プロフェッショナルな音声モデルをトレーニングする

この記事では、Microsoft Foundry ポータルを使用してプロの音声を微調整する方法について説明します。

重要

プロの音声微調整は現在、一部のリージョンでのみ使用できます。サポートされているリージョンで音声モデルをトレーニングしたら、必要に応じて、プロの音声モデルを別のリージョンのMicrosoft Foundry リソースにコピーできます。詳細については、 Speech Service テーブルの脚注を参照してください。

トレーニング期間は、使用するデータの量によって異なります。プロの音声を微調整するには、平均で約 10 時間かかります。 Microsoft Foundry Standard (S0) リソースを使用すると、4 つの音声を同時にトレーニングできます。制限に達した場合は、少なくとも 1 つの音声モデルがトレーニングを完了するまで待ってから、もう一度やり直してください。

メモ

トレーニング方法ごとに必要な合計時間数は異なりますが、それぞれに同じ単価が適用されます。詳細については、カスタムニューラルトレーニングの価格の詳細を参照してください。

トレーニング方法を選択する

データファイルを検証したら、それらを使用してカスタム音声モデルを構築します。カスタム音声を作成する場合は、次のいずれかの方法でトレーニングできます。

ニューラル: トレーニングデータと同じ言語で音声を作成します。
ニューラル - HD 音声: トレーニングデータと同じ言語で HD 音声を作成します。 Azureニューラル HD 音声は LLM ベースで、動的な会話用に最適化されています。ニューラル HD 音声の詳細については、こちらをご覧ください。
ニューラル - 多言語: 単一言語のトレーニングデータを使用して、複数の言語を話す音声を作成します。たとえば、 en-US プライマリトレーニングデータを使用すると、 en-US、 de-DE、 zh-CN などの第 2 言語を話す音声を作成できます。

トレーニングデータのプライマリ言語と第 2 言語は、多言語音声トレーニングでサポートされている言語である必要があります。セカンダリ言語でトレーニングデータを準備する必要はありません。
ニューラル - マルチスタイル: 新しいトレーニングデータを追加せずに、複数のスタイルと感情で話すカスタム音声を作成します。複数のスタイルの音声は、ビデオゲームのキャラクター、会話チャットボット、オーディオブック、コンテンツリーダーなどに役立ちます。

複数のスタイルの音声を作成するには、一連の一般的なトレーニングデータ (少なくとも 300 個の発話) を準備する必要があります。 1 つ以上のプリセットターゲット読み上げスタイルを選択します。同じ音声の追加のトレーニングデータとして、スタイルサンプル (スタイルあたり少なくとも 100 個の発話) を提供することで、複数のカスタムスタイルを作成することもできます。サポートされているプリセットスタイルは、言語によって異なります。さまざまな言語で使用可能なプリセットスタイルを参照してください。
ニューラル - 多言語: トレーニングデータとは異なる言語を話す音声を作成します。たとえば、 zh-CN トレーニングデータを使用すると、 en-USを話す音声を作成できます。

トレーニングデータの言語とターゲット言語の両方が、多言語音声トレーニングでサポートされている言語の 1 つである必要があります。ターゲット言語でトレーニングデータを準備する必要はありませんが、テストスクリプトはターゲット言語である必要があります。

トレーニングデータの言語は、カスタム音声、多言語、または複数のスタイルのトレーニングでサポートされている言語のいずれかである必要があります。

カスタム音声モデルをトレーニングする

Microsoft Foundry ポータルでカスタム音声を作成するには、次のどちらかの方法を使って、次の手順を実行します。

ファウンドリー（新規）
Foundry (クラシック)

新しい Microsoft Foundry ポータルでは、Fine-tune a model ウィザードでは、すべてのバリアントを対象とする 1 つの Training メソッド ドロップダウンが使用されます。これらの手順は、「トレーニングデータ」ウィンドウにトレーニングデータをアップロードした後、「プロの音声を作成する」で開いたウィザードから続行します。

[ トレーニングデータ ] ウィンドウで、シナリオに一致する トレーニング方法 を選択します。オプションには、 ニューラル - 既定、 ニューラル - HD、 ニューラル - 多言語、 ニューラル - マルチスタイル、 ニューラル - 多言語が含まれます。各方法の詳細については、「トレーニング方法の選択」を参照してください。
トレーニングレシピバージョンを選択 します。既定では、最新バージョンが選択されています。サポートされている機能とトレーニング時間は、バージョンによって異なる場合があります。場合によっては、以前のバージョンを選択してトレーニング時間を短縮できます。
モデル言語を確認します。
[ データセットの選択 ] ドロップダウンから、アップロードしたデータセットを選択します。
[ 次へ] を選択します。
[ レビュー ] ウィンドウで、設定を確認し、使用条件に同意します。
[ トレーニング ] を選択してモデルのトレーニングを開始します。

Microsoft Foundry (クラシック) ポータルで、以下のトレーニング方法を選択し、対応する手順に従います。

Microsoft Foundry ポータルにサインインします。
左側のウィンドウから [微調整 ] を選択し、[ AI サービスの微調整] を選択します。
プロフェッショナル音声を作成の記事で説明されているようにモデル名別のプロフェッショナル音声微調整タスクを選択します。
[モデルのトレーニング]>[+ モデルのトレーニング] を選択します。
モデルのトレーニング方法として[ニューラル]を選択します。別のトレーニング方法を使用するには、「ニューラル - 多言語、ニューラル - マルチスタイル、ニューラル - 多言語、またはニューラル - HD 音声」を参照してください。
モデルのトレーニングレシピのバージョンを選択します。既定では、最新バージョンが選択されています。サポートされている機能とトレーニング時間は、バージョンによって異なる場合があります。通常は、最新バージョンをお勧めします。場合によっては、以前のバージョンを選択してトレーニング時間を短縮できます。 2 か国語のトレーニングとロケール間の違いの詳細については、2 か国語のトレーニングを参照してください。
[ 次へ] を選択します。
トレーニングに使用するデータを選択します。重複するオーディオ名はトレーニングから削除されます。選択したデータに、複数の .zip ファイル間で同じオーディオ名が含まれていないことを確認します。

トレーニング用に正常に処理されたデータセットのみを選択できます。トレーニングセットが一覧に表示されない場合は、データ処理の状態を確認します。
トレーニングデータの話者に対応する音声タレントステートメントを含むスピーカーファイルを選択します。
[ 次へ] を選択します。
テストスクリプトを選択し、[ 次へ] を選択します。
- 各トレーニングでは、既定のスクリプトを使用してモデルをテストするのに役立つ 100 個のサンプルオーディオファイルが自動的に生成されます。
- または、[ 独自のテストスクリプトの追加] を選択し、独自のテストスクリプトに最大 100 個の発話を提供して、追加料金なしでモデルをテストすることもできます。生成されたオーディオファイルは、自動テストスクリプトとカスタムテストスクリプトの組み合わせです。詳細については、テストスクリプトの要件を参照してください。
音声モデル名を入力します。名前は慎重に選択してください。モデル名は、SDK と SSML 入力によって音声合成要求の音声名として使用されます。文字、数字、およびいくつかの句読点文字のみを使用できます。ニューラル音声モデルごとに異なる名前を使用します。
必要に応じて、モデルの識別に役立つ説明を入力します。説明の一般的な用途は、モデルの作成に使用したデータの名前を記録することです。
チェックボックスをオンにして利用規約に同意し、[ 次へ] を選択します。
設定を確認し、使用条件に同意するボックスを選択します。
[ トレーニング ] を選択してモデルのトレーニングを開始します。

2 か国語トレーニング

ニューラル トレーニングの種類を選択した場合は、複数の言語で話すように音声をトレーニングできます。 zh-CN、zh-HK、zh-TWロケールは、中国語と英語の両方を話す音声の二か国語トレーニングをサポートしています。合成された音声は、トレーニングデータの一部に応じて、英語のネイティブアクセントまたはトレーニングデータと同じアクセントを持つ英語を話すことができます。

メモ

zh-CN ロケールの音声がサンプルデータと同じアクセントで英語を話せるようにするには、英語データをコンテキスト トレーニングセットにアップロードするか、プロジェクトの作成時にChinese (Mandarin, Simplified), English bilingualを選択するか、REST API を使用してトレーニングセットデータのzh-CN (English bilingual)ロケールを指定する必要があります。

