音声サービスの言語と音声のサポート

このセクションの表は、リアルタイム文字起こし、高速文字起こし、バッチ文字起こしでサポートされるロケールをまとめたものです。

この記事の「カスタム音声」セクションには、音声テキスト変換のロケールに関する追加情報が含まれています。

¹ モデルは 2 か国語対応で、英語もサポートしています。

Custom Speech

音声テキスト変換の認識精度を向上させるために、一部の言語と基本モデルではカスタマイズを行うことができます。 ロケールに応じて、音声 + 人間がラベル付けしたトランスクリプト、プレーン テキスト、構造化テキスト、発音データをアップロードできます。 既定では、プレーンテキストのカスタマイズは、使用可能なすべての基本モデルでサポートされています。 カスタマイズの詳細については、Custom Speech に関するページを参照してください。

これらのロケールは 、表示テキスト形式機能をサポートしています: da-DK、 de-DE、 en-AU、 en-CA、 en-GB、 en-HK、 en-IE、 en-IN、 en-NG、 en-NZ、 en-PH、 en-SG、 en-US、 es-ES、 es-MX, fi-FI, fr-CA, fr-FR, hi-IN, it-IT, ja-JP, ko-KR, nb-NOnl-NL, pl-PL, pt-BR, pt-PT, sv-SE, tr-TR, zh-CN, zh-HK.

このセクションにある表で、テキスト読み上げがサポートしているロケールと音声をまとめています。 詳細については、表の脚注を参照してください。

テキスト読み上げロケールのその他の解説は、この記事の 音声スタイルと役割、 標準音声、 プロの音声、 個人の音声 セクションに含まれています。

¹ ニューラル音声はパブリック プレビューで利用できます。 パブリック プレビューで音声とスタイルをサポートするリージョンの現在の一覧については、 Speech Service リージョンの表を参照してください。

² ニューラル音声はパブリック プレビューで利用できます。 パブリック プレビューでこの音声をサポートするリージョンの現在の一覧については、 Speech Service リージョンの表を参照してください。

³音素、カスタム辞書、口形素はサポートされていません。 サポートされている口形素について詳しくは、「口形素のロケール」をご覧ください。

⁴ ニューラル音声は、Azure AI 音声での多言語音声です。 Azure OpenAI 音声のターボ バージョンには、Azure OpenAI 音声と同様の音声ペルソナがありますが、追加機能もサポートされています。 ターボ音声は、他の Azure AI Speech 音声と同様に、SSML 要素の完全なセットと、単語の境界などのより多くの機能をサポートします。

⁵ Azure AI 音声での OpenAI テキスト読み上げ音声はパブリック プレビュー段階であり、米国中北部 (northcentralus) およびスウェーデン中部 (swedencentral) でのみ使用可能です。 OpenAI 音声のリストに記載されていないロケールはサポートされていません。 OpenAI テキスト読み上げ音声と Azure AI 音声テキスト読み上げ音声のその他の違いについては、「OpenAI テキスト読み上げ音声」を参照してください。

⁶zh-CN-XiaoxiaoDialectsNeural 音声は、次のセカンダリ ロケールもサポートします: zh-CN-shaanxi、zh-CN-sichuan、zh-CN-shanxi、zh-CN-anhui、zh-CN-hunan、zh-CN-gansu、zh-CN-shandong、zh-CN-henan、zh-CN-liaoning、zh-TW、nan-CN、yue-CN、wuu-CN。 サポートされているセカンダリ ロケールの最新の一覧については、音声リスト API のリファレンスを参照してください。

⁷ マルチトーカー音声は、米国東部、西ヨーロッパ、東南アジアのサービス リージョンでパブリック プレビューで利用できます。 この音声では、 en-US コンテンツのみがサポートされます。

DragonHD ボイス

これらは、LLM ベースのニューラル高解像度 (HD) 音声です。 HD 音声は多言語であり、コンテンツを理解し、入力テキスト内の感情を自動的に検出し、センチメントに合わせてリアルタイムで話すトーンを調整できます。 HD 音声は、ニューラル (および HD 以外) に対応する一貫した音声ペルソナを維持し、強化された機能を通じてより多くの価値を提供します。

¹ ニューラル音声はパブリック プレビューで利用できます。 パブリック プレビューで音声とスタイルをサポートするリージョンの現在の一覧については、 Speech Service リージョンの表を参照してください。

² ニューラル音声は、Azure AI 音声の多言語音声です。 Azure OpenAI 音声のターボ バージョンには、Azure OpenAI 音声と同様の音声ペルソナがありますが、追加機能もサポートされています。 ターボ音声は、他の Azure AI Speech 音声と同様に、SSML 要素の完全なセットと、単語の境界などのより多くの機能をサポートします。 すべての多言語音声は、SSML を使用せずに、入力テキストの自動検出された言語の既定のロケールで話すことができます。 ただし、<lang xml:lang> 要素を使用して各言語のアクセントを調整し、英語の英国アクセント (en-GB) など、優先するアクセントに設定することができます。

