Google Cloud Text-to-Speechは、Googleのアシスタントの背後にある技術で作った音声合成を開発者に渡します。テキストを含むリクエストは、音声と言語を選んだうえで、MP3やWAVなどの形式の音声を返します。WaveNetやChirp世代のような新しい音声ファミリーは、従来の合成音声よりずっと自然に聞こえ、選べるアクセントと性別も多いです。
開発者はSSMLで話し方を細かく調整し、間、強調、発音、速さを足せます。このサービスは、オーディオブックとナレーション向けの長い音声合成と、音声アシスタントや自動音声応答のようなリアルタイム用途向けのストリーミングに対応します。条件は厳しいものの、自分の録音で学習したカスタム音声を依頼でき、ほかのGoogle Cloudのツールとも連携します。
料金は文字ごとで、音声の種類によって単価が違い、毎月の無料枠があります。実用の用途では品質はしっかりしていますが、ElevenLabsのような専門サービスの音声ほど表現は豊かではありません。代替にはAmazon Polly、Azure AI Speech、OpenAIの音声合成、ElevenLabs、Cartesiaがあります。Google Cloud Text-to-Speechは、すでにGoogle Cloud上にあり、規模を伸ばせて頼りになる音声が必要なアプリケーションに向いています。
