> For the complete documentation index, see [llms.txt](https://docs.digitalhumans.jp/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.digitalhumans.jp/ops/persona-dip/languages-and-speech-synthesis.md). # 利用できる言語と音声認識・音声合成 ## 多言語対応 デジタルヒューマンのプラットフォームで標準的に利用できる言語は下記の通りです。多言語対応させるには会話AI等によって様々なアプローチがありますので、エキスパートにご相談ください。 {% hint style="info" %} システムとしては、標準的に以下の機能に対応していますが、拡張すると[対応可能言語](https://cloud.google.com/speech-to-text/docs/speech-to-text-supported-languages?hl=ja)が利用可能です。ご利用になる音声認識（STT）や音声合成（TTS）の多言語対応状況、バックエンドの会話AI（NLP・LLM）の多言語対応状況によって利用できるかどうかが変わります。 {% endhint %} ## 使用出来る音声認識、音声合成 日本語向け拡張として、以下のサードパーティー音声認識と音声合成との接続実績があります。その他のサービスでもAPIが公開されている場合、ほとんどの場合で接続が可能です。 **音声認識（音声文字変換）** | プラットフォーム標準 |

Google Cloud Speech-to-Text （標準）
対応している言語 ※ホステッドエクスペリエンスで使用する場合はspeechToTextLocalesパラメータにロケールコード（言語タグ）を設定してください。

| | ------------ | ----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | | オプション・接続実績あり |

Microsoft Azure Speech-to-Text
AmiVoice API
NTTドコモ AIエージェントAPI 音声認識
NTTレゾナント AISuite 音声認識
OpenAI Speech to text（含むRealtimeAPI）

| **音声合成（文字音声変換）** P2では現時点では音声合成は[Microsoft Azure / Text to Speech](https://learn.microsoft.com/ja-jp/azure/ai-services/speech-service/language-support?tabs=stt#prebuilt-neural-voices)と[Google Cloud Platform / Text-to-Speech](https://cloud.google.com/text-to-speech?hl=ja) 、[ElevenLabs](https://elevenlabs.io/)にのみ対応しています。 | プラットフォーム標準 |

Microsoft Azure / Text to Speech
Google Cloud Platform / Text-to-Speech
ElevenLabs

| | ---------- | ---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | | P2対応状況 |

NAVER Cloud Platform / CLOVA Voice
IBM Watson / Text to Speech
CoeFontAITalk® WebAPI
VoiceText Web API
ReadSpeaker
NTT FutureVoice Crayon (SynAnim対応）

