Doubao TTS(豆包语音合成)
.envファイルにDOUBAO_SPEECH_API_KEYが必要です。
デフォルトの音声を設定するにはDOUBAO_SPEECH_VOICE_TYPEを設定するか、ツール呼び出し時にvoice_idを渡します。
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は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。
長尺の動画ナレーションには、非同期エンドポイントの使用を推奨します:
POST https://openspeech.bytedance.com/api/v3/tts/submit
POST https://openspeech.bytedance.com/api/v3/tts/query
このエンドポイントはaudio_urlと、字幕作成に利用できるsentences[].words[]のタイミングメタデータを返します。
OpenMontageでの使用
TTSセレクタを使用して生成します:
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、プロバイダを直接呼び出します:
from tools.audio.doubao_tts import DoubaoTTS
result = DoubaoTTS().execute({
"text": "短いサンプル試聴テキスト。",
"voice_id": "zh_female_vv_uranus_bigtts",
"output_path": "projects/my-video/assets/audio/doubao_sample.mp3",
})
プロバイダは以下を出力します:
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。デフォルトは<output_path>.json
推奨ワークフロー
- フルナレーションの前に10〜15秒のサンプルを生成します。
- 音声の自然さ、アクセント、速度についてユーザーに承認を求めます。
- 承認後にのみフルナレーションを生成します。
- クエリJSONは保持してください。これが字幕タイミングの信頼できる情報源です。
- 推定文字数ではなく、
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、中国語の意味的なフレーズ単位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壊れ、理解を損なう可能性があります。
- ユーザーが明示的に以前の実行時間に合わせるよう要求しない限り、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
voice_id: Doubaoのspeaker/ 音声タイプ。デフォルトはDOUBAO_SPEECH_VOICE_TYPEです。resource_id: Doubao Speech 2.0の音声にはseed-tts-2.0を使用します。speech_rate:0が通常速度、100で2倍速、-50で0.5倍速です。sample_rate: デフォルトは24000です。enable_timestamp: デフォルトはtrueです。return_usage: デフォルトはtrueで、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/キーの組み合わせでは、zh-cnがunsupported additions explicit language zh-cnで拒否されます。
落ち着いた中国語解説動画の場合は、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、フルナレーションを再生成する前に、speech_rate: 25または50で短い比較サンプルを作成してください。ユーザーがDoubaoの自然なペースを好む場合、以前のプロバイダの時間に合わせるためだけに速度を上げないでください。
トラブルシューティング
load grant: requested grant not found: キータイプが間違っているか、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、生涯文字数、または同時実行数を超過しました。- タイムスタンプなし:
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てください。