停止、または無音を定義できます。 後でアプリケーションが処理するブックマークやビセームなどのイベントタグでテキストをラップすることができます。

Azure Speech HD 音声では、モデルに応じてさまざまな SSML 要素がサポートされます。

  • DragonHD 音声: SSML 要素のサブセットをサポートします (下の表を参照)
  • Dragon HD Omni の音声: スタイル コントロールや単語境界イベントの mstts:express-as を含む追加の要素をサポート

Azure Speech HD 音声でサポートされている SSML 要素とサポートされていない SSML 要素の詳細については、次の表を参照してください。 SSML 要素の使用方法については、 音声合成マークアップ言語 (SSML) のドキュメントを参照してください。

SSML 要素 説明 DragonHD ドラゴン HD オムニ
<voice> 音声効果とオプション効果 (eq_car と eq_telecomhp8k) を指定します。 はい はい
<mstts:express-as> 話すスタイルとロールを指定します。 いいえ はい
<mstts:ttsembedding> 個人用音声の speakerProfileId プロパティを指定します。 いいえ いいえ
<lang xml:lang> 話す言語を指定します。 はい はい
<prosody> ピッチ、輪郭、範囲、レート、ボリュームを調整します。 いいえ いいえ
<emphasis> テキストの単語レベルのストレスを追加または削除します。 いいえ いいえ
<audio> 録音済みのオーディオを SSML ドキュメントに埋め込みます。 いいえ いいえ
<mstts:audioduration> 出力オーディオの継続時間を指定します。 いいえ いいえ
<mstts:backgroundaudio> SSML ドキュメントにバックグラウンド オーディオを追加するか、オーディオ ファイルとテキスト読み上げを混在させます。 いいえ いいえ
<phoneme> SSML ドキュメントのふりがなの発音を指定します。 はい いいえ
<lexicon> SSML で複数のエンティティを読み取る方法を定義します。 はい (エイリアスのみをサポート) はい (エイリアスのみをサポート)
<say-as> 要素のテキストのコンテンツ タイプ (数値や日付など) を示します。 はい はい
<sub> 要素で囲まれたテキストではなく、エイリアス属性のテキスト値を発音する必要があることを示します。 はい はい
<math> MathML を入力テキストとして使用して、出力オーディオで数学表記を適切に発音します。 いいえ いいえ
<bookmark> オーディオ ストリーム内の各マーカーのオフセットを取得します。 いいえ いいえ
<break> 単語間の区切りまたは一時停止の既定の動作をオーバーライドします。 はい いいえ
<mstts:silence> テキストの前または後、または隣接する 2 つの文の間に一時停止を挿入します。 いいえ いいえ
<mstts:viseme> 人が話している間の顔と口の位置を定義します。 いいえ いいえ
<p> SSML ドキュメントの段落を示します。 はい はい
<s> SSML ドキュメント内の文を示します。 はい はい

メモ

このガイドの前のセクションでは、Speech HD 音声と Azure OpenAI HD 音声Azureを比較しましたが、Azure Speech でサポートされる SSML 要素は、Azure OpenAI 音声には適用できません。

パラメーター 発音を強化する

enhancePronunciation パラメーターを使用すると、音声合成中の発音処理が強化されます。 true に設定すると、NeuralHD 音声では、特に複雑なテキスト、あいまいなテキスト、または非標準テキストの音声出力の明確さと正確性を向上させるために、追加の発音の最適化が適用されます。

enhancePronunciationを有効にすると、合成中に言語処理が強化され、サービスによって発音の精度が優先されます。 この改善は、システムが次のように読み取る方法に役立ちます。

  • 固有名詞、名前、および一般的でない単語
  • 頭字語、略語、大文字と小文字が混在するテキスト
  • コンテキストに応じて複数の可能な発音を持つ単語このパラメーターは、SSML ベースの発音タグや辞書などの既存の発音コントロールを補完し、置き換えません。 予測可能で下位互換性のある音声出力を保持するには、既定値は false です。 明確さと自然性を向上させるために、サービスで追加の発音の最適化を適用する場合に有効にします。
<speak version="1.0" xmlns="http://www.w3.org/2001/10/synthesis" xmlns:mstts="https://www.w3.org/2001/mstts" xml:lang="en-US">
  <voice name="en-US-Ava:DragonHDLatestNeural" parameters="enhancePronunciation=true">
    This is a pronunciation enhanced example for technical terms like
    Kubernetes, Azure OpenAI, and multilingual content such as 今、何か軽く摘めそうなものある？
  </voice>
</speak>

構造化されたドメイン固有または技術的なドメイン固有のコンテンツを使用するシナリオで enhancePronunciation を有効にします。

メモ

このパラメーターは発音処理にのみ影響します。音声選択、読み上げスタイル、またはプロソディ コントロールは変更されません。 結果は、言語、音声、入力テキストによって異なる場合があります。 確定的な発音制御の場合、SSML の発音要素が推奨されるアプローチのままです。

DragonHD と Dragon HD Omni の選択

どちらの HD 音声モデルも高品質の合成を提供しますが、さまざまなユース ケースに対応します。

考慮 DragonHD ドラゴン HD オムニ
音声の数 30 以上の微調整された音声 以前の音声や新しい AI で生成された音声など、700 を超える音声
音声の多様性 定義済みのペルソナに限定 すべてのライブラリ音声から様々な特性を持つ豊富なバラエティ
スタイル コントロール 温度と高度なパラメーターのみ Ava と Andrew の自動スタイル予測と 100 を超えるスタイル コントロール
ユース ケース カスタマー サービス、アクセシビリティ、一貫性に重点を置いたアプリケーション コンテンツ作成、オーディオブック、ポッドキャスト、多様なペルソナ要件

各モデルを使用する場合

次の場合は、Dragon HD を選択します。

  • 特定の言語が高品質になるには、特定の音声ペルソナが必要です
  • エンタープライズ カスタマー サービス アプリケーションを構築しているか
  • 温度と高度なパラメーターを使用して微調整された制御が必要

次の場合は、Dragon HD Omni を選択します。

  • 多くの音声オプションで柔軟性が必要
  • 多様なコンテンツ (オーディオブック、ポッドキャスト、ストーリーテリング) を作成しています
  • 現在のニューラル音声を改善したいが、ロケールはまだ HD モデルをサポートしていない
  • さまざまなユース ケースに幅広いペルソナを必要とする

関連コンテンツ

  • Last updated on