Text-to-Speech

解決する課題

• アプリや IVR、読み上げ機能に自然な音声ナレーションを組み込みたいが、自前で音声合成エンジンを持つのは現実的でない
• 多言語・多リージョン向けに、統一した API で多数の言語と話者の音声を出し分けたい
• 録音スタジオやナレーターを使わずに、スクリプト変更のたびに即座に音声を再生成したい
• アクセシビリティ対応として、テキストコンテンツを音声で提供したい
• 読み上げの速度・ピッチ・区切り・発音などをプログラムで細かく制御したい

主要概念と用語

• 音声合成 (Speech Synthesis / TTS): テキストを入力に、人間の発話に近い音声波形を生成する処理。Text-to-Speech はこれをマネージド API として提供する
• 音声 (Voice): 言語・性別・話者の組み合わせ。言語コード（例: 日本語、英語など）と音声名で指定する。同じ言語でも複数の話者から選べる
• WaveNet / Neural2 / Studio 音声: ニューラルネットワークベースの高品質な音声群。従来の Standard 音声より自然で、用途や品質要件に応じて選択する
• SSML (Speech Synthesis Markup Language): 読み上げを制御するマークアップ言語。間（ポーズ）・強調・読み上げ速度・ピッチ・発音（音素指定）などを記述できる
• オーディオ設定 (AudioConfig): 出力の音声フォーマット（MP3、Linear16/WAV、OGG Opus など）、サンプリングレート、話速、ピッチ、音量ゲインなどの指定
• 音声プロファイル (Audio Profile): スマートスピーカー、電話回線、ヘッドホンなど再生機器に合わせて音質を最適化する設定
• カスタム音声 (Custom Voice): 自社で用意した音声データを使い、独自のブランド音声を学習・利用する機能（提供条件あり）
• Long Audio API: 長文テキストを非同期で長時間の音声に合成するための専用エンドポイント

仕様・制限・クォータ

• 入力はプレーンテキストまたは SSML。1 リクエストあたりの入力文字数には上限があり、長文は分割するか Long Audio API を使う
• 同期 API（synthesize）は短〜中程度のテキスト向けで、生成した音声バイト列をレスポンスで返す。長文はLong Audio APIで非同期に合成し、結果を Cloud Storage に出力する
• 多数の言語・方言・話者に対応し、Standard から WaveNet・Neural2・Studio まで品質の異なる音声を選べる。利用できる音声や言語は更新されるため、最新はドキュメントで確認する
• 出力フォーマットは MP3・Linear16（WAV）・OGG Opus などに対応。サンプリングレートや話速・ピッチも調整可能
• 1 分あたりのリクエスト数や処理文字数などにクォータがある。具体的な数値は変動・引き上げ申請可能のため、断定せずコンソールやドキュメントで都度確認する

内部の仕組み

利用者から見ると、Text-to-Speech は「テキスト・音声指定・出力設定」を受け取り、合成済みの音声データを返すステートレスなマネージド API です。内部では学習済みのニューラル音声合成モデルが、入力テキスト（または SSML）を解析して音素・韻律（イントネーションや間）を決定し、波形を生成します。

WaveNet や Neural2 といった音声は、従来の連結合成やパラメトリック合成と異なり、ニューラルネットワークが波形そのものを生成するため、より自然で滑らかな読み上げになります。SSML を与えると、文の区切りやポーズ、強調、特定語の発音などがマークアップの指示どおりに韻律へ反映されます。Long Audio API では、長文を分割・キュー処理して非同期に合成し、完成した音声を指定の Cloud Storage バケットへ書き出します。

設計パターン / ベストプラクティス

• 同じ文言を繰り返し読み上げる場合は、合成結果の音声を Cloud Storage にキャッシュして再利用し、無駄な再合成と課金を避ける
• 間や強調、固有名詞の読みなどの細かな制御が要るときはプレーンテキストではなく SSMLを使う
• 品質要件とコストのバランスで音声を選ぶ。デモや大量生成は標準寄り、ブランド体験や対話 UI はWaveNet/Neural2/Studioなどの高品質音声を選択する
• 再生環境が決まっているなら音声プロファイルで電話・スピーカー・ヘッドホン向けに最適化する
• 長文はLong Audio APIで非同期処理し、アプリ側はジョブ完了を待ってからストレージの音声を参照する
• リアルタイム対話なら、音声合成（TTS）と音声認識（Speech-to-Text）を組み合わせて音声インターフェースを構成する

運用・監視

• Cloud Monitoring / Cloud Logging で API のリクエスト数・レイテンシ・エラー率を監視する
• クォータ使用率を監視し、上限に近づいたら引き上げ申請や呼び出しレートの調整を行う
• リトライは指数バックオフで実装し、レート制限（429 相当）や一時的エラーに備える
• 合成コストは処理した文字数に比例するため、入力文字数や音声種別ごとの利用量を可視化しておく
• Long Audio API のジョブは完了状態をポーリングまたは確認し、失敗ジョブを検知できるようにする

コスト

セキュリティ

• 呼び出しは IAM で制御し、サービスアカウントには最小権限だけを付与する。アプリには直接の長期鍵を埋め込まず、ワークロード ID などの仕組みで認証する
• 通信は TLS で暗号化される。生成した音声を Cloud Storage に保存する場合は、バケットのアクセス制御と保存時暗号化（必要に応じて CMEK / Cloud KMS）を適用する
• 入力テキストに個人情報や機密情報が含まれ得る場合、ログ出力やキャッシュ先の保護に注意する
• ネットワーク境界を固めたい場合は VPC Service Controls で API アクセスの境界を設定する

Well-Architected の観点

• 運用上の優秀性: 音声合成エンジンの構築・運用を Google に任せられ、API 呼び出しだけで多言語の読み上げを実現できる。Monitoring/Logging で利用状況とエラーを継続的に把握し、クォータとリトライ方針を運用に組み込むことで、安定した音声生成パイプラインを維持できる

試験で問われるポイント

関連サービス・比較

ハンズオン / CLI例

# 1) API を有効化
gcloud services enable texttospeech.googleapis.com

# 2) アクセストークンを取得（認証ヘッダ用）
ACCESS_TOKEN=$(gcloud auth application-default print-access-token)

# 3) 合成リクエストの本文を作成（日本語・WaveNet 音声・MP3 出力）
cat > request.json <<'EOF'
{
  "input": { "text": "こんにちは。これはテキスト読み上げのサンプルです。" },
  "voice": { "languageCode": "ja-JP", "name": "ja-JP-Wavenet-A" },
  "audioConfig": { "audioEncoding": "MP3", "speakingRate": 1.0, "pitch": 0.0 }
}
EOF

# 4) Text-to-Speech API を呼び出し、Base64 の音声を取得
curl -s -X POST \
  -H "Authorization: Bearer ${ACCESS_TOKEN}" \
  -H "Content-Type: application/json; charset=utf-8" \
  -d @request.json \
  "https://texttospeech.googleapis.com/v1/text:synthesize" > response.json

# 5) レスポンス内の Base64 を MP3 ファイルへデコード
cat response.json | python -c "import sys,json,base64;open('output.mp3','wb').write(base64.b64decode(json.load(sys.stdin)['audioContent']))"

# 6) 利用可能な音声の一覧を確認
curl -s -H "Authorization: Bearer ${ACCESS_TOKEN}" \
  "https://texttospeech.googleapis.com/v1/voices?languageCode=ja-JP"