コンテキストトレーニングセットには、少なくとも 100 文または 10 分の英語コンテンツを含め、中国語コンテンツの量を超えないようにします。

ロケールの違いを次の表に示します。

Speech Studio ロケール	REST API ロケール	2 か国語サポート
`Chinese (Mandarin, Simplified)`	`zh-CN`	サンプルデータに英語が含まれている場合、合成された音声は、英語データの量に関係なく、サンプルデータと同じアクセントではなく、英語のネイティブアクセントで英語を話します。
`Chinese (Mandarin, Simplified), English bilingual`	`zh-CN (English bilingual)`	合成された音声でサンプルデータと同じアクセントで英語を話す場合は、トレーニングセットに 10% 以上の英語データを含めてお勧めします。それ以外の場合は、英語を話すアクセントが理想的ではない可能性があります。
`Chinese (Cantonese, Simplified)`	`zh-HK`	サンプルデータと同じアクセントで英語を話せる合成音声をトレーニングする場合は、トレーニングセットで 10% 以上の英語データを提供してください。それ以外の場合、既定では英語のネイティブアクセントになります。 10% しきい値は、アップロード前のデータではなく、アップロードが成功した後に受け入れられたデータに基づいて計算されます。一部のアップロードされた英語データが欠陥のために拒否され、10% のしきい値を満たしていない場合、合成された音声は既定で英語のネイティブアクセントになります。
`Chinese (Taiwanese Mandarin, Traditional)`	`zh-TW`	サンプルデータと同じアクセントで英語を話せる合成音声をトレーニングする場合は、トレーニングセットで 10% 以上の英語データを提供してください。それ以外の場合、既定では英語のネイティブアクセントになります。 10% しきい値は、アップロード前のデータではなく、アップロードが成功した後に受け入れられたデータに基づいて計算されます。一部のアップロードされた英語データが欠陥のために拒否され、10% のしきい値を満たしていない場合、合成された音声は既定で英語のネイティブアクセントになります。

Microsoft Foundry ポータルにサインインします。
左側のウィンドウから [微調整 ] を選択し、[ AI サービスの微調整] を選択します。
プロフェッショナル音声を作成の記事で説明されているようにモデル名別のプロフェッショナル音声微調整タスクを選択します。
[モデルのトレーニング]>[+ モデルのトレーニング] を選択します。
モデルのトレーニング方法として[ニューラル - マルチスタイル]を選択します。別のトレーニング方法を使用するには、ニューラル、ニューラル - クロスリンガル、ニューラル - 多言語、またはニューラル - HD ボイスに関する記事を参照してください。
モデルのトレーニングレシピのバージョンを選択します。既定では、最新バージョンが選択されています。サポートされている機能とトレーニング時間は、バージョンによって異なる場合があります。通常は、最新バージョンをお勧めします。場合によっては、以前のバージョンを選択してトレーニング時間を短縮できます。
[ 次へ] を選択します。
トレーニングするためのプリセットの話し方スタイルを1つ以上選択します。
トレーニングに使用するデータを選択します。重複するオーディオ名はトレーニングから削除されます。選択したデータに、複数の .zip ファイル間で同じオーディオ名が含まれていないことを確認します。

トレーニング用に正常に処理されたデータセットのみを選択できます。一覧にトレーニングセットが表示されない場合は、データ処理の状態を確認します。
[ 次へ] を選択します。
必要に応じて、他のカスタムスピーキングスタイルを追加できます。カスタムスタイルの最大数は言語によって異なります。English (米国) では最大 10 個のカスタムスタイルが許可され、Chinese (Mandarin, Simplified) では最大 4 つのカスタムスタイルが許可され、Japanese (Japan) では最大 5 つのカスタムスタイルが許可されます。
1. [ + カスタムスタイルの追加] を選択し、任意のカスタムスタイル名を入力します。この名前は、style の要素内でアプリケーションによって使用されます。
2. トレーニングデータとしてスタイルサンプルを選択します。カスタムスピーキングスタイルのトレーニングデータが、既定のスタイルの作成に使用されるデータと同じ話者から取得されていることを確認します。
[ 次へ] を選択します。
トレーニングデータの話者に対応する音声タレントステートメントを含むスピーカーファイルを選択します。
[ 次へ] を選択します。
テストスクリプトを選択し、[ 次へ] を選択します。
- 各トレーニングでは、既定のスクリプトを使用してモデルをテストするのに役立つ 100 個のサンプルオーディオファイルが自動的に生成されます。
- または、[ 独自のテストスクリプトの追加] を選択し、独自のテストスクリプトに最大 100 個の発話を提供して、追加料金なしでモデルをテストすることもできます。生成されたオーディオファイルは、自動テストスクリプトとカスタムテストスクリプトの組み合わせです。詳細については、テストスクリプトの要件を参照してください。
音声モデル名を入力します。名前は慎重に選択してください。モデル名は、SDK と SSML 入力によって音声合成要求の音声名として使用されます。文字、数字、およびいくつかの句読点文字のみを使用できます。ニューラル音声モデルごとに異なる名前を使用します。
必要に応じて、モデルの識別に役立つ説明を入力します。説明の一般的な用途は、モデルの作成に使用したデータの名前を記録することです。
チェックボックスをオンにして利用規約に同意し、[ 次へ] を選択します。
設定を確認し、使用条件に同意するボックスを選択します。
[ トレーニング ] を選択してモデルのトレーニングを開始します。

さまざまな言語で使用可能なプリセットスタイル

次の表は、さまざまな言語に応じたさまざまなプリセットスタイルをまとめたものです。

話し方	言語 (ロケール)
怒って	英語 (米国) (`en-US`) 日本語 (日本) (`ja-JP`) ¹ 中国語 (標準中国語、簡体字) (`zh-CN`) ¹
穏やか	中国語 (標準中国語、簡体字) (`zh-CN`) ¹
チャット	中国語 (標準中国語、簡体字) (`zh-CN`) ¹
陽気	英語 (米国) (`en-US`) 日本語 (日本) (`ja-JP`) ¹ 中国語 (標準中国語、簡体字) (`zh-CN`) ¹
不機嫌な	中国語 (標準中国語、簡体字) (`zh-CN`) ¹
ワクワク	英語 (米国) (`en-US`)
恐ろしい	中国語 (標準中国語、簡体字) (`zh-CN`) ¹
フレンドリー	英語 (米国) (`en-US`)
希望を抱く	英語 (米国) (`en-US`)
悲しい	英語 (米国) (`en-US`) 日本語 (日本) (`ja-JP`) ¹ 中国語 (標準中国語、簡体字) (`zh-CN`) ¹
大声で叫んで	英語 (米国) (`en-US`)
深刻	中国語 (標準中国語、簡体字) (`zh-CN`) ¹
怯えた	英語 (米国) (`en-US`)
非友好的	英語 (米国) (`en-US`)
ささやく	英語 (米国) (`en-US`)

¹ ニューラル音声スタイルは、パブリックプレビューで利用できます。パブリックプレビューでスタイルをサポートするリージョンの現在の一覧については、 Speech Service リージョンの表を参照してください。

トレーニングプロセスを監視する

[モデルのトレーニング] の表に、この新しく作成されたモデルに対応する新しいエントリが表示されます。状態は、次の表に示すように、データを音声モデルに変換するプロセスを反映します。

状態	意味
処理	音声モデルが作成されています。
成功	音声モデルが作成され、デプロイできます。
失敗しました	音声モデルがトレーニングに失敗しました。エラーの原因は、目に見えないデータの問題やネットワークの問題などです。
キャンセル	音声モデルのトレーニングが取り消されました。

モデルの状態が [処理中] の間は、モデルを選択し、[ トレーニングのキャンセル] を選択してトレーニングを取り消すことができます。このキャンセルされたトレーニングには課金されません。

モデルのトレーニングが正常に完了したら、モデルの詳細を確認し、音声モデルをテストできます。

モデルの名前を変更する

モデルの名前を変更するには、モデルを複製する必要があります。モデルの名前を直接変更することはできません。

モデルを選択します。
[ モデルの複製] を選択して、現在のプロジェクトに新しい名前を持つモデルの複製を作成します。
[音声モデルの複製] ウィンドウに新しい名前を入力します。
[ 送信] を選択します。 ニューラル は新しいモデル名に自動的にサフィックスとして追加されます。

