リアルタイム音声とライブ翻訳

概要

ToRun はリアルタイムの双方向音声をサポートしています。あなたが話すと、アシスタントがライブセッション上で聞き取り、音声とテキストで応答します。さらに、発話されるそばから翻訳するライブ翻訳にも対応しています。これらは realtime 機能（双方向の音声 + テキスト）で動作し、セッション時間の1秒単位で課金されます。

関係する機能

• リアルタイム（音声 + テキスト） — 自然な双方向の音声会話のための、有能なプロバイダーモデルを用いたライブの WebSocket スタイルのセッション。
• テキスト読み上げ（TTS） — 多言語にわたる合成音声出力。
• 音声認識（STT） — 話者ダイアライゼーション（誰が何を言ったか）を含む文字起こし。
• ライブ翻訳 — 言語間でリアルタイムに翻訳される音声。

リアルタイムセッションの開始

1. 音声/リアルタイムのサーフェスを開きます。
2. マイクへのアクセスを許可します。
3. 自然に話します。アシスタントが文字起こしを行い、応答し、（音声モードでは）音声で返答します。
4. 終わったらセッションを終了します。セッションは音声セッションエンティティとして追跡されます。

ライブ翻訳では、ソース言語とターゲット言語を選択します。各参加者は、相手の発話がストリーミングされるそばから翻訳されたものを聞きます。

課金

• リアルタイムおよびライブ翻訳の利用は、音声の1秒単位で計測されます。
• 計測された作業単位ごとに、料金スナップショットを含む BillingRecord が生成されるため、音声セッションのコストは透明性が高く監査可能です。
• 音声/リアルタイムは音声/オーディオの利用権の下にあり、Pro 階層以上で含まれます。

STT とダイアライゼーション

音声認識は話者ダイアライゼーションをサポートし、セグメントを話者ごとにラベル付けします。これは、発言を特定の話者に帰属させる必要がある会議、インタビュー、または複数人での通話の文字起こしに役立ちます。

ヒント

• ヘッドセットや静かな部屋を使用してください。クリーンな入力音声は、文字起こしと翻訳の両方の精度を向上させます。
• リアルタイムは1秒単位で計測されるため、積極的に使用していないセッションは終了してください。
• 既存の録音を一度だけ文字起こしする場合は、（ライブのリアルタイムセッションではなく）STT のほうが安価です。