| ![TTSアカウント追加](/files/xnt9MRawVnBHUFntEVKt) TTSアカウント追加 ![プラットフォーム標準TTS設定](/files/kfQEcEetECkF083q3NlA) プラットフォーム標準TTS設定 ## STT プロバイダの比較と選び方 デジタルヒューマンが音声認識に使用するプロバイダは、ホステッドエクスペリエンスの `speechRecognitionProvider` オプションで選択します。 | 用途 | 推奨プロバイダ | | ------------- | ------------- | | 多言語対応が必要 | Google Speech | | 英語専用・低レイテンシ重視 | Deepgram | | 地域別アクセント指定が必要 | Google Speech | | リアルタイム部分書き起こし | Deepgram | ### Google Speech（デフォルト）の設定例 ```jsx const uneeq = new Uneeq({ connectionUrl: "https://api.uneeq.io", personaId: "your-persona-id", speechRecognitionLocales: "ja-JP:en-US", // コロン区切り・最大4ロケール speechRecognitionHintPhrases: "デジタルヒューマン,Renny", // 認識精度を上げたい語 speechRecognitionHintPhrasesBoost: 10 // 0〜20 }); ``` ### Deepgram の設定例 ```jsx const uneeq = new Uneeq({ connectionUrl: "https://api.uneeq.io", personaId: "your-persona-id", speechRecognitionProvider: "deepgram", sttDeepgramModel: "nova-3", sttDeepgramLanguage: "en", sttDeepgramUtteranceEndMs: 1200, // 発話終了判定を早める sttDeepgramInterruptionWordThreshold: 5, // 5語以上で割り込みを許可 sttDeepgramKeyterms: "digital human,DHOP", // 固有名詞を優先認識 sttDeepgramNoDelay: true // 低レイテンシ配信 }); ``` 各パラメータの詳細は [設定オプション](/dev/hosted-experience/hosted-experience-configuration-options.md) を参照してください。 ### Deepgram の言語コード Deepgram は简略化された言語コードを使用します（地域アクセントは自動対応）。 | コード | 言語 | | ---- | ------------------ | | `ja` | 日本語 | | `en` | 英語（US・UK・AU すべて対応） | | `zh` | 中国語 | | `ko` | 韓国語 | | `fr` | フランス語 | | `de` | ドイツ語 | | `es` | スペイン語 | | `pt` | ポルトガル語 | ### STT トラブルシューティング | 症状 | 対処 | | ----------------- | ------------------------------------------------------------- | | 書き起こし精度が低い | ユーザーの言語に合ったロケールが設定されているか確認 | | デジタルヒューマンが割り込みすぎる | `sttDeepgramInterruptionWordThreshold` を大きくする | | 音声が検出されない | マイク許可と `enableMicrophone: true` を確認 | | 発話後の応答が遅い | `sttDeepgramUtteranceEndMs` / `sttDeepgramEndpointing` を小さくする | | 固有名詞が誤認識される | `sttDeepgramKeyterms` / `speechRecognitionHintPhrases` に登録する | | 書き起こしのレイテンシを下げたい | `sttDeepgramNoDelay: true` を有効化する | ## TTS プロバイダの比較と選び方 ペルソナの音声（TTS）は DIP のペルソナ設定から選択・設定します。代表的なプロバイダの特徴は以下のとおりです。 | 項目 | Azure TTS | ElevenLabs | | ------- | ------------ | ------------- | | 音声品質 | 高品質（ニューラル） | 非常に高品質（AI・自然） | | 言語対応 | 140言語以上 | 英語中心 | | ボイス数 | 400以上 | 30以上のプレミアムボイス | | レイテンシ | 低 | 低 | | 向いている用途 | 多言語・エンタープライズ | 英語の自然な会話 | {% hint style="info" %} オンプレミス（MiniPrem）環境では、GPU で動作する低レイテンシの NVIDIA RIVA TTS も利用できます。詳細は [NVIDIA RIVA](/dev/miniprem/services/riva.md) を参照してください（DIP のプラットフォーム標準 TTS では未対応です）。 {% endhint %} ## ボイスの選び方 ### Azure TTS Azure はニューラル音声で、多言語・SSML・複数の話し方（明るい / 共感的 / ニュースキャスター 等）に対応します。設定時には以下を指定します。 * **ボイス名**: 完全なボイス識別子（例: 日本語 `ja-JP-NanamiNeural`、英語 `en-US-JennyNeural`） * **言語**: ボイスが対応する言語に一致させる 代表的なボイス: | ボイス名 | 言語 | 性別 | | ------------------ | ------ | -- | | ja-JP-NanamiNeural | 日本語 | 女性 | | ja-JP-KeitaNeural | 日本語 | 男性 | | en-US-JennyNeural | 英語（米国） | 女性 | | en-US-GuyNeural | 英語（米国） | 男性 | | en-GB-SoniaNeural | 英語（英国） | 女性 | > 全ボイスの試聴・ボイス名の確認: [Azure Voice Gallery](https://speech.microsoft.com/portal/voicegallery) ／ [対応言語・ボイス一覧](https://learn.microsoft.com/ja-jp/azure/ai-services/speech-service/language-support?tabs=tts) ### ElevenLabs ElevenLabs は自然で表現力の高い AI 音声を提供し、感情表現や低レイテンシのストリーミングに対応します。ボイスの試聴・選択は [ElevenLabs](https://elevenlabs.io/) で行えます。設定時はペルソナにボイス名を指定します。 ### Custom TTS（独自 TTS の持ち込み） 独自の TTS ソリューションを利用したい場合は、DHKK ゲートウェイ経由の BYO TTS に対応しています。詳細は [BYO TTSを利用する（DHKKゲートウェイ）](/dev/byo-stt-tts/byo-tts-integration.md) を参照してください。