Doubao TTS
.env 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、ツールに voice_id を渡します。
現在の API
新しいコンソール 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 API キーでは X-Api-App-Id と 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。
長尺動画ナレーションの場合は、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 での使用法
TTS セレクター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,
})
またはプロバイダーを直接呼び出します:
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込みます:
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
- 有料ナレーションの全文生成前に、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、速度を承認してもらいます。
- 承認後のみ全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情報源です。
- 推定テキスト長ではなく、
sentences[].words[]からキャプションを作成します。 - 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分割され、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のリズムに従います。
パラメーター
voice_id:Doubaospeaker/ 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を使用します。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。
落ち着いた中国語の解説動画では、speech_rate: 0 から開始します。結果が承認されたフォーマット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、全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再生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 API キーにはX-Api-Keyを使用します。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ます。
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アーティファクトに出力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。