³ Azure AI 音声の OpenAI テキスト読み上げ音声はパブリック プレビュー段階であり、米国中北部 (northcentralus) およびスウェーデン中部 (swedencentral) でのみ利用できます。 OpenAI 音声のリストに記載されていないロケールはサポートされていません。 OpenAI テキスト読み上げ音声と Azure AI 音声テキスト読み上げ音声のその他の違いについては、「OpenAI テキスト読み上げ音声」を参照してください。

⁴ この音声が一般公開されているリージョンの現在の一覧については、 Speech Service リージョンの表を参照してください。

⁵ 音声は、 ChinaNorth3 サービス リージョンで使用できます。

多言語音声

多言語音声は、より多くの言語をサポートできます。 この拡張により、さまざまな言語でコンテンツを表現し、言語の壁を克服し、より包括的なグローバル コミュニケーション環境を促進する能力が強化されます。

この表を使用して、各多言語音声でサポートされているすべての話し言葉を理解します。 音声が入力テキストの言語を読み上げない場合、Speech サービスは合成オーディオを出力しません。 この表は、サポートされている言語の数で降順に並べ替えられています。 ロケール プレフィックスは、プライマリ ロケールを示します。 たとえば、音声 en-US-AndrewMultilingualNeuralの場合、ロケール プレフィックスは en-US。 ロケール プレフィックスは、音声名の最初の部分です。

¹ ニューラル音声はパブリック プレビューで利用できます。 パブリック プレビューで音声とスタイルをサポートするリージョンの現在の一覧については、 Speech Service リージョンの表を参照してください。

² ニューラル音声は、Azure AI 音声の多言語音声です。 Azure OpenAI 音声のターボ バージョンには、Azure OpenAI 音声と同様の音声ペルソナがありますが、追加機能もサポートされています。 ターボ音声は、他の Azure AI Speech 音声と同様に、SSML 要素の完全なセットと、単語の境界などのより多くの機能をサポートします。 すべての多言語音声は、SSML を使用せずに、入力テキストの自動検出された言語の既定のロケールで話すことができます。 ただし、<lang xml:lang> 要素を使用して各言語のアクセントを調整し、英語の英国アクセント (en-GB) など、優先するアクセントに設定することができます。

³ Azure AI 音声の OpenAI テキスト読み上げ音声はパブリック プレビュー段階であり、米国中北部 (northcentralus) およびスウェーデン中部 (swedencentral) でのみ利用できます。 OpenAI 音声のリストに記載されていないロケールはサポートされていません。 OpenAI テキスト読み上げ音声と Azure AI 音声テキスト読み上げ音声のその他の違いについては、「OpenAI テキスト読み上げ音声」を参照してください。

⁴ この音声が一般公開されているリージョンの現在の一覧については、 Speech Service リージョンの表を参照してください。

⁵ 音声は、 ChinaNorth3 サービス リージョンで使用できます。

複数話者の声

マルチトーカー音声を使用すると、複数の異なる話者との自然で動的な会話が可能になります。 このイノベーションは、コンテキスト フロー、感情的な一貫性、自然な音声パターンを維持することで、合成されたダイアログのリアリズムを高めます。

この機能を使用して、話者間のシームレスな切り替えを使用して、魅力的なポッドキャスト スタイルの音声または会話交換を生成します。 各ターンを分離して合成するシングル トーカー モデルとは異なり、マルチトーカー音声は対話全体で一貫性を維持し、より本格的でイマーシブなリスニング エクスペリエンスを保証します。

¹ ニューラル音声はパブリック プレビューで利用できます。 パブリック プレビューで音声とスタイルをサポートするリージョンの現在の一覧については、 Speech Service リージョンの表を参照してください。

音声合成マークアップ言語 (SSML) を介してマルチトーカー音声を使用する方法の詳細については、「 マルチトーカー音声」を参照してください。

音声のスタイルと役割

場合によっては、話し方を調整して、陽気さ、共感、落ち着きなど、さまざまな感情を表現できます。 話すスタイルとマルチスタイルのカスタム音声を使用するすべての標準音声は、スタイルの程度の調整をサポートします。 カスタマー サービス、ニュースキャスト、音声アシスタントなど、さまざまなシナリオで音声を最適化できます。 役割により、同じ声でも年齢や性別が異なるように機能することができます。

音声スタイルとロールを構成および調整する方法については、「 音声合成マークアップ言語」を参照してください。

次の表を使用して、各音声でサポートされているスタイルとロールを決定します。

¹ ニューラル音声はパブリック プレビューで利用できます。 パブリック プレビュー段階の音声とスタイルは、3 つのサービス リージョン (米国東部、西ヨーロッパ、東南アジア) でのみ使用できます。