音声モデルをテストする

音声モデルが正常に構築されたら、生成されたサンプルオーディオファイルを使用して、デプロイする前にテストできます。

メモ

ニューラル - 多言語とニューラル - HD 音声では、この種類のテストはサポートされていません。

音声の品質は、次のような多くの要因によって異なります。

トレーニングデータのサイズ。
録音の品質。
トランスクリプトファイルの精度。
トレーニングデータに記録された音声が、意図したユースケースに合わせて設計された音声の性格とどの程度一致しているか。

[テスト] で [DefaultTests] を選択して、サンプルオーディオファイルをリッスンします。既定のテストサンプルには、モデルのテストに役立つトレーニング中に自動的に生成される 100 個のサンプルオーディオファイルが含まれています。既定で提供されるこれらの 100 個のオーディオファイルに加えて、独自のテストスクリプト発話も DefaultTests セットに追加されます。この追加は、最大 100 個の発話です。 DefaultTests を使用したテストには課金されません。

独自のテストスクリプトをアップロードしてモデルをさらにテストする場合は、[ テストスクリプトの追加] を選択して独自のテストスクリプトをアップロードします。

テストスクリプトをアップロードする前に、テストスクリプトの要件を確認します。課金対象の文字数に基づいて、バッチ合成による追加のテストに対して課金されます。 Azure Speech の価格を Foundry Tools の価格ページで参照してください。

[ テストスクリプトの追加] で、[ ファイルの参照 ] を選択して独自のスクリプトを選択し、[ 追加] を選択してアップロードします。

テストスクリプトの要件

テストスクリプトは、1 MB 未満の .txt ファイルである必要があります。サポートされているエンコード形式には、ANSI/ASCII、UTF-8、UTF-8-BOM、UTF-16-LE、UTF-16-BE などがあります。

訓練用文字起こしファイルとは異なり、テストスクリプトでは各発話のファイル名である発話IDを除外する必要があります。それ以外の場合は、これらの ID が読み上げられます。

次の一例は、1つの.txtファイル内にある発話セットです。

This is the waistline, and it's falling.
We have trouble scoring.
It was Janet Maslin.

発話の各段落は、個別のオーディオになります。すべての文を 1 つのオーディオに結合する場合は、1 つの段落にします。

メモ

生成されたオーディオファイルは、自動テストスクリプトとカスタムテストスクリプトの組み合わせです。

音声モデルのエンジンバージョンを更新する

Azureテキスト読み上げエンジンは、言語の発音を定義する最新の言語モデルをキャプチャするために随時更新されます。音声をトレーニングしたら、最新のエンジンバージョンに更新することで、新しい言語モデルに音声を適用できます。

新しいエンジンが使用可能になると、ニューラル音声モデルを更新するように求められます。
モデルの詳細ページに移動し、画面の指示に従って最新のエンジンをインストールします。
または、[ 最新のエンジンを 後でインストールする] を選択して、モデルを最新のエンジンバージョンに更新します。エンジンの更新には課金されません。以前のバージョンは引き続き保持されます。
モデルのすべてのエンジンバージョンは、エンジンの バージョンの一 覧から確認することも、不要な場合は削除することもできます。

更新されたバージョンは、既定として自動的に設定されます。ただし、ドロップダウンリストからバージョンを選択し、[既定 として設定] を選択することで、既定のバージョンを変更できます。

音声モデルの各エンジンバージョンをテストする場合は、一覧からバージョンを選択し、[テスト] の下の [DefaultTests] を選択してサンプルオーディオファイルをリッスンできます。独自のテストスクリプトをアップロードして現在のエンジンのバージョンをさらにテストする場合は、まずバージョンが既定として設定されていることを確認してから、「音声モデルをテストする」の手順に従います。

エンジンを更新すると、追加料金なしでモデルの新しいバージョンが作成されます。音声モデルのエンジンバージョンを更新した後、新しいバージョンをデプロイして新しいエンドポイントを作成する必要があります。既定のバージョンのみをデプロイできます。

新しいエンドポイントを作成したら、製品の新しいエンドポイントにトラフィックを転送する必要があります。

この機能の機能と制限、およびモデルの品質を向上させるためのベストプラクティスの詳細については、「カスタム音声を使用するための特性と制限事項」を参照してください。

音声モデルを別のプロジェクトにコピーする

メモ

このコンテキストでは、"プロジェクト" は、Microsoft Foundry プロジェクトではなく、微調整タスクを指します。

トレーニング後、音声モデルを同じリージョンまたは別のリージョンの別のプロジェクトにコピーできます。

たとえば、あるリージョンでトレーニングされたプロの音声モデルを、別のリージョンのプロジェクトにコピーできます。プロの音声微調整は現在、一部のリージョンでのみ使用できます。

カスタム音声モデルを別のプロジェクトにコピーするには:

[ モデルのトレーニング ] タブで、コピーする音声モデルを選択し、[ プロジェクトにコピー] を選択します。
モデルをコピーするサブスクリプション、ターゲットリージョン、接続済み AI サービスリソース (Foundry リソース)、およびターゲットの微調整タスクを選択します。
[ コピー先] を選択してモデルをコピーします。
コピーが成功した場合は、通知メッセージの下にある [ モデルの表示 ] を選択します。

モデルコピーを配置するためにモデルをコピーしたプロジェクトに移動します。

次の手順

プロフェッショナルな音声エンドポイントをデプロイする

この記事では、Speech Studio ポータルを使用してプロの音声を微調整する方法について説明します。

重要

プロの音声微調整は現在、一部のリージョンでのみ使用できます。サポートされているリージョンで音声モデルをトレーニングした後、必要に応じて別のリージョンの Speech の Foundry リソースにコピーできます。詳細については、 Speech Service テーブルの脚注を参照してください。

トレーニング期間は、使用するデータの量によって異なります。プロの音声を微調整するには、平均で約 10 時間かかります。 Standard サブスクリプション (S0) ユーザーは、4 つの音声を同時にトレーニングできます。制限に達した場合は、少なくとも 1 つの音声モデルがトレーニングを完了するまで待ってから、もう一度やり直してください。

メモ

トレーニング方法ごとに必要な合計時間数は異なりますが、それぞれに同じ単価が適用されます。詳細については、カスタムニューラルトレーニングの価格の詳細を参照してください。

トレーニング方法を選択する

データファイルを検証したら、それらを使用してカスタム音声モデルを構築します。カスタム音声を作成する場合は、次のいずれかの方法でトレーニングできます。

ニューラル: トレーニングデータと同じ言語で音声を作成します。
ニューラル - HD 音声: トレーニングデータと同じ言語で HD 音声を作成します。 Azureニューラル HD 音声は LLM ベースで、動的な会話用に最適化されています。ニューラル HD 音声の詳細については、こちらをご覧ください。
ニューラル - 多言語: 単一言語のトレーニングデータを使用して、複数の言語を話す音声を作成します。たとえば、 en-US プライマリトレーニングデータを使用すると、 en-US、 de-DE、 zh-CN などの第 2 言語を話す音声を作成できます。

トレーニングデータのプライマリ言語と第 2 言語は、多言語音声トレーニングでサポートされている言語である必要があります。セカンダリ言語でトレーニングデータを準備する必要はありません。
ニューラル - マルチスタイル: 新しいトレーニングデータを追加せずに、複数のスタイルと感情で話すカスタム音声を作成します。複数のスタイルの音声は、ビデオゲームのキャラクター、会話チャットボット、オーディオブック、コンテンツリーダーなどに役立ちます。

複数のスタイルの音声を作成するには、一連の一般的なトレーニングデータ (少なくとも 300 個の発話) を準備する必要があります。 1 つ以上のプリセットターゲット読み上げスタイルを選択します。同じ音声の追加のトレーニングデータとして、スタイルサンプル (スタイルあたり少なくとも 100 個の発話) を提供することで、複数のカスタムスタイルを作成することもできます。サポートされているプリセットスタイルは、言語によって異なります。さまざまな言語で使用可能なプリセットスタイルを参照してください。
ニューラル - 多言語: トレーニングデータとは異なる言語を話す音声を作成します。たとえば、 zh-CN トレーニングデータを使用すると、 en-USを話す音声を作成できます。

トレーニングデータの言語とターゲット言語の両方が、多言語音声トレーニングでサポートされている言語の 1 つである必要があります。ターゲット言語でトレーニングデータを準備する必要はありませんが、テストスクリプトはターゲット言語である必要があります。

