Supertonic 3のAPI：クラウドで使うか、自分のサーバーで動かすか
Supertonic 3はオープンな音声合成モデルです。小さく、普通のCPUでも速く、31言語を話します。モデルファイルとして公開されているので、アプリからHTTPで呼び出すには、それを動かすサーバーが必要です。方法はクラウドAPIを使うか、自分でサーバーを動かすかの2つです。
SuperClonicaはその両方を用意しています。音声合成APIは私たちのワーカーでSupertonic 3の声を動かし、無料のエンジンは同じモデルをあなたのマシンで動かします。私たちの計測では、元のコードよりCPUで約1.6倍、GPUで約1.7倍高速です。
方法1：クラウドAPI
GoogleかGitHubでSuperClonicaにログインし、ワークスペースの音声合成APIセクションでキーを作成して、テキストを送ります：
curl -o hello.ogg https://superclonica.com/api/v1/speech -H "Authorization: Bearer $SUPERCLONICA_KEY" -H "Content-Type: application/json" -d '{"text": "Supertonic 3からこんにちは！", "voice": "F1", "language": "ja"}'
応答は音声そのもので、既定はogg、指定すればmp3やwavです。"stream": true を付けると、私たちの計測ではテキストの長さにかかわらず最短300ミリ秒で再生が始まります。
- 無料：1日1分の音声。
- スタート、月5ドル：休まず使えば月最大216時間、カタログのすべての声。
- 声：標準の10音声、作者がつくったカタログの声、自分で学習した声。
- 1回のリクエストで最大2万文字。長いテキストは複数のワーカーで分割して同時に読み上げます。
方法2：自分のサーバー
SuperClonicaエンジンは、独自のHTTP APIを持つ無料のDockerサーバーとして動きます。キーも上限もありません：
docker run -d -p 8000:8000 -v superclonica-models:/models superclonica/superclonica:cpu
初回起動時にモデルをダウンロードし、その後はPOST /synthesizeがWAVを返します。設定、キー、本番運用については、Dockerで動かす音声合成APIのガイドを参照してください。
どちらを選ぶか
数分で始めたい、サーバーやGPUがない、長いテキストでストリーミングが必要、ファイルを管理せずにカタログの声を使いたい、という場合はクラウドAPIを。テキストを自社のインフラから出せない、大量に読み上げるので自前のハードウェアの方が安い、オフラインで動かす必要がある、という場合は自前サーバーを選んでください。声もリクエストの形も近いので、後から乗り換えるのも小さな変更で済みます。
Supertonic 3の制限
Supertonic 3は31言語を話しますが、中国語にはまだ対応していません。ライセンスのOpenRAIL-Mは、欺瞞的な利用や実在の人物の声に関する規則を含む制限の範囲で商用利用を認めています。新しい声は即時クローンではなくスタイルファイルです。SuperClonicaでは自分の録音から学習させるか、カタログから選べます。