StepAudio 2.5 TTS - StepAudioが開発した、文脈認識型の音声生成モデル。

StepAudio 2.5 TTS の使い方

• アクセスを取得するStepfun Open Platform（https://platform.stepfun.com/docs/zh/guides/models/stepaudio-2.5-tts）にアクセスしてアカウントを登録し、コンソールからAPIキーを取得してください。
• アクセス方法を選択してください：
  • オンライン体験試してみたい場合は、https://www.stepfun.com/studio/audio のエクスペリエンスセンター、または https://stepaudiollm.github.io/step-audio-2.5-tts/ のデモページにアクセスしてください。
  • API呼び出し状況に応じて、非ストリーミング（品質重視）インターフェースまたはストリーミング（低遅延）インターフェースのいずれかを選択してください。
• コンテキスト指示を記述する：
  • 設定 instruction（グローバルな状況）文章全体の雰囲気を自然な言葉で表現してください。例えば、「声は極めて緊張しており、話し方は速く途切れ途切れで、明らかに抑圧されている様子がうかがえた。」など。
  • 編集 input テキスト（文脈）厳密な制御が必要な文には括弧を挿入してください。 () 「（声を低くして）ねえ…僕の携帯を見て。（短く息を吸い込む）」のように、雰囲気や間合いに注目してください。
• API呼び出し
  • 非流動：に向かって https://api.stepfun.com/v1/audio/speech モデル、音声、入力、および指示のパラメータを含むPOSTリクエストを送信します。
  • フローサイトメトリーWebSocket経由で接続 wss://api.stepfun.com/v1/realtime/audioまず送信してください tts.create セッションを確立し、 tts.text.delta 括弧付きの指示を含むテキストストリームをプッシュします
• 音声再生（オプション）音声を複製するには、対象の音声の参照音声ファイルを少なくとも3秒間用意し、次に... /v1/audio/voices/preview 音声サンプルを聴いて、確認が取れたら、公式のサウンドアセットを作成してください。

StepAudio 2.5 TTSの主要情報と使用要件

• モデルの基本
  • このモデルタイプは、コンテキスト認識型音声合成（Context-Aware Speech Synthesis）であり、自然言語理解に基づいて音声性能を実現し、グローバルコンテキスト（全体的なトーン）とテキストコンテキスト（文内詳細）の両方の制御をサポートします。
  • セッションあたりの最大入力文字数は1000文字、最大指示文字数（全体的な文脈に応じた自然言語ガイダンス）は200文字です。
• 価格基準
  • 文脈に応じたテキスト読み上げ：5.8元/10,000文字
  • 音声複製／生成：9.9元／音声（リスニングインターフェースでは合成のみ料金が発生し、複製が成功した時点で即座に支払いが行われます）。
• アクセス方法
  • 非ストリーミング音声合成: POST /v1/audio/speech は、完全な音声ファイルを一度に合成します。
  • ストリーミング音声合成：WebSocket /v1/realtime/audio、対話シナリオに適した低遅延ストリーミング応答。
  • リマスター版プレビュー: POST /v1/audio/voices/preview、公式サウンドアセットを作成せずにクイックプレビュー。
• 使用制限
  • 括弧は、テキスト内の文脈を制御するために使用されます。 () 同封の指示書（括弧内の内容）は、指示書としてのみ扱われ、直接読み上げられることはありません。
  • ゼロショットトーン複製では、わずか3秒間の基準音声のみが必要で、複製されたトーンは音のニュアンスを制御する能力を完全に継承します。
  • Step PlanおよびStep Planオープンプラットフォームは完全に稼働しており、ユーザーはAPIを直接呼び出したり、オンラインでサービスを利用したりできるようになりました。

StepAudio 2.5 TTSの主な利点

• 自然言語代替タグ付けシステム「悲しみ／怒り」といった従来の固定的なラベルを捨て、「抑えた悲しみ、泣き声なし、かすかな震え」といった複雑な自然言語を用いた正確なトーン描写をサポートすることで、感情調整のハードルを大幅に下げています。
• 二段階のコンテキストに応じた精密制御グローバルコンテキストは全体的な感情的なトーンとキャラクターの状態を制御し、インラインコンテキストは... () 括弧は、各文のリズム、間、呼吸を微調整するために使用され、マクロからミクロの視点へと導く立体的なサウンドを実現します。
• ゼロショット完全制御レプリカわずか3秒の参照音声だけであらゆる音色を複製でき、複製された音色はコンテキスト制御機能を完全に継承するため、固定音源ライブラリの限界を克服します。同じ声で多様な感情表現が可能になります。
• パフォーマンスレベルのボーカルクオリティこのシステムは、休止、強調、イントネーションの切り替えといったリズム面の大幅な改善に加え、音声の質の向上も実現しています。従来の音声合成（TTS）につきものの「プラスチックのような」「AIのような」印象を払拭し、「すべての言葉が表情豊かに」聞こえる、まるで生きているかのようなパフォーマンス効果を実現しています。
• 参入障壁が低く、柔軟性が高い専門的なオーディオ知識は一切不要です。「自分のニーズを声に出して伝える」だけで、複雑な感情表現を自在にコントロールできます。また、ストリーミングなし（高音質）モードとストリーミングあり（低遅延）モードの両方に対応しており、コンテンツ制作からリアルタイムの対話まで、あらゆる用途に適応します。

StepAudio 2.5 TTSの競合製品比較

StepAudio 2.5 TTSの応用シナリオ

• 映画とアニメーションの吹き替え全体的な文脈の中でキャラクターの感情的なトーンを設定し、テキストのトーンや間を細かく調整することで、プロレベルのキャラクター吹き替えが実現し、キャラクターの声に深みとリアリティが生まれます。
• オーディオブックとポッドキャストの制作二段階のコンテキスト制御機能を活用することで、異なるキャラクターにそれぞれ独自の声の個性を与えることができ、没入感のある複数人によるオーディオコンテンツを作成したり、プロフェッショナルなオーディオ制作へのハードルを下げることができます。
• ゲーム音声生成ゲームキャラクターの完全な音声キャラクタープロファイルを作成し、声質から性格まで包括的なカスタマイズを実現することで、NPCがシーンの雰囲気に合った生き生きとした表情を持つことを可能にします。
• インテリジェント音声アシスタントストリーミング音声合成の低遅延性を活用することで、インテリジェントな顧客サービスやAIアシスタントに自然な会話能力を与え、ユーザーの感情に合わせてリアルタイムで文脈を調整することを可能にします。
• 広告およびマーケティングコンテンツゼロショット音源複製技術を用いてブランド固有のサウンドを素早く複製し、これをコンテキスト制御と組み合わせることで、一貫性のあるスタイルと豊かな感情表現を備えたマーケティング用オーディオ素材を生成できます。