SynthesizeSpeech と StartSpeechSynthesisStream の比較

SynthesizeSpeech はリクエスト/レスポンスオペレーションです。完全なテキストを 1 回のリクエストで指定し、合成された完全な音声を 1 回のレスポンスで受信します。すべてのエンジン (標準、ニューラル、ロングフォーム、生成）、スピーチマークを含むすべての出力形式をサポートし、リクエストごとに合計 6,000 文字 (そのうち 3,000 文字まで請求可能) のテキスト制限があります。レスポンスは、最初のバイトが利用可能になるとすぐにオーディオをストリーミングします。このオペレーションは、すべてのテキストを事前に利用できる場合に使用します。

StartSpeechSynthesisStream は双方向ストリーミングオペレーションです。HTTP/2 接続が開き、テキストを段階的に送信し、合成時に音声を受信します。テキストは継続的にストリーミングされるため、リクエストごとのテキスト制限はありません。これには生成エンジンが必要で、スピーチマークはサポートされていません。このオペレーションは、テキストが段階的に到着し、すべての入力が利用可能になる前に音声出力を開始する場合に使用します。一般的なシナリオは次のとおりです。