翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。

テキストの送信と音声の受信

双方向ストリーミングセッションでは、接続を開き、テキストを送信して音声を同時に受信してから、入力が完了したらストリームを閉じます。以下のセクションでは、各フェーズについて詳しく説明します。

ストリームを開く

アプリケーションは SDK を介して StartSpeechSynthesisStream オペレーションを呼び出し、合成パラメータ (Engine、VoiceId、OutputFormat、およびオプションで LanguageCode、、) LexiconNamesを指定しますSampleRate。SDK は HTTP/2 接続を確立し、双方向ストリームは入力イベントを受け入れる準備ができています。

テキストの送信

クライアントは、入力ストリームに 1 つ以上の TextEvent メッセージを送信します。各イベントは、テキストが利用可能になるとすぐに送信でき、完全な入力の準備が整うのを待つ必要はありません。テキストイベントは、文や句読点の境界に合わせる必要はありません。Amazon Polly は、入力がイベント間でどのように分割されるかに関係なく、テキストを内部的に再アセンブルし、自然な音声を生成します。

ストリームには、次の時間制限が適用されます。

フラッシュによるバッファテキストの強制合成

デフォルトでは、Amazon Polly は自然言語の境界に基づいてバッファされたテキストをいつ合成するかを決定します。これにより、最高のオーディオ品質が得られますが、 を送信した直後にオーディオが返されない可能性がありますTextEvent。

フラッシュにより、合成が発生するタイミングを制御できます。フラッシュすると、Amazon Polly は、テキストが自然な境界で終わるかどうかに関係なく、バッファされたすべてのテキストをすぐに合成します。これは、テキストソースが論理セクション間で一時停止し、これまでに送信された音声を配信する場合に便利です。

フラッシュするには、FlushStreamConfiguration Forceパラメータを true で に設定しますTextEvent。新しいコンテンツを追加せずに合成をトリガーするように設定されたフラッシュフラグTextEventで空の を送信することもできます。

フラッシュはトレードオフです。シンセサイザーには以下の内容に関するコンテキストがないため、 Forceを文章のtrue途中で設定すると、発音とイントネーションに影響する可能性があります。最良の結果を得るには、Amazon Polly が可能な限り自然境界にバッファリングできるようにし、レイテンシー要件が必要とする場合にのみ合成を強制します。

音声を受信する

Amazon Polly がテキストを合成すると、出力ストリームに AudioEvent メッセージが返されます。各イベントには、オーディオデータのチャンクが含まれます。アプリケーションは、完全なオーディオ出力を生成するために、これらのチャンクを (ファイルやオーディオバッファに順番に書き込むなどして) 蓄積する必要があります。テキストイベントの送信中にオーディオイベントが到着する可能性があります。

ストリームを閉じる

すべての入力テキストが送信されると、クライアントは CloseStreamEvent を送信します。Amazon Polly は、バッファされた残りのテキストの処理を終了し、最終的なオーディオイベントを送信し、合成された文字の合計数を含む StreamClosedEvent を返します。ストリームを終了するには、フラッシュに依存するのCloseStreamEventではなく、必ず を送信してください。閉じると、バッファされたすべてのテキストが合成され、返されます。

リクエストパラメータ、イベントタイプ、エラーの詳細については、StartSpeechSynthesisStream API リファレンスを参照してください。