音声合成アバターにバッチ合成を使用する

text to speechアバター用のバッチ合成 API を使用すると、テキストをビデオファイルとして話すアバターに非同期的に合成できます。パブリッシャーとビデオコンテンツプラットフォームでは、この API を使って、アバタービデオコンテンツをバッチで作成できます。このアプローチは、トレーニング資料、プレゼンテーション、広告などのさまざまなユースケースに適しています。

合成アバタービデオは、システムがテキスト入力を受信した後に非同期的に生成されます。生成されたビデオ出力は、バッチモード合成でダウンロードできます。合成用のテキストを送信し、合成状態をポーリングして、状態が成功を示したらビデオ出力をダウンロードします。テキスト入力形式は、プレーンテキストまたは SSML (音声合成マークアップ言語) テキストである必要があります。

次の図は、ワークフローの概要を示しています。

Microsoft Foundry のtext to speechアバター機能をお試しください。

[前提条件]

Azure サブスクリプション。
あるファウンドリプロジェクト。 projectを作成する必要がある場合は、「Microsoft Foundry プロジェクトの作成」を参照してください。

テキスト読み上げアバターを試す

次の手順に従って、Foundry ポータルでtext to speechしてみてください。

Microsoft Foundry に移動>。
右上のメニューから [ビルド ] を選択します。
左側のウィンドウで [ モデル ] を選択します。
AI Services タブには、Foundry ポータルですぐに使用できるAzure AI モデルが表示されます。 Azure Speech - テキスト読み上げ Avatar を選択して、テキスト読み上げアバタープレイグラウンドを開きます。
グリッドから事前構築済みのアバターを選択し、[音声] ドロップダウンメニューから音声を選択します。
カスタムアバターまたはカスタムビデオ作成ワークフローの場合は、同じ Foundry プロジェクトで Build>Fine-tune を使用します。これらのオーサリングオプションは、承認された顧客が利用できます。
右側のテキストボックスにサンプルテキストを入力します。
合成音声がテキストを読み上げるには、[ 再生 ] を選択します。
[生成されたビデオ] タブに切り替えて、自然な顔の動きとジェスチャーでテキストを話すアバターのビデオ出力を表示します。
Code タブに切り替えて、アプリケーションでtext to speechアバター機能を使用するためのサンプルコードを取得します。

その他のFoundryの新機能

Foundry (新しい) ポータルでは、次の音声機能を使用できます。

バッチ合成を実行するには、次の REST API 操作を使用できます。

操作	メソッド	REST API の呼び出し
バッチ合成の作成	PUT	avatar/batchsyntheses/{SynthesisId}?api-version=2024-08-01
バッチ合成の取得	GET	avatar/batchsyntheses/{SynthesisId}?api-version=2024-08-01
バッチ合成の一覧表示	GET	avatar/batchsyntheses/?api-version=2024-08-01
バッチ合成の削除	削除	avatar/batchsyntheses/{SynthesisId}?api-version=2024-08-01

GitHubのコードサンプルを参照できます。

バッチ合成要求を作成する

新しいバッチ合成ジョブを作成するときは、JSON 形式の一部のプロパティが必要です。他のプロパティは省略可能です。バッチ合成応答には、合成の状態と結果に関する情報を提供する他のプロパティが含まれています。たとえば、outputs.result プロパティには、アバタービデオが含まれるビデオファイルのダウンロード元の場所が設定されています。 outputs.summary から、概要とデバッグの詳細を取得できます。

バッチ合成要求を送信するには、次の手順に従って HTTP POST 要求本文を構築します:

必須の inputKind プロパティを設定します。
inputKind プロパティが PlainText に設定されている場合、voice で synthesisConfig プロパティも設定する必要があります。次の例では、 inputKind は SSML に設定されているため、 speechSynthesis は設定されません。
必須の SynthesisId プロパティを設定します。同じ音声リソースに対して一意の SynthesisId を選択します。 SynthesisId は 3 文字から 64 文字までの文字列になります。文字、数字、'-'、'_' を含めることができますが、文字または数字で始め、文字または数字で終わる必要があります。
必要な talkingAvatarCharacter プロパティと talkingAvatarStyle プロパティを設定します。サポートされているアバターのキャラクターとスタイルは、hereで確認できます。
必要に応じて、videoFormat や backgroundColor などのプロパティを設定することもできます。詳細については、「バッチ合成プロパティを参照してください。