² この音声のスタイル advertisement-upbeat はプレビュー段階であり、米国東部、西ヨーロッパ、東南アジアの 3 つのリージョンでのみ使用できます。

³ この音声のスタイル sports-commentary はプレビュー段階であり、米国東部、西ヨーロッパ、東南アジアの 3 つのリージョンでのみ使用できます。

⁴ この音声のスタイル sports-commentary-excited はプレビュー段階であり、米国東部、西ヨーロッパ、東南アジアの 3 つのリージョンでのみ使用できます。

口形素

次の表に、口形素でサポートされているすべてのロケールを示します。 口形素の詳細については、「口形素を使用して顔の位置を取得する」と「口形素の要素」を参照してください。

標準音声

各標準音声では、ロケールによって識別される特定の言語と方言がサポートされます。 デモを試して、音声ギャラリーで音声を聞くことができます。

各標準音声モデルは、24kHz および高忠実度 48 kHz で利用できます。 その他のサンプル レートは、合成時にアップサンプリングまたはダウンサンプリングを通じて取得できます。

プロフェッショナルな音声

プロの音声微調整 を使用すると、話し方が豊富な合成音声を作成できます。 記録データの小さなセットを使用して、複数の言語とスタイルで独自のブランド音声を作成できます。 複数スタイルのカスタム音声では、スタイルの程度の調整がサポートされます。

プロの音声微調整データに一致する適切なロケールを選択します。 たとえば、録音データが英国アクセントの英語で話されている場合は、en-GB を選択します。

多言語機能を使用すると、カスタム音声モデルを転送して第 2 言語を話すことができます。 たとえば、データが zh-CN のときに、en-AU などのクロスリンガルをサポートする任意の言語を話す音声を作成できます。 クロスリンガル機能では、ロケールが 2 つのレベルに分類されます。1 つにはクロスリンガル機能をサポートするソース言語が含まれ、もう 1 つのレベルは、クロスリンガル転送のターゲット言語として指定されたロケールで構成されます。 次の表では、クロスリンガルのソースとターゲットの両方として機能するロケールと、クロスリンガル転送のターゲット ロケールとしてのみ使用できるロケールを区別します。

パーソナル ボイス

個人用音声は、ご自身やユーザーのように聞こえる音声を作成できる機能です。 次の表は、個人用音声でサポートされるロケールをまとめたものです。

音声変換

音声変換 は、特定のオーディオの音声特性をターゲット音声スピーカーに変換できる機能です。 次の表は、音声変換でサポートされているロケールをまとめたものです。各言語はすべての 音声変換リージョンで使用できます。

このセクションにある表で、発音評価でサポートされる 33 のロケールをまとめています。各言語はすべての音声テキスト変換リージョンで使用が可能です。 最新の更新プログラムでは、英語から 32 言語へのサポートが拡張され、精度、流暢性、誤った評価など、既存の機能に対する品質の強化が行われます。 発音の向上を学習または練習している言語を指定する必要があります。 既定の言語は en-US に設定されています。 ターゲット学習言語がわかっている場合は、それに応じてロケールを設定します。 たとえば、英国英語を学習している場合は、言語に en-GB を指定する必要があります。 スペイン語などのより広範な言語を教えており、どのロケールを選択するか不明な場合は、さまざまなアクセント モデル (es-ES、es-MX) を実行して、ご自分の特定のシナリオに合わせて最高のスコアを達成するものを決定できます。 次の表に記載されていない言語に関心をお持ちの場合は、この受付フォームにご記入いただきサポートを受けてください。

リアルタイムの音声翻訳

このセクションの表は、音声翻訳でサポートされているロケールをまとめたものです。 音声翻訳では、音声間および音声からテキストの翻訳向けにさまざまな言語がサポートされています。 使用可能なターゲット言語は、何に翻訳するか (音声かテキストか) によって決まります。

言語から翻訳する

入力音声認識言語を設定するには、完全なロケールをダッシュ (-) 区切り記号で指定します。 音声テキスト変換の言語の表を参照してください。 jv-ID と wuu-CNを除くすべての言語がサポートされています。 言語を指定しない場合、既定の言語は en-US です。

テキスト言語に翻訳する

翻訳のターゲット言語を設定するには、いくつかの例外を除けば、ロケール ダッシュ (-) 区切り記号の前にある言語コードのみを指定します。 たとえば、スペイン語 (スペイン) では、 es の代わりに es-ES を使用します。 下の「音声翻訳のターゲット言語の表」を参照してください。 言語を指定しない場合、既定の言語は en です。

ビデオの翻訳

このセクションの表は、 ビデオ翻訳 API でサポートされているロケールをまとめたものです。 ビデオ翻訳では、標準 (プラットフォーム) の音声と個人の音声に対してさまざまな言語がサポートされます。 利用可能なソース言語とターゲット言語は、翻訳ソースが標準音声か個人音声かによって異なります。