トレーニングデータの言語は、カスタム音声、多言語、または複数のスタイルのトレーニングでサポートされている言語のいずれかである必要があります。

カスタム音声モデルをトレーニングする

Speech Studio でカスタム音声を作成するには、次のいずれかの方法で次の手順を実行します。

Speech Studio にサインインします。
選択 カスタムボイス><プロジェクト名>>モデルをトレーニング>新しいモデルをトレーニング。
モデルのトレーニング方法として [ニューラル] を選択し、[次へ] を選択します。別のトレーニング方法を使用するには、「ニューラル - 多言語またはニューラル - マルチスタイルまたはニューラル - 多言語またはニューラル - HD 音声」を参照してください。
モデルのトレーニングレシピのバージョンを選択します。既定では、最新バージョンが選択されています。サポートされている機能とトレーニング時間は、バージョンによって異なる場合があります。通常は、最新バージョンをお勧めします。場合によっては、以前のバージョンを選択してトレーニング時間を短縮できます。 2 か国語のトレーニングとロケール間の違いの詳細については、2 か国語のトレーニングを参照してください。

メモ

モデルバージョン V3.0、 V7.0 、および V8.0 は、2025 年 7 月 25 日に廃止されました。これらの廃止されたバージョンで既に作成されている音声モデルは影響を受けません。
トレーニングに使用するデータを選択します。重複するオーディオ名はトレーニングから削除されます。選択したデータに、複数の .zip ファイル間で同じオーディオ名が含まれていないことを確認します。

トレーニング用に正常に処理されたデータセットのみを選択できます。トレーニングセットが一覧に表示されない場合は、データ処理の状態を確認します。
トレーニングデータの話者に対応する音声タレントステートメントを含むスピーカーファイルを選択します。
[ 次へ] を選択します。
各トレーニングでは、既定のスクリプトを使用してモデルをテストするのに役立つ 100 個のサンプルオーディオファイルが自動的に生成されます。

必要に応じて、[独自の テストスクリプトの追加] を選択し、独自のテストスクリプトに最大 100 個の発話を提供して、追加料金なしでモデルをテストすることもできます。生成されたオーディオファイルは、自動テストスクリプトとカスタムテストスクリプトの組み合わせです。詳細については、テストスクリプトの要件を参照してください。
モデルを識別するのに役立つ名前を入力 します 。名前は慎重に選択してください。モデル名は、SDK と SSML 入力によって音声合成要求の音声名として使用されます。文字、数字、およびいくつかの句読点文字のみを使用できます。ニューラル音声モデルごとに異なる名前を使用します。
必要に応じて、モデルの識別に役立つ説明を入力します。説明の一般的な用途は、モデルの作成に使用したデータの名前を記録することです。
[ 次へ] を選択します。
設定を確認し、使用条件に同意するボックスを選択します。
[ 送信] を選択して、モデルのトレーニングを開始します。

2 か国語トレーニング

ニューラル トレーニングの種類を選択した場合は、複数の言語で話すように音声をトレーニングできます。 zh-CN、zh-HK、zh-TWロケールは、中国語と英語の両方を話す音声の二か国語トレーニングをサポートしています。合成された音声は、トレーニングデータの一部に応じて、英語のネイティブアクセントまたはトレーニングデータと同じアクセントを持つ英語を話すことができます。

メモ

zh-CN ロケールの音声がサンプルデータと同じアクセントで英語を話せるようにするには、英語データをコンテキスト トレーニングセットにアップロードするか、プロジェクトの作成時にChinese (Mandarin, Simplified), English bilingualを選択するか、REST API を使用してトレーニングセットデータのzh-CN (English bilingual)ロケールを指定する必要があります。

コンテキストトレーニングセットには、少なくとも 100 文または 10 分の英語コンテンツを含め、中国語コンテンツの量を超えないようにします。

ロケールの違いを次の表に示します。

Speech Studio ロケール	REST API ロケール	2 か国語サポート
`Chinese (Mandarin, Simplified)`	`zh-CN`	サンプルデータに英語が含まれている場合、合成された音声は、英語データの量に関係なく、サンプルデータと同じアクセントではなく、英語のネイティブアクセントで英語を話します。
`Chinese (Mandarin, Simplified), English bilingual`	`zh-CN (English bilingual)`	合成された音声でサンプルデータと同じアクセントで英語を話す場合は、トレーニングセットに 10% 以上の英語データを含めてお勧めします。それ以外の場合は、英語を話すアクセントが理想的ではない可能性があります。
`Chinese (Cantonese, Simplified)`	`zh-HK`	サンプルデータと同じアクセントで英語を話せる合成音声をトレーニングする場合は、トレーニングセットで 10% 以上の英語データを提供してください。それ以外の場合、既定では英語のネイティブアクセントになります。 10% しきい値は、アップロード前のデータではなく、アップロードが成功した後に受け入れられたデータに基づいて計算されます。一部のアップロードされた英語データが欠陥のために拒否され、10% のしきい値を満たしていない場合、合成された音声は既定で英語のネイティブアクセントになります。
`Chinese (Taiwanese Mandarin, Traditional)`	`zh-TW`	サンプルデータと同じアクセントで英語を話せる合成音声をトレーニングする場合は、トレーニングセットで 10% 以上の英語データを提供してください。それ以外の場合、既定では英語のネイティブアクセントになります。 10% しきい値は、アップロード前のデータではなく、アップロードが成功した後に受け入れられたデータに基づいて計算されます。一部のアップロードされた英語データが欠陥のために拒否され、10% のしきい値を満たしていない場合、合成された音声は既定で英語のネイティブアクセントになります。

Speech Studio にサインインします。
選択 カスタムボイス><プロジェクト名>>モデルをトレーニング>新しいモデルをトレーニング。
モデルのトレーニング方法として[ニューラル - マルチスタイル]を選択します。別のトレーニング方法を使用するには、「ニューラルまたはニューラル ( 多言語またはニューラル - 多言語またはニューラル - HD 音声)」を参照してください。
トレーニングするためのプリセットの話し方スタイルを1つ以上選択します。
トレーニングに使用するデータを選択します。重複するオーディオ名はトレーニングから削除されます。選択したデータに、複数の .zip ファイル間で同じオーディオ名が含まれていないことを確認します。

トレーニング用に正常に処理されたデータセットのみを選択できます。一覧にトレーニングセットが表示されない場合は、データ処理の状態を確認します。
[ 次へ] を選択します。
必要に応じて、他のカスタムスピーキングスタイルを追加できます。カスタムスタイルの最大数は言語によって異なります。English (米国) では最大 10 個のカスタムスタイルが許可され、Chinese (Mandarin, Simplified) では最大 4 つのカスタムスタイルが許可され、Japanese (Japan) では最大 5 つのカスタムスタイルが許可されます。
1. [ カスタムスタイルの追加] を選択し、任意のカスタムスタイル名を入力します。この名前は、style の要素内でアプリケーションによって使用されます。 Speech Studio のオーディオコンテンツ作成ツールを使用して、カスタムスタイル名を SSML として使用することもできます。
2. トレーニングデータとしてスタイルサンプルを選択します。カスタムスピーキングスタイルのトレーニングデータが、既定のスタイルの作成に使用されるデータと同じ話者から取得されていることを確認します。
[ 次へ] を選択します。
トレーニングデータの話者に対応する音声タレントステートメントを含むスピーカーファイルを選択します。
[ 次へ] を選択します。
各トレーニングでは、既定のスタイルに対して 100 個のサンプルオーディオファイルが自動的に生成され、既定のスクリプトでモデルをテストするのに役立つプリセットスタイルごとに 20 個が生成されます。

必要に応じて、[独自の テストスクリプトの追加] を選択し、独自のテストスクリプトに最大 100 個の発話を提供して、既定のスタイルを追加料金なしでテストすることもできます。生成されたオーディオファイルは、自動テストスクリプトとカスタムテストスクリプトの組み合わせです。詳細については、テストスクリプトの要件を参照してください。

モデルを識別するのに役立つ名前を入力 します 。名前は慎重に選択してください。モデル名は、SDK と SSML 入力によって音声合成要求の音声名として使用されます。文字、数字、およびいくつかの句読点文字のみを使用できます。ニューラル音声モデルごとに異なる名前を使用します。
必要に応じて、モデルの識別に役立つ説明を入力します。説明の一般的な用途は、モデルの作成に使用したデータの名前を記録することです。
[ 次へ] を選択します。
設定を確認し、使用条件に同意するボックスを選択します。
[ 送信] を選択して、モデルのトレーニングを開始します。