注

許容される最大 JSON ペイロードサイズは 500 キロバイトです。

各音声リソースでは、最大 200 個のバッチ合成ジョブを同時に実行できます。

出力ビデオの最大長は現在 20 分であり、今後増加する可能性があります。

HTTP PUT 要求は、次の例に示すように URI を使用して行います。 YourSpeechKeyを Speech リソースキーに置き換え、Speech リソース名でYourResourceNameし、前述のように要求本文のプロパティを設定します。

curl -v -X PUT -H "Ocp-Apim-Subscription-Key: YourSpeechKey" -H "Content-Type: application/json" -d '{
    "inputKind": "SSML",
    "inputs": [
        {
         "content": "<speak version='\''1.0'\'' xml:lang='\''en-US'\''><voice name='\''en-US-AvaMultilingualNeural'\''>The rainbow has seven colors.</voice></speak>"
        }
    ],
    "avatarConfig": {
        "talkingAvatarCharacter": "lisa",
        "talkingAvatarStyle": "graceful-sitting"
    }
}'  "https://YourResourceName.cognitiveservices.azure.com/avatar/batchsyntheses/my-job-01?api-version=2024-08-01"

次の形式で応答本文を受け取る必要があります。

{
    "id": "my-job-01",
    "internalId": "5a25b929-1358-4e81-a036-33000e788c46",
    "status": "NotStarted",
    "createdDateTime": "2024-03-06T07:34:08.9487009Z",
    "lastActionDateTime": "2024-03-06T07:34:08.9487012Z",
    "inputKind": "SSML",
    "customVoices": {},
    "properties": {
        "timeToLiveInHours": 744,
    },
    "avatarConfig": {
        "talkingAvatarCharacter": "lisa",
        "talkingAvatarStyle": "graceful-sitting",
        "videoFormat": "Mp4",
        "videoCodec": "hevc",
        "subtitleType": "soft_embedded",
        "bitrateKbps": 2000,
        "customized": false
    }
}

status プロパティは、NotStarted 状態から Running に、そして最後に Succeeded または Failed へと推移します。と Succeeded のどちらかの状態が返されるまで、Failed を定期的に呼び出すことができます。

バッチ合成を取得する

バッチ合成ジョブの状態を取得するには、次の例に示すような URI を使って HTTP GET 要求を行います。

YourSynthesisId をバッチ合成 ID に置き換え、YourSpeechKey を音声リソースキーに置き換えて、YourSpeechRegion を音声リソースリージョンに置き換えます。

curl -v -X GET "https://YourResourceName.cognitiveservices.azure.com/avatar/batchsyntheses/YourSynthesisId?api-version=2024-08-01" -H "Ocp-Apim-Subscription-Key: YourSpeechKey"

次の形式で応答本文を受け取る必要があります。

{
    "id": "my-job-01",
    "internalId": "5a25b929-1358-4e81-a036-33000e788c46",
    "status": "Succeeded",
    "createdDateTime": "2024-03-06T07:34:08.9487009Z",
    "lastActionDateTime": "2024-03-06T07:34:12.5698769",
    "inputKind": "SSML",
    "customVoices": {},
    "properties": {
        "timeToLiveInHours": 744,
        "sizeInBytes": 344460,
        "durationInMilliseconds": 2520,
        "succeededCount": 1,
        "failedCount": 0,
        "billingDetails": {
            "neuralCharacters": 29,
            "talkingAvatarDurationSeconds": 2
        }
    },
    "avatarConfig": {
        "talkingAvatarCharacter": "lisa",
        "talkingAvatarStyle": "graceful-sitting",
        "videoFormat": "Mp4",
        "videoCodec": "hevc",
        "subtitleType": "soft_embedded",
        "bitrateKbps": 2000,
        "customized": false
    },
    "outputs": {
        "result": "https://stttssvcprodusw2.blob.core.windows.net/batchsynthesis-output/xxxxx/xxxxx/0001.mp4?SAS_Token",
        "summary": "https://stttssvcprodusw2.blob.core.windows.net/batchsynthesis-output/xxxxx/xxxxx/summary.json?SAS_Token"
    }
}

