Google

Mastra における Google Voice の実装は、Google Cloud サービスを利用してテキスト読み上げ（TTS）と音声認識（STT）の両方の機能を提供します。複数の音声、言語、そして高度なオーディオ設定オプションに対応しています。

使用例


import { GoogleVoice } from "@mastra/voice-google";
 
// Initialize with default configuration (uses GOOGLE_API_KEY environment variable)
const voice = new GoogleVoice();
 
// Initialize with custom configuration
const voice = new GoogleVoice({
  speechModel: {
    apiKey: "your-speech-api-key",
  },
  listeningModel: {
    apiKey: "your-listening-api-key",
  },
  speaker: "en-US-Casual-K",
});
 
// Text-to-Speech
const audioStream = await voice.speak("Hello, world!", {
  languageCode: "en-US",
  audioConfig: {
    audioEncoding: "LINEAR16",
  },
});
 
// Speech-to-Text
const transcript = await voice.listen(audioStream, {
  config: {
    encoding: "LINEAR16",
    languageCode: "en-US",
  },
});
 
// Get available voices for a specific language
const voices = await voice.getSpeakers({ languageCode: "en-US" });

コンストラクタのパラメータ

speechModel?:

GoogleModelConfig

= { apiKey: process.env.GOOGLE_API_KEY }

テキスト読み上げ機能のための設定

listeningModel?:

GoogleModelConfig

= { apiKey: process.env.GOOGLE_API_KEY }

音声認識機能のための設定

speaker?:

string

= 'en-US-Casual-K'

テキスト読み上げで使用するデフォルトの音声ID

GoogleModelConfig

apiKey?:

string

Google Cloud APIキー。設定されていない場合はGOOGLE_API_KEY環境変数が使用されます

メソッド

speak()

Google Cloud Text-to-Speech 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。ストリームが指定された場合は、最初にテキストに変換されます。

options?:

object

音声合成のオプション

options.speaker?:

string

このリクエストで使用するボイスID

options.languageCode?:

string

ボイスの言語コード（例: 'en-US'）。デフォルトはスピーカーIDから取得した言語コード、または 'en-US' です。

options.audioConfig?:

ISynthesizeSpeechRequest['audioConfig']

= { audioEncoding: 'LINEAR16' }

Google Cloud Text-to-Speech API の音声設定オプション

戻り値: Promise<NodeJS.ReadableStream>

listen()

Google Cloud Speech-to-Text サービスを使用して音声をテキストに変換します。

audioStream:

NodeJS.ReadableStream

文字起こしする音声ストリーム

options?:

object

認識オプション

options.stream?:

boolean

ストリーミング認識を使用するかどうか

options.config?:

IRecognitionConfig

= { encoding: 'LINEAR16', languageCode: 'en-US' }

Google Cloud Speech-to-Text API の認識設定

戻り値: Promise<string>

getSpeakers()

利用可能なボイス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

ボイスの一意な識別子

languageCodes:

string[]

このボイスが対応している言語コードのリスト

重要な注意事項

Google Cloud APIキーが必要です。GOOGLE_API_KEY 環境変数で設定するか、コンストラクタで渡してください。
デフォルトの音声は ‘en-US-Casual-K’ に設定されています。
テキスト読み上げと音声認識サービスの両方で、デフォルトのオーディオエンコーディングは LINEAR16 です。
speak() メソッドは、Google Cloud Text-to-Speech API を通じて高度なオーディオ設定をサポートします。
listen() メソッドは、Google Cloud Speech-to-Text API を通じて様々な認識設定をサポートします。
利用可能な音声は、getSpeakers() メソッドを使って言語コードでフィルタリングできます。