さまざまな言語で使用可能なプリセットスタイル

次の表は、さまざまな言語に応じたさまざまなプリセットスタイルをまとめたものです。

話し方	言語 (ロケール)
怒って	英語 (米国) (`en-US`) 日本語 (日本) (`ja-JP`) ¹ 中国語 (標準中国語、簡体字) (`zh-CN`) ¹
穏やか	中国語 (標準中国語、簡体字) (`zh-CN`) ¹
チャット	中国語 (標準中国語、簡体字) (`zh-CN`) ¹
陽気	英語 (米国) (`en-US`) 日本語 (日本) (`ja-JP`) ¹ 中国語 (標準中国語、簡体字) (`zh-CN`) ¹
不機嫌な	中国語 (標準中国語、簡体字) (`zh-CN`) ¹
ワクワク	英語 (米国) (`en-US`)
恐ろしい	中国語 (標準中国語、簡体字) (`zh-CN`) ¹
フレンドリー	英語 (米国) (`en-US`)
希望を抱く	英語 (米国) (`en-US`)
悲しい	英語 (米国) (`en-US`) 日本語 (日本) (`ja-JP`) ¹ 中国語 (標準中国語、簡体字) (`zh-CN`) ¹
大声で叫んで	英語 (米国) (`en-US`)
深刻	中国語 (標準中国語、簡体字) (`zh-CN`) ¹
怯えた	英語 (米国) (`en-US`)
非友好的	英語 (米国) (`en-US`)
ささやく	英語 (米国) (`en-US`)

¹ ニューラル音声スタイルは、パブリックプレビューで利用できます。パブリックプレビューでスタイルをサポートするリージョンの現在の一覧については、 Speech Service リージョンの表を参照してください。

Speech Studio にサインインします。
選択 カスタムボイス><プロジェクト名>>モデルをトレーニング>新しいモデルをトレーニング。
モデルのトレーニング方法として[ニューラル - クロスリンガル]を選択します。別のトレーニング方法を使用するには、ニューラルまたはニューラル ( マルチスタイルまたはニューラル - 多言語またはニューラル - HD 音声) を参照してください。
モデルのトレーニングレシピのバージョンを選択します。既定では、最新バージョンが選択されています。サポートされている機能とトレーニング時間は、バージョンによって異なる場合があります。通常は、最新バージョンをお勧めします。

メモ

モデルバージョン V3.0 は、2025 年 7 月 25 日に廃止されました。これらの廃止されたバージョンで既に作成されている音声モデルは影響を受けません。
あなたの音声が話すターゲット言語を選択します。音声は、トレーニングデータとは異なる言語を話します。音声モデルのターゲット言語は 1 つだけ選択できます。
トレーニングに使用するデータを選択します。重複するオーディオ名はトレーニングから削除されます。選択したデータに、複数の .zip ファイル間で同じオーディオ名が含まれていないことを確認します。

トレーニング用に正常に処理されたデータセットのみを選択できます。一覧にトレーニングセットが表示されない場合は、データ処理の状態を確認します。
トレーニングデータの話者に対応する音声タレントステートメントを含むスピーカーファイルを選択します。
[ 次へ] を選択します。
各トレーニングでは、既定のスクリプトを使用してモデルをテストするのに役立つ 100 個のサンプルオーディオファイルが自動的に生成されます。

必要に応じて、[独自の テストスクリプトの追加] を選択し、独自のテストスクリプトに最大 100 個の発話を提供して、追加料金なしでモデルをテストすることもできます。生成されたオーディオファイルは、自動テストスクリプトとカスタムテストスクリプトの組み合わせです。詳細については、「テストスクリプトの要件」を参照してください。
モデルを識別するのに役立つ名前を入力 します 。名前は慎重に選択してください。モデル名は、SDK と SSML 入力によって音声合成要求の音声名として使用されます。文字、数字、およびいくつかの句読点文字のみを使用できます。ニューラル音声モデルごとに異なる名前を使用します。
必要に応じて、モデルの識別に役立つ説明を入力します。説明の一般的な用途は、モデルの作成に使用したデータの名前を記録することです。
[ 次へ] を選択します。
設定を確認し、使用条件に同意するボックスを選択します。
[ 送信] を選択して、モデルのトレーニングを開始します。

トレーニングプロセスを監視する

[モデルのトレーニング] の表に、この新しく作成されたモデルに対応する新しいエントリが表示されます。状態は、次の表に示すように、データを音声モデルに変換するプロセスを反映します。

状態	意味
処理	音声モデルが作成されています。
成功	音声モデルが作成され、デプロイできます。
失敗しました	音声モデルがトレーニングに失敗しました。エラーの原因は、目に見えないデータの問題やネットワークの問題などです。
キャンセル	音声モデルのトレーニングが取り消されました。

モデルの状態が [処理中] の間は、[ トレーニングのキャンセル ] を選択して音声モデルを取り消すことができます。このキャンセルされたトレーニングには課金されません。

モデルのトレーニングをキャンセルする方法を示すスクリーンショット。

モデルのトレーニングが正常に完了したら、モデルの詳細を確認し、音声モデルをテストできます。

Speech Studio のオーディオコンテンツ作成ツールを使用して、オーディオを作成し、デプロイした音声を微調整できます。音声に該当する場合は、複数のスタイルのいずれかを選択できます。

モデルの名前を変更する

構築したモデルの名前を変更する場合は、[ モデルの複製 ] を選択して、現在のプロジェクトに新しい名前のモデルの複製を作成します。
[ 音声モデルの複製 ] ウィンドウに新しい名前を入力し、[ 送信 ] を選択します。 ニューラル は新しいモデル名に自動的にサフィックスとして追加されます。

音声モデルをテストする

音声モデルが正常に構築されたら、生成されたサンプルオーディオファイルを使用して、デプロイする前にテストできます。

メモ

ニューラル - 多言語とニューラル - HD 音声では、この種類のテストはサポートされていません。

音声の品質は、次のような多くの要因によって異なります。

トレーニングデータのサイズ。
録音の品質。
トランスクリプトファイルの精度。
トレーニングデータに記録された音声が、意図したユースケースに合わせて設計された音声の性格とどの程度一致しているか。

[テスト] で [DefaultTests] を選択して、サンプルオーディオファイルをリッスンします。既定のテストサンプルには、モデルのテストに役立つトレーニング中に自動的に生成される 100 個のサンプルオーディオファイルが含まれています。既定で提供されるこれらの 100 個のオーディオファイルに加えて、独自のテストスクリプト発話も DefaultTests セットに追加されます。この追加は、最大 100 個の発話です。 DefaultTests を使用したテストには課金されません。

[テスト] で DefaultTests を選択しているスクリーンショット。

独自のテストスクリプトをアップロードしてモデルをさらにテストする場合は、[ テストスクリプトの追加] を選択して独自のテストスクリプトをアップロードします。

モデルテストスクリプトの追加のスクリーンショット。

テストスクリプトをアップロードする前に、テストスクリプトの要件を確認します。課金対象の文字数に基づいて、バッチ合成による追加のテストに対して課金されます。 Azure Speech の価格を Foundry Tools の価格ページで参照してください。

[ テストスクリプトの追加] で、[ ファイルの参照 ] を選択して独自のスクリプトを選択し、[ 追加] を選択してアップロードします。

モデルテストスクリプトのアップロードのスクリーンショット。

テストスクリプトの要件

テストスクリプトは、1 MB 未満の .txt ファイルである必要があります。サポートされているエンコード形式には、ANSI/ASCII、UTF-8、UTF-8-BOM、UTF-16-LE、UTF-16-BE などがあります。

訓練用文字起こしファイルとは異なり、テストスクリプトでは各発話のファイル名である発話IDを除外する必要があります。それ以外の場合は、これらの ID が読み上げられます。

次の一例は、1つの.txtファイル内にある発話セットです。

This is the waistline, and it's falling.
We have trouble scoring.
It was Janet Maslin.

