Azure

MastraのAzureVoiceクラスは、Microsoft Azure Cognitive Servicesを利用してテキスト読み上げ（テキスト・トゥ・スピーチ）および音声認識（スピーチ・トゥ・テキスト）機能を提供します。

使用例


import { AzureVoice } from "@mastra/voice-azure";
 
// Initialize with configuration
const voice = new AzureVoice({
  speechModel: {
    name: "neural",
    apiKey: "your-azure-speech-api-key",
    region: "eastus",
  },
  listeningModel: {
    name: "whisper",
    apiKey: "your-azure-speech-api-key",
    region: "eastus",
  },
  speaker: "en-US-JennyNeural", // Default voice
});
 
// Convert text to speech
const audioStream = await voice.speak("Hello, how can I help you?", {
  speaker: "en-US-GuyNeural", // Override default voice
  style: "cheerful", // Voice style
});
 
// Convert speech to text
const text = await voice.listen(audioStream, {
  filetype: "wav",
  language: "en-US",
});

設定

コンストラクターオプション

speechModel?:

AzureSpeechConfig

テキストから音声合成のための設定。

listeningModel?:

AzureSpeechConfig

音声からテキスト認識のための設定。

speaker?:

string

音声合成のデフォルト音声ID。

AzureSpeechConfig

name?:

'neural' | 'standard' | 'whisper'

使用するモデルタイプ。TTSには'neural'、STTには'whisper'。

apiKey?:

string

Azure Speech ServicesのAPIキー。指定がない場合はAZURE_SPEECH_KEY環境変数が使用されます。

region?:

string

Azureリージョン（例: 'eastus', 'westeurope'）。指定がない場合はAZURE_SPEECH_REGION環境変数が使用されます。

メソッド

speak()

Azure のニューラルテキスト読み上げサービスを使用して、テキストを音声に変換します。

input:

string | NodeJS.ReadableStream

音声に変換するテキストまたはテキストストリーム。

options.speaker?:

string

= Constructor's speaker value

音声合成に使用するボイスID。

options.style?:

string

話し方のスタイル（例: 'cheerful', 'sad', 'angry'）。

options.rate?:

string

話す速度（例: 'slow', 'medium', 'fast'）。

options.pitch?:

string

声のピッチ（例: 'low', 'medium', 'high'）。

戻り値: Promise<NodeJS.ReadableStream>

listen()

Azure の音声認識サービスを使用して音声をテキストに書き起こします。

audioStream:

NodeJS.ReadableStream

書き起こし対象の音声ストリーム。

options.filetype?:

string

= 'wav'

入力ストリームの音声フォーマット。

options.language?:

string

= 'en-US'

書き起こしに使用する言語コード。

戻り値: Promise<string>

getSpeakers()

利用可能な音声オプションの配列を返します。各ノードには以下が含まれます:

voiceId:

string

音声の一意な識別子（例: 'en-US-JennyNeural'）

name:

string

音声の人間が読める名前

locale:

string

音声の言語ロケール（例: 'en-US'）

gender:

string

音声の性別（'Male' または 'Female'）

styles?:

string[]

その音声で利用可能な話し方のスタイル

注意事項

APIキーは、コンストラクタのオプションまたは環境変数（AZURE_SPEECH_KEY と AZURE_SPEECH_REGION）で指定できます
Azure は多くの言語で幅広いニューラルボイスを提供しています
一部のボイスは、明るい、悲しい、怒っているなどの話し方スタイルに対応しています
音声認識は複数の音声フォーマットと言語をサポートしています
Azure の音声サービスは、自然な音声の高品質なニューラルボイスを提供します