outputs.result フィールドから、アバタービデオを含むビデオファイルをダウンロードできます。 outputs.summary フィールドを使うと、概要とデバッグの詳細をダウンロードできます。バッチ合成の結果の詳細については、「バッチ合成の結果」を参照してください。

バッチ合成を一覧表示する

音声リソースのすべてのバッチ合成ジョブを一覧表示するには、以下の例に示したように、URI を使用して HTTP GET 要求を行います。

YourSpeechKeyを Speech リソースキーに置き換え、YourResourceNameを Speech リソース名に置き換えます。 URL には、必要に応じて、skip と top (ページサイズ) のクエリパラメーターを設定できます。 skip の既定値は 0 で、maxpagesize の既定値は 100 です。

curl -v -X GET "https://YourResourceName.cognitiveservices.azure.com/avatar/batchsyntheses?skip=0&maxpagesize=2&api-version=2024-08-01" -H "Ocp-Apim-Subscription-Key: YourSpeechKey"

次の形式で応答本文を受け取る必要があります:

{
    "value": [
        {
            "id": "my-job-02",
            "internalId": "14c25fcf-3cb6-4f46-8810-ecad06d956df",
            "status": "Succeeded",
            "createdDateTime": "2024-03-06T07:52:23.9054709Z",
            "lastActionDateTime": "2024-03-06T07:52:29.3416944",
            "inputKind": "SSML",
            "customVoices": {},
            "properties": {
                "timeToLiveInHours": 744,
                "sizeInBytes": 502676,
                "durationInMilliseconds": 2950,
                "succeededCount": 1,
                "failedCount": 0,
                "billingDetails": {
                    "neuralCharacters": 32,
                    "talkingAvatarDurationSeconds": 2
                }
            },
            "avatarConfig": {
                "talkingAvatarCharacter": "lisa",
                "talkingAvatarStyle": "casual-sitting",
                "videoFormat": "Mp4",
                "videoCodec": "h264",
                "subtitleType": "soft_embedded",
                "bitrateKbps": 2000,
                "customized": false
            },
            "outputs": {
                "result": "https://stttssvcprodusw2.blob.core.windows.net/batchsynthesis-output/xxxxx/xxxxx/0001.mp4?SAS_Token",
                "summary": "https://stttssvcprodusw2.blob.core.windows.net/batchsynthesis-output/xxxxx/xxxxx/summary.json?SAS_Token"
            }
        },
        {
            "id": "my-job-01",
            "internalId": "5a25b929-1358-4e81-a036-33000e788c46",
            "status": "Succeeded",
            "createdDateTime": "2024-03-06T07:34:08.9487009Z",
            "lastActionDateTime": "2024-03-06T07:34:12.5698769",
            "inputKind": "SSML",
            "customVoices": {},
            "properties": {
                "timeToLiveInHours": 744,
                "sizeInBytes": 344460,
                "durationInMilliseconds": 2520,
                "succeededCount": 1,
                "failedCount": 0,
                "billingDetails": {
                    "neuralCharacters": 29,
                    "talkingAvatarDurationSeconds": 2
                }
            },
            "avatarConfig": {
                "talkingAvatarCharacter": "lisa",
                "talkingAvatarStyle": "graceful-sitting",
                "videoFormat": "Mp4",
                "videoCodec": "hevc",
                "subtitleType": "soft_embedded",
                "bitrateKbps": 2000,
                "customized": false
            },
            "outputs": {
                "result": "https://stttssvcprodusw2.blob.core.windows.net/batchsynthesis-output/xxxxx/xxxxx/0001.mp4?SAS_Token",
                "summary": "https://stttssvcprodusw2.blob.core.windows.net/batchsynthesis-output/xxxxx/xxxxx/summary.json?SAS_Token"
            }
        }
    ],
    "nextLink": "https://YourResourceName.cognitiveservices.azure.com/avatar/batchsyntheses/?api-version=2024-08-01&skip=2&maxpagesize=2"
}