発話の各段落は、個別のオーディオになります。すべての文を 1 つのオーディオに結合する場合は、1 つの段落にします。

メモ

生成されたオーディオファイルは、自動テストスクリプトとカスタムテストスクリプトの組み合わせです。

音声モデルのエンジンバージョンを更新する

Azureテキスト読み上げエンジンは、言語の発音を定義する最新の言語モデルをキャプチャするために随時更新されます。音声をトレーニングしたら、最新のエンジンバージョンに更新することで、新しい言語モデルに音声を適用できます。

新しいエンジンが使用可能になると、ニューラル音声モデルを更新するように求められます。
モデルの詳細ページに移動し、画面の指示に従って最新のエンジンをインストールします。

または、[ 最新のエンジンを 後でインストールする] を選択して、モデルを最新のエンジンバージョンに更新します。

エンジンの更新には課金されません。以前のバージョンは引き続き保持されます。
モデルのすべてのエンジンバージョンは、エンジンの バージョンの一 覧から確認することも、不要な場合は削除することもできます。

更新されたバージョンは、既定として自動的に設定されます。ただし、ドロップダウンリストからバージョンを選択し、[既定 として設定] を選択することで、既定のバージョンを変更できます。

音声モデルの各エンジンバージョンをテストする場合は、一覧からバージョンを選択し、[テスト] の下の [DefaultTests] を選択してサンプルオーディオファイルをリッスンできます。独自のテストスクリプトをアップロードして現在のエンジンのバージョンをさらにテストする場合は、まずバージョンが既定として設定されていることを確認してから、「音声モデルをテストする」の手順に従います。

エンジンを更新すると、追加料金なしでモデルの新しいバージョンが作成されます。音声モデルのエンジンバージョンを更新した後、新しいバージョンをデプロイして新しいエンドポイントを作成する必要があります。既定のバージョンのみをデプロイできます。

音声モデルの新しいバージョンを再デプロイする方法を示すスクリーンショット。

新しいエンドポイントを作成したら、製品の新しいエンドポイントにトラフィックを転送する必要があります。

この機能の機能と制限、およびモデルの品質を向上させるためのベストプラクティスの詳細については、「カスタム音声を使用するための特性と制限事項」を参照してください。

音声モデルを別のプロジェクトにコピーする

音声モデルは、同じリージョンまたは別のリージョンの別のプロジェクトにコピーできます。たとえば、あるリージョンでトレーニングされたニューラル音声モデルを、別のリージョンのプロジェクトにコピーできます。

メモ

プロの音声微調整は現在、一部のリージョンでのみ使用できます。ニューラル音声モデルは、それらのリージョンから他のリージョンにコピーできます。詳細については、カスタム音声のリージョンを参照してください。

カスタム音声モデルを別のプロジェクトにコピーするには:

[ モデルのトレーニング ] タブで、コピーする音声モデルを選択し、[ プロジェクトにコピー] を選択します。
モデルをコピーする Subscription、Region、Speech リソース、および Project を選択します。ターゲットリージョンに音声リソースとプロジェクトが必要です。それ以外の場合は、最初に作成する必要があります。
[ 送信] を選択してモデルをコピーします。
コピーが成功した場合は、通知メッセージの下にある [ モデルの表示 ] を選択します。

モデルコピーを配置するためにモデルをコピーしたプロジェクトに移動します。

次の手順

プロフェッショナルな音声エンドポイントをデプロイする

この記事では、カスタム音声 API を使用してプロの音声を微調整する方法について説明します。

重要

プロの音声微調整は現在、一部のリージョンでのみ使用できます。サポートされているリージョンで音声モデルをトレーニングしたら、必要に応じて別のリージョンの Foundry リソースにコピーできます。詳細については、 Speech Service テーブルの脚注を参照してください。

トレーニング期間は、使用するデータの量によって異なります。プロの音声を微調整するには、平均で約 10 時間かかります。 Standard サブスクリプション (S0) ユーザーは、4 つの音声を同時にトレーニングできます。制限に達した場合は、少なくとも 1 つの音声モデルがトレーニングを完了するまで待ってから、もう一度やり直してください。

メモ

トレーニング方法ごとに必要な合計時間数は異なりますが、それぞれに同じ単価が適用されます。詳細については、カスタムニューラルトレーニングの価格の詳細を参照してください。

トレーニング方法を選択する

データファイルを検証したら、それらを使用してカスタム音声モデルを構築します。カスタム音声を作成する場合は、次のいずれかの方法でトレーニングできます。

ニューラル: トレーニングデータと同じ言語で音声を作成します。
ニューラル - HD 音声: トレーニングデータと同じ言語で HD 音声を作成します。 Azureニューラル HD 音声は LLM ベースで、動的な会話用に最適化されています。ニューラル HD 音声の詳細については、こちらをご覧ください。
ニューラル - マルチスタイル: 新しいトレーニングデータを追加せずに、複数のスタイルと感情で話すカスタム音声を作成します。複数のスタイルの音声は、ビデオゲームのキャラクター、会話チャットボット、オーディオブック、コンテンツリーダーなどに役立ちます。

複数のスタイルの音声を作成するには、一連の一般的なトレーニングデータ (少なくとも 300 個の発話) を準備する必要があります。 1 つ以上のプリセットターゲット読み上げスタイルを選択します。同じ音声の追加のトレーニングデータとして、スタイルサンプル (スタイルあたり少なくとも 100 個の発話) を提供することで、複数のカスタムスタイルを作成することもできます。サポートされているプリセットスタイルは、言語によって異なります。さまざまな言語で使用可能なプリセットスタイルを参照してください。
ニューラル - 多言語: トレーニングデータとは異なる言語を話す音声を作成します。たとえば、 fr-FR トレーニングデータを使用すると、 en-USを話す音声を作成できます。

トレーニングデータの言語とターゲット言語の両方が、多言語音声トレーニングでサポートされている言語の 1 つである必要があります。ターゲット言語でトレーニングデータを準備する必要はありませんが、テストスクリプトはターゲット言語である必要があります。

トレーニングデータの言語は、カスタム音声、多言語、または複数のスタイルまたは HD 音声のトレーニングでサポートされている言語のいずれかである必要があります。

音声モデルを作成する

ニューラル音声を作成するには、カスタム音声 API の Models_Create 操作を使用します。次の手順に従って要求本文を構築します。

必要な projectId プロパティを設定します。プロジェクトの作成を参照してください。
必要な consentId プロパティを設定します。音声タレントの同意を追加するを参照してください。
必要な trainingSetId プロパティを設定します。トレーニングセットの作成を参照してください。
ニューラル音声トレーニングに必要なレシピ kind プロパティを Default に設定します。レシピの種類はトレーニング方法を示し、後で変更することはできません。別のトレーニング方法を使用するには、「ニューラル - 多言語またはニューラル - マルチスタイルまたはニューラル - HD Voice」を参照してください。 2 か国語のトレーニングとロケール間の違いの詳細については、2 か国語のトレーニングを参照してください。
必要な voiceName プロパティを設定します。名前は慎重に選択してください。音声名は、SDK と SSML 入力によって音声合成要求で使用されます。文字、数字、およびいくつかの句読点文字のみを使用できます。ニューラル音声モデルごとに異なる名前を使用します。
必要に応じて、音声の説明の description プロパティを設定します。音声の説明は後で変更できます。

次の Models_Create 例に示すように、URI を使用して HTTP PUT 要求を行います。

YourResourceKeyを Speech リソースキーに置き換えます。
YourResourceNameを音声リソース名に置き換えます。
JessicaModelIdを、選択したモデル ID に置き換えます。大文字と小文字を区別する ID はモデルの URI で使用され、後で変更することはできません。

curl -v -X PUT -H "Ocp-Apim-Subscription-Key: YourResourceKey" -H "Content-Type: application/json" -d '{
  "voiceName": "JessicaNeural",
  "description": "Jessica voice",
  "recipe": {
    "kind": "Default"
  },
  "projectId": "ProjectId",
  "consentId": "JessicaConsentId",
  "trainingSetId": "JessicaTrainingSetId"
} '  "https://YourResourceName.cognitiveservices.azure.com/customvoice/models/JessicaModelId?api-version=2026-01-01"

次の形式で応答本文を受け取る必要があります。

{
  "id": "JessicaModelId",
  "voiceName": "JessicaNeural",
  "description": "Jessica voice",
  "recipe": {
    "kind": "Default",
    "version": "V10.0"
  },
  "projectId": "ProjectId",
  "consentId": "JessicaConsentId",
  "trainingSetId": "JessicaTrainingSetId",
  "locale": "en-US",
  "engineVersion": "2023.07.04.0",
  "status": "NotStarted",
  "createdDateTime": "2023-04-01T05:30:00.000Z",
  "lastActionDateTime": "2023-04-02T10:15:30.000Z"
}

