Doubao TTS
.env に DOUBAO_SPEECH_API_KEY が必要です。
デフォルトの話者を設定するには DOUBAO_SPEECH_VOICE_TYPE を設定するか、ツールに voice_id を渡してください。
現在のAPI
新しいコンソールのAPIキーフローを使用します:
X-Api-Key: ${DOUBAO_SPEECH_API_KEY}
X-Api-Resource-Id: seed-tts-2.0
新しいコンソールのAPIキーでは X-Api-App-Id や X-Api-Access-Key を使用しないでください。APIが load grant: requested grant not found を返す場合、キータイプまたは認証ヘッダーが間違っている可能性があります。
長尺動画のナレーションには、非同期エンドポイントを推奨します:
POST https://openspeech.bytedance.com/api/v3/tts/submit
POST https://openspeech.bytedance.com/api/v3/tts/query
これにより audio_url と、字幕作成に使用できる sentences[].words[] タイミングメタデータが返されます。
OpenMontageでの使用
TTSセレクターで生成:
from tools.audio.tts_selector import TTSSelector
result = TTSSelector().execute({
"preferred_provider": "doubao",
"text": "如果 AI 真的会改变未来,普通人到底该怎么参与?",
"voice_id": "zh_female_vv_uranus_bigtts",
"output_path": "projects/my-video/assets/audio/narration.mp3",
"speech_rate": 0,
"enable_timestamp": True,
})
またはプロバイダーを直接呼び出し:
from tools.audio.doubao_tts import DoubaoTTS
result = DoubaoTTS().execute({
"text": "短样本试听文本。",
"voice_id": "zh_female_vv_uranus_bigtts",
"output_path": "projects/my-video/assets/audio/doubao_sample.mp3",
})
プロバイダーは以下を書き出します:
output_path: ダウンロードされた音声ファイルmetadata_path: 完全なクエリ応答JSON。デフォルトでは<output_path>.json
推奨ワークフロー
- 本番ナレーションの前に、10〜15秒のサンプルを生成します。
- ユーザーに音声の自然さ、アクセント、スピードを承認してもらいます。
- 承認後、完全なナレーションを生成します。
- クエリJSONを保持します。これは字幕タイミングの信頼できるソースです。
- 推定テキスト長ではなく、
sentences[].words[]からキャプションを構築します。 - タイムスタンプを適用する前に、中国語の意味的な句でキャプションをグループ化します。固定文字数でのみ分割しないでください。「在不押单个公司的情况下」や「可能会被慢慢稀释」のようなフレーズが分割され、理解を損なう可能性があります。
- ユーザーが既存の実行時間に合わせるよう明示的に要求しない限り、動画の長さは承認された音声リズムに従わせます。
パラメーター
voice_id: Doubaoのspeaker/ 音声タイプ。デフォルトはDOUBAO_SPEECH_VOICE_TYPE。resource_id: Doubao Speech 2.0音声にはseed-tts-2.0を使用。speech_rate:0は標準、100は2倍、-50は0.5倍。sample_rate: デフォルト24000。enable_timestamp: デフォルトtrue。return_usage: デフォルトtrue。利用可能な場合に使用量メタデータを要求します。
デフォルトでは additions.explicit_language を渡さないでください。一部のエンドポイント/キーの組み合わせは zh-cn を拒否し unsupported additions explicit language zh-cn を返します。
落ち着いた中国語の解説動画では、speech_rate: 0 から始めてください。結果が承認された形式に対して長すぎる場合は、speech_rate: 25 または 50 で短い比較サンプルを作成してから、完全なナレーションを再生成します。ユーザーがDoubaoの自然なペースを好む場合、以前のプロバイダーの時間に合わせるために音声を高速化しないでください。
トラブルシューティング
load grant: requested grant not found: キータイプまたは認証ヘッダーが間違っています。新しいコンソールのAPIキーにはX-Api-Keyを使用してください。speaker permission denied: 音声IDが間違っているか、選択したリソースに対して許可されていません。quota exceeded: クォータ、ライフタイム文字数、または同時実行数を超えました。- タイムスタンプがない場合:
enable_timestamp: trueを確認し、クエリJSONを保持し、選択したエンドポイントがsentencesを返したことを確認してください。
安全性
APIキーをログ、メタデータ、パッチ、またはプロジェクトの成果物に印刷または書き込まないでください。.env.example には空の変数名のみを含める必要があります。