サンプリング・レートの決定

このサービスから返される音声のサンプリング・レートを調べる最も確実な方法は、音声ストリーム自体から情報を抽出することです。 レートを調べるには、単純なテキスト (「hello world」など) を使って /v1/synthesize メソッドを呼び出し、使用する予定のフォーマットとコーデックを指定します。 次に、音声ストリームをファイルに保存し、それをオーディオ・プレイヤー (音声ファイルの再生にリストされているものなど) で開けば、サンプリング・レートを入手できます。

audio/alaw フォーマット

A-law (audio/alaw) は、audio/basicフォーマットおよびaudio/mulawフォーマットに類似した u-law (または mu-law) データを使用してエンコードされた単一チャネルの非可逆音声フォーマットです。ただし、A-law アルゴリズムは異なるシグナル特性を生成します。 このフォーマットでサンプリング・レートを指定する必要があります。 例えば、8 kHz でサンプリングされた音声の場合はaudio/alaw;rate=8000を指定します。

返される音声のストリーミングの性質により、生成される A-law 音声はすべての音声プレイヤーで機能しない可能性があります。 具体的には、音声の長さに関係なく、音声ストリームのヘッダーの属性 numSamples が 0 に設定されます。

audio/basic フォーマット

基本音声 は、サンプリング・レート 8 kHz で 8 ビットの u-law (または mu-law) データを使用してエンコードされた単一チャネルの非可逆音声フォーマットです。 このフォーマットが最低限の水準のメディア・タイプになります。 このフォーマットの音声のサンプリング・レートは常に 8 kHz です。

詳しくは、以下を参照してください

• インターネット技術タスクフォース（IETF）コメント要求（RFC）2046
• iana.org/assignments/media-types/audio/basic

audio/flac フォーマット

FLAC (Free Lossless Audio Codec) (.flac) は、無損失圧縮音声コーディング・フォーマットです。 オプションで、デフォルトの 22,050 Hz 以外のサンプリング・レートを指定できます。

audio/l16 フォーマット

16 ビットのリニア PCM (Pulse-Code Modulation) は、非圧縮音声データ・フォーマット (多くの場合は .raw または .pcm) です。 この音声フォーマットでは、サンプリング・レートを指定する必要があります。 例えば、16 kHz で音声をサンプリングする場合は audio/l16;rate=16000 を指定します。

オプションで、endianness パラメーターを使用して音声のエンディアンネスを指定できます。 エンディアンネスは、基盤となるコンピューター・アーキテクチャーによるデータ・バイトの配列を示します。

• ビッグ・エンディアン (endianness=big-endian) は、最上位ビットを基準としてデータを配列します。
• リトル・エンディアン (endianness=little-endian) は、最下位ビットを基準としてデータを配列します。

例えば、16 kHz でサンプリングし、ビッグ・エンディアンの順序で返される音声を取得するには、audio/l16;rate=16000;endianness=big-endian と指定します。 エンディアンネスを省略した場合、デフォルトでリトル・エンディアンです。 (エンディアンネスの指定が問題となるのは、ヘッダーが組み込まれない audio/l16 フォーマットの場合のみです。 エンディアンネスは、他のフォーマットでは関係ありません。)

詳しくはIETF Request for Comment(RFC)2586を参照のこと。

audio/mp3 フォーマットと audio/mpeg フォーマット

MP3 または Motion Picture Experts Group (MPEG) は、非可逆データ圧縮フォーマットです (MP3 と MPEG は同じフォーマットを意味します) 。 オプションで、デフォルトの 22,050 Hz 以外のサンプリング・レートを指定できます。

audio/mulaw フォーマット

8 ビットの mu-law (または u-law) 音声 は、8 ビット mu-law データを使用してエンコードされた単一チャネルの非可逆音声フォーマットです。 この音声フォーマットでは、サンプリング・レートを指定する必要があります。 例えば、16 kHz で音声をサンプリングする場合は audio/mulaw;rate=16000 を指定します。

audio/ogg フォーマット

Ogg フォーマット (.ogg) は、無料で公開されているコンテナー・フォーマットです (Xiph.org Foundation が管理しています)。 以下のいずれかのコーデックを使用して圧縮された音声ストリームを要求するフォーマットを使用して codecs パラメーターを指定できます。

• Opus コーデック (audio/ogg;codecs=opus を指定)。 オプションで、デフォルトの 48,000 Hz 以外のサンプリング・レートを指定できます。 有効なサンプリング・レートの値は、48000、24000、16000、12000、8000 のみです。 これらの以外の値を指定すると、このサービスからエラーが返されます。

  現在、このサービスには制約があり、有効なサンプリング・レートが無視されます。 このサービスは、常に 48 kHz のサンプリング・レートで音声を返します。

• Vorbis コーデック (audio/ogg;codecs=vorbis または単に audio/ogg を指定)。 オプションで、デフォルトの 22,050 Hz 以外のサンプリング・レートを指定できます。

どちらのコーデックも無料で公開されている非可逆音声圧縮フォーマットです。 Opus が推奨コーデックですが、 コーデックを省略した場合は、Ogg の仕様に従い、Vorbis フォーマットの音声が返されます。 音声フォーマットをすべて省略した場合、サービスは、 Opus コーデックを使用した Ogg フォーマットの音声をデフォルトで返します。

詳しくは、以下を参照してください

• xiph.org/ogg
• xiph.org/vorbis
• opus-codec.org
• IETF コメント募集（RFC）7845

audio/wav フォーマット

Waveform Audio ファイル・フォーマット (WAV) (.wav) は、 非圧縮音声ビット・ストリームによく使用される標準的なコンテナー・フォーマットですが、 圧縮音声も入れることができます。 オプションで、デフォルトの 22,050 Hz 以外のサンプリング・レートを指定できます。

返される音声がストリーミングの性質を持つため、オーディオ・プレイヤーによっては、生成された WAV 音声を再生できないことがあります。 具体的には、音声の長さに関係なく、音声ストリームのヘッダーの属性 numSamples が 0 に設定されます。

audio/webm フォーマット

Web メディア (WebM) (.webm) は、オープンなメディア・ファイル・フォーマットです。 以下のいずれかのコーデックを使用して圧縮された音声ストリームを要求するフォーマットを使用して codecs パラメーターを指定できます。

• Opus コーデック (audio/webm;codecs=opus または単に audio/webm を指定)。 このフォーマットの音声のサンプリング・レートは常に 48 kHz です。
• Vorbis コーデック (audio/webm;codecs=vorbis を指定)。 オプションで、デフォルトの 22,050 Hz 以外のサンプリング・レートを指定できます。

どちらのコーデックも無料で公開されている非可逆音声圧縮フォーマットです。 推奨されるコーデックは Opus です。

詳しくは、以下を参照してください

• webmproject.org
• opus-codec.org