HD 音声を作成するには、カスタム音声 API の Models_Create 操作を使用します。次の手順に従って要求本文を構築します。

必要な projectId プロパティを設定します。プロジェクトの作成を参照してください。
必要な consentId プロパティを設定します。音声タレントの同意を追加するを参照してください。
必要な trainingSetId プロパティを設定します。トレーニングセットの作成を参照してください。
ニューラル音声トレーニングに必要なレシピ kind プロパティを HD に設定します。レシピの種類はトレーニング方法を示し、後で変更することはできません。別のトレーニング方法を使用するには、「ニューラルまたはニューラル - 多言語またはニューラル - マルチスタイル」を参照してください。 2 か国語のトレーニングとロケール間の違いの詳細については、2 か国語のトレーニングを参照してください。
必要な voiceName プロパティを設定します。音声名は ":D ragonHDLatestNeural" で終わる必要があり、後で変更することはできません。名前は慎重に選択してください。音声名は、SDK と SSML 入力によって音声合成要求で使用されます。特定のサフィックスの前には、文字、数字、およびいくつかの句読点文字のみを使用できます。ニューラル音声モデルごとに異なる名前を使用します。
必要に応じて、音声の説明の description プロパティを設定します。音声の説明は後で変更できます。

次の Models_Create 例に示すように、URI を使用して HTTP PUT 要求を行います。

YourResourceKeyを Speech リソースキーに置き換えます。
YourResourceNameを音声リソース名に置き換えます。
JessicaModelIdを、選択したモデル ID に置き換えます。大文字と小文字を区別する ID はモデルの URI で使用され、後で変更することはできません。

curl -v -X PUT -H "Ocp-Apim-Subscription-Key: YourResourceKey" -H "Content-Type: application/json" -d '{
  "voiceName": "Jessica:DragonHDLatestNeural",
  "description": "Jessica HD voice",
  "recipe": {
    "kind": "HD"
  },
  "projectId": "ProjectId",
  "consentId": "JessicaConsentId",
  "trainingSetId": "JessicaTrainingSetId"
} '  "https://YourResourceName.cognitiveservices.azure.com/customvoice/models/JessicaModelId?api-version=2026-01-01"

次の形式で応答本文を受け取る必要があります。

{
  "id": "JessicaModelId",
  "voiceName": "Jessica:DragonHDLatestNeural",
  "description": "Jessica HD voice",
  "recipe": {
    "kind": "HD",
    "version": "V1.0"
  },
  "projectId": "ProjectId",
  "consentId": "JessicaConsentId",
  "trainingSetId": "JessicaTrainingSetId",
  "locale": "en-US",
  "engineVersion": "2023.07.04.0",
  "status": "NotStarted",
  "createdDateTime": "2023-04-01T05:30:00.000Z",
  "lastActionDateTime": "2023-04-02T10:15:30.000Z"
}

マルチスタイルのニューラル音声を作成するには、カスタム音声 API の Models_Create 操作を使用します。次の手順に従って要求本文を構築します。

必要な projectId プロパティを設定します。プロジェクトの作成を参照してください。
必要な consentId プロパティを設定します。音声タレントの同意を追加するを参照してください。
必要な trainingSetId プロパティを設定します。トレーニングセットの作成を参照してください。
必要なレシピ kind プロパティを、複数のスタイルの音声トレーニングの MultiStyle に設定します。レシピの種類はトレーニング方法を示し、後で変更することはできません。別のトレーニング方法を使用するには、「ニューラルまたはニューラル - 多言語またはニューラル - HD 音声」を参照してください。
必要な voiceName プロパティを設定します。名前は慎重に選択してください。音声名は、SDK と SSML 入力によって音声合成要求で使用されます。文字、数字、およびいくつかの句読点文字のみを使用できます。ニューラル音声モデルごとに異なる名前を使用します。
音声モデルの言語に必要な locale プロパティを設定します。
必要な presetStyles プロパティを、ターゲット言語で使用可能なプリセットスタイルの 1 つ以上に設定します。
必要に応じて、カスタムスピーキングスタイルのトレーニングデータを提供するように styleTrainingSetIds プロパティを設定します。カスタムスタイルの最大数は言語によって異なります。英語 (米国) では最大 10 個のカスタムスタイルが許可され、中国語 (標準、簡体字) では最大 4 つのカスタムスタイルが許可され、日本語 (日本) では最大 5 つのカスタムスタイルが許可されます。 styleTrainingSetIds プロパティは、スタイル名とトレーニングセット ID のディクショナリです。
- 辞書キーごとに、任意のカスタムスタイル名を指定します。この名前は、style の要素内でアプリケーションによって使用されます。
- 辞書値ごとに、同じ音声モデル用に既に作成したトレーニングセットの ID を指定します。トレーニングセットには、スタイルごとに少なくとも 100 個の発話が含まれている必要があります。
必要に応じて、音声の説明の description プロパティを設定します。音声の説明は後で変更できます。

次の Models_Create 例に示すように、URI を使用して HTTP PUT 要求を行います。

YourResourceKeyを Speech リソースキーに置き換えます。
YourResourceNameを音声リソース名に置き換えます。
JessicaModelIdを、選択したモデル ID に置き換えます。大文字と小文字を区別する ID はモデルの URI で使用され、後で変更することはできません。

curl -v -X PUT -H "Ocp-Apim-Subscription-Key: YourResourceKey" -H "Content-Type: application/json" -d '{
  "voiceName": "JessicaNeuralMultiStyle",
  "description": "Jessica multi-style voice",
  "recipe": {
    "kind": "MultiStyle"
  },
  "projectId": "ProjectId",
  "consentId": "JessicaConsentId",
  "trainingSetId": "JessicaTrainingSetId",
  "locale": "en-US",
  "properties": {
    "presetStyles": [
      "cheerful",
      "sad"
    ],
    "styleTrainingSetIds": {
      "happyJessica": "JessicaHappyTrainingSetId",
      "myStyle2": "JessicaStyle2TrainingSetId"
    }
  }
} '  "https://YourResourceName.cognitiveservices.azure.com/customvoice/models/JessicaModelId?api-version=2026-01-01"

次の形式で応答本文を受け取る必要があります。

{
  "id": "JessicaModelId",
  "voiceName": "JessicaNeuralMultiStyle",
  "description": "Jessica multi-style voice",
  "recipe": {
    "kind": "MultiStyle",
    "version": "V1.0"
  },
  "projectId": "ProjectId",
  "consentId": "JessicaConsentId",
  "trainingSetId": "JessicaTrainingSetId",
  "locale": "en-US",
  "engineVersion": "2023.07.04.0","properties": {
    "presetStyles": [
      "cheerful",
      "sad"
    ],
    "styleTrainingSetIds": {
      "happyJessica": "JessicaHappyTrainingSetId",
      "myStyle2": "JessicaStyle2TrainingSetId"
    },
    "voiceStyles": [
      "cheerful",
      "sad",
      "happyJessica",
      "myStyle2"
    ]
  }
  "status": "NotStarted",
  "createdDateTime": "2023-04-01T05:30:00.000Z",
  "lastActionDateTime": "2023-04-02T10:15:30.000Z"
}

多言語ニューラル音声を作成するには、カスタム音声 API の Models_Create 操作を使用します。次の手順に従って要求本文を構築します。

必要な projectId プロパティを設定します。プロジェクトの作成を参照してください。
必要な consentId プロパティを設定します。音声タレントの同意を追加するを参照してください。
必要な trainingSetId プロパティを設定します。トレーニングセットの作成を参照してください。
必要なレシピ kind プロパティを、多言語音声トレーニングの CrossLingual に設定します。レシピの種類はトレーニング方法を示し、後で変更することはできません。別のトレーニング方法を使用するには、「ニューラルまたはニューラル - マルチスタイルまたはニューラル - HD 音声」を参照してください。
必要な voiceName プロパティを設定します。名前は慎重に選択してください。音声名は、SDK と SSML 入力によって音声合成要求で使用されます。文字、数字、およびいくつかの句読点文字のみを使用できます。ニューラル音声モデルごとに異なる名前を使用します。
音声で話す言語に必要な locale プロパティを設定します。音声は、トレーニングデータとは異なる言語を話します。音声モデルに指定できるターゲット言語は 1 つだけです。
必要に応じて、音声の説明の description プロパティを設定します。音声の説明は後で変更できます。