outputs.result から、アバタービデオを含むビデオファイルをダウンロードできます。 outputs.summary から、概要とデバッグの詳細を取得できます。詳細については、「バッチ合成の結果」を参照してください。

合成要求は、JSON 応答の value プロパティにリストされます。一覧は改ページ調整され、最大ページサイズは 100 です。ページ分割されたリストの後続ページを取得するための nextLink プロパティが必要に応じて提供されます。

バッチ合成の結果ファイルを取得する

status が "Succeeded" であるバッチ合成ジョブを取得したら、ビデオ出力の結果をダウンロードできます。 outputs.resultしたときに返されるプロパティから得られる URL を使用します。

バッチ合成の結果ファイルを取得するには、以下の例に示した URI を使用して HTTP GET 要求を行います。 YourOutputsResultUrl は、outputs.resultしたときに返されるプロパティから得られる URL に置き換えます。 YourSpeechKey をSpeech リソースキーに置き換えます。

curl -v -X GET "YourOutputsResultUrl" -H "Ocp-Apim-Subscription-Key: YourSpeechKey" > output.mp4

バッチ合成の概要ファイルを取得するには、以下の例に示した URI を使用して HTTP GET 要求を行います。 YourOutputsResultUrl は、outputs.summaryしたときに返されるプロパティから得られる URL に置き換えます。 YourSpeechKey をSpeech リソースキーに置き換えます。

curl -v -X GET "YourOutputsSummaryUrl" -H "Ocp-Apim-Subscription-Key: YourSpeechKey" > summary.json

summary ファイルには、各テキスト入力の合成結果が含まれます。 summary.json ファイルの例を次に示します:

{
  "jobID": "5a25b929-1358-4e81-a036-33000e788c46",
  "status": "Succeeded",
  "results": [
    {
      "texts": [
        "<speak version='1.0' xml:lang='en-US'><voice name='en-US-AvaMultilingualNeural'>The rainbow has seven colors.</voice></speak>"
      ],
      "status": "Succeeded",
      "videoFileName": "244a87c294b94ddeb3dbaccee8ffa7eb/5a25b929-1358-4e81-a036-33000e788c46/0001.mp4",
      "TalkingAvatarCharacter": "lisa",
      "TalkingAvatarStyle": "graceful-sitting"
    }
  ]
}

バッチ合成を削除する

オーディオ出力の結果を取得し、バッチ合成ジョブの履歴が不要になった後は、それを削除できます。音声サービスによって各合成の履歴が保持される期間は、最大 31 日間または要求の timeToLiveInHours プロパティで指定されている期間の、どちらか早い方です。状態が "Succeeded" または "Failed" である合成ジョブの自動削除の日時は、lastActionDateTime と timeToLive プロパティの合計として計算されます。

バッチ合成ジョブを削除するには、以下の例に示した URI を使用して HTTP DELETE 要求を行います。 YourSynthesisIdをバッチ合成 ID に置き換え、YourSpeechKeyを Speech リソースキーに置き換え、YourResourceNameを音声リソース名に置き換えます。

curl -v -X DELETE "https://YourResourceName.cognitiveservices.azure.com/avatar/batchsyntheses/YourSynthesisId?api-version=2024-08-01" -H "Ocp-Apim-Subscription-Key: YourSpeechKey"

削除要求が成功した場合、応答ヘッダーには HTTP/1.1 204 No Content が含まれ明日。

次のステップ

フィードバック

このページはお役に立ちましたか?

Last updated on 2026-04-30