次の Models_Create 例に示すように、URI を使用して HTTP PUT 要求を行います。

YourResourceKeyを Speech リソースキーに置き換えます。
YourResourceNameを音声リソース名に置き換えます。
JessicaModelIdを、選択したモデル ID に置き換えます。大文字と小文字を区別する ID はモデルの URI で使用され、後で変更することはできません。

curl -v -X PUT -H "Ocp-Apim-Subscription-Key: YourResourceKey" -H "Content-Type: application/json" -d '{
  "voiceName": "JessicaCrossLingualNeural",
  "description": "Jessica cross lingual voice",
  "recipe": {
    "kind": "CrossLingual"
  },
  "projectId": "ProjectId",
  "consentId": "JessicaConsentId",
  "trainingSetId": "Jessica-en-US-TrainingSetId",
  "locale": "fr-FR"
} '  "https://YourResourceName.cognitiveservices.azure.com/customvoice/models/JessicaModelId?api-version=2026-01-01"

次の形式で応答本文を受け取る必要があります。

{
  "id": "JessicaModelId",
  "voiceName": "JessicaNeuralCrossLingual",
  "description": "Jessica cross lingual voice",
  "recipe": {
    "kind": "CrossLingual",
    "version": "V5.0"
  },
  "projectId": "ProjectId",
  "consentId": "JessicaConsentId",
  "trainingSetId": "Jessica-en-US-TrainingSetId",
  "locale": "fr-FR",
  "engineVersion": "2023.11.14.0",
  "status": "NotStarted",
  "createdDateTime": "2023-04-01T05:30:00.000Z",
  "lastActionDateTime": "2023-04-02T10:15:30.000Z"
}

2 か国語トレーニング

ニューラル トレーニングの種類を選択した場合は、複数の言語で話すように音声をトレーニングできます。 zh-CN、zh-HK、zh-TWロケールは、中国語と英語の両方を話す音声の二か国語トレーニングをサポートしています。合成された音声は、トレーニングデータの一部に応じて、英語のネイティブアクセントまたはトレーニングデータと同じアクセントを持つ英語を話すことができます。

メモ

zh-CN ロケールの音声がサンプルデータと同じアクセントで英語を話せるようにするには、英語データをコンテキスト トレーニングセットにアップロードするか、プロジェクトの作成時にChinese (Mandarin, Simplified), English bilingualを選択するか、REST API を使用してトレーニングセットデータのzh-CN (English bilingual)ロケールを指定する必要があります。

コンテキストトレーニングセットには、少なくとも 100 文または 10 分の英語コンテンツを含め、中国語コンテンツの量を超えないようにします。

ロケールの違いを次の表に示します。

Speech Studio ロケール	REST API ロケール	2 か国語サポート
`Chinese (Mandarin, Simplified)`	`zh-CN`	サンプルデータに英語が含まれている場合、合成された音声は、英語データの量に関係なく、サンプルデータと同じアクセントではなく、英語のネイティブアクセントで英語を話します。
`Chinese (Mandarin, Simplified), English bilingual`	`zh-CN (English bilingual)`	合成された音声でサンプルデータと同じアクセントで英語を話す場合は、トレーニングセットに 10% 以上の英語データを含めてお勧めします。それ以外の場合は、英語を話すアクセントが理想的ではない可能性があります。
`Chinese (Cantonese, Simplified)`	`zh-HK`	サンプルデータと同じアクセントで英語を話せる合成音声をトレーニングする場合は、トレーニングセットで 10% 以上の英語データを提供してください。それ以外の場合、既定では英語のネイティブアクセントになります。 10% しきい値は、アップロード前のデータではなく、アップロードが成功した後に受け入れられたデータに基づいて計算されます。一部のアップロードされた英語データが欠陥のために拒否され、10% のしきい値を満たしていない場合、合成された音声は既定で英語のネイティブアクセントになります。
`Chinese (Taiwanese Mandarin, Traditional)`	`zh-TW`	サンプルデータと同じアクセントで英語を話せる合成音声をトレーニングする場合は、トレーニングセットで 10% 以上の英語データを提供してください。それ以外の場合、既定では英語のネイティブアクセントになります。 10% しきい値は、アップロード前のデータではなく、アップロードが成功した後に受け入れられたデータに基づいて計算されます。一部のアップロードされた英語データが欠陥のために拒否され、10% のしきい値を満たしていない場合、合成された音声は既定で英語のネイティブアクセントになります。

さまざまな言語で使用可能なプリセットスタイル

次の表は、さまざまな言語に応じたさまざまなプリセットスタイルをまとめたものです。

話し方	言語 (ロケール)
怒って	英語 (米国) (`en-US`) 日本語 (日本) (`ja-JP`) ¹ 中国語 (標準中国語、簡体字) (`zh-CN`) ¹
穏やか	中国語 (標準中国語、簡体字) (`zh-CN`) ¹
チャット	中国語 (標準中国語、簡体字) (`zh-CN`) ¹
陽気	英語 (米国) (`en-US`) 日本語 (日本) (`ja-JP`) ¹ 中国語 (標準中国語、簡体字) (`zh-CN`) ¹
不機嫌な	中国語 (標準中国語、簡体字) (`zh-CN`) ¹
ワクワク	英語 (米国) (`en-US`)
恐ろしい	中国語 (標準中国語、簡体字) (`zh-CN`) ¹
フレンドリー	英語 (米国) (`en-US`)
希望を抱く	英語 (米国) (`en-US`)
悲しい	英語 (米国) (`en-US`) 日本語 (日本) (`ja-JP`) ¹ 中国語 (標準中国語、簡体字) (`zh-CN`) ¹
大声で叫んで	英語 (米国) (`en-US`)
深刻	中国語 (標準中国語、簡体字) (`zh-CN`) ¹
怯えた	英語 (米国) (`en-US`)
非友好的	英語 (米国) (`en-US`)
ささやく	英語 (米国) (`en-US`)

¹ ニューラル音声スタイルは、パブリックプレビューで利用できます。パブリックプレビューでスタイルをサポートするリージョンの現在の一覧については、 Speech Service リージョンの表を参照してください。

トレーニングの状態を取得する

音声モデルのトレーニング状態を取得するには、カスタム音声 API の Models_Get 操作を使用します。次の手順に従って要求 URI を構築します。

次の Models_Get 例に示すように、URI を使用して HTTP GET 要求を行います。

YourResourceKeyを Speech リソースキーに置き換えます。
YourResourceNameを音声リソース名に置き換えます。
前の手順で別のモデル ID を指定した場合は、 JessicaModelId を置き換えます。

curl -v -X GET "https://YourResourceName.cognitiveservices.azure.com/customvoice/models/JessicaModelId?api-version=2026-01-01" -H "Ocp-Apim-Subscription-Key: YourResourceKey"

次の形式で応答本文を受け取る必要があります。

メモ

レシピ kind およびその他のプロパティは、音声のトレーニング方法によって異なります。この例では、レシピのタイプはニューラル音声トレーニング用の Default です。

{
  "id": "JessicaModelId",
  "voiceName": "JessicaNeural",
  "description": "Jessica voice",
  "recipe": {
    "kind": "Default",
    "version": "V7.2023.03"
  },
  "projectId": "ProjectId",
  "consentId": "JessicaConsentId",
  "trainingSetId": "JessicaTrainingSetId",
  "locale": "en-US",
  "engineVersion": "2023.07.04.0",
  "status": "Succeeded",
  "createdDateTime": "2023-04-01T05:30:00.000Z",
  "lastActionDateTime": "2023-04-02T10:15:30.000Z"
}

トレーニングが完了するまで数分待つ必要がある場合があります。最終的に、状態は Succeeded または Failedに変わります。

次の手順

プロフェッショナルな音声エンドポイントをデプロイする

トレーニング方法を選択する

カスタム音声モデルをトレーニングする

トレーニング プロセスを監視する

モデルの名前を変更する

音声モデルをテストする

テスト スクリプトの要件

音声モデルのエンジン バージョンを更新する

音声モデルを別のプロジェクトにコピーする

次の手順

トレーニング方法を選択する

カスタム音声モデルをトレーニングする

2 か国語トレーニング

トレーニング プロセスを監視する

モデルの名前を変更する

音声モデルをテストする

テスト スクリプトの要件

音声モデルのエンジン バージョンを更新する

音声モデルを別のプロジェクトにコピーする

次の手順

トレーニング方法を選択する

音声モデルを作成する

2 か国語トレーニング

さまざまな言語で使用可能なプリセット スタイル

トレーニングの状態を取得する

次の手順

フィードバック

その他のリソース

トレーニングプロセスを監視する

テストスクリプトの要件

音声モデルのエンジンバージョンを更新する

トレーニングプロセスを監視する

テストスクリプトの要件

音声モデルのエンジンバージョンを更新する

さまざまな言語で使用可能なプリセットスタイル