Azure

Mastra の AzureVoice クラスは、Microsoft Azure Cognitive Services を使用した Text-to-Speech および Speech-to-Text 機能を提供します。

使用例

環境変数または設定で直接指定できる Azure Speech Services の認証情報が必要です。

import { AzureVoice } from '@mastra/voice-azure'

// Initialize with configuration
const voice = new AzureVoice({
  speechModel: {
    apiKey: 'your-azure-speech-api-key', // Or use AZURE_API_KEY env var
    region: 'eastus', // Or use AZURE_REGION env var
    voiceName: 'en-US-AriaNeural', // Optional: specific voice for TTS
  },
  listeningModel: {
    apiKey: 'your-azure-speech-api-key', // Or use AZURE_API_KEY env var
    region: 'eastus', // Or use AZURE_REGION env var
    language: 'en-US', // Optional: recognition language for STT
  },
  speaker: 'en-US-JennyNeural', // Optional: default voice
})

// Convert text to speech
const audioStream = await voice.speak('Hello, how can I help you?', {
  speaker: 'en-US-GuyNeural', // Optional: override default voice
})

// Convert speech to text
const text = await voice.listen(audioStream)

設定

コンストラクターオプション

speechModel?:

AzureSpeechConfig

Text-to-Speech 合成の設定。

AzureSpeechConfig

apiKey?:

string

Azure Speech Services API キー（Azure OpenAI キーではありません）。未指定の場合は AZURE_API_KEY 環境変数を使用します。

region?:

string

Azure リージョン（例：'eastus'、'westeurope'）。未指定の場合は AZURE_REGION 環境変数を使用します。

voiceName?:

string

音声合成に使用する Voice ID（例：'en-US-AriaNeural'、'en-US-JennyNeural'）。speechModel だけで使用します。以下の Voice 一覧を参照してください。

language?:

string

認識する言語コード（例：'en-US'、'fr-FR'）。listeningModel だけで使用します。

listeningModel?:

AzureSpeechConfig

Speech-to-Text 認識の設定。

AzureSpeechConfig

apiKey?:

string

Azure Speech Services API キー（Azure OpenAI キーではありません）。未指定の場合は AZURE_API_KEY 環境変数を使用します。

region?:

string

Azure リージョン（例：'eastus'、'westeurope'）。未指定の場合は AZURE_REGION 環境変数を使用します。

voiceName?:

string

音声合成に使用する Voice ID（例：'en-US-AriaNeural'、'en-US-JennyNeural'）。speechModel だけで使用します。以下の Voice 一覧を参照してください。

language?:

string

認識する言語コード（例：'en-US'、'fr-FR'）。listeningModel だけで使用します。

speaker?:

string

音声合成に使用するデフォルトの Voice ID。

メソッド

speak()

Azure のニューラル 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またはテキストストリーム。

options?:

Options

設定オプション。

Options

speaker?:

string

音声合成に使用する Voice ID（例：'en-US-JennyNeural'）。デフォルトの Voice を上書きします。

戻り値：Promise<NodeJS.ReadableStream> - WAV 形式の音声ストリーム

listen()

Azure の Speech-to-Text サービスを使用して音声を文字起こしします。

audioStream:

NodeJS.ReadableStream

文字起こしする音声ストリーム。WAV 形式である必要があります。

戻り値：Promise<string> - 音声から認識されたテキスト

言語と認識の設定は、初期化時に listeningModel の設定で指定します。このメソッドのオプションとしては渡しません。

getSpeakers()

使用可能な Voice オプション（200種類以上）の配列を返します。各要素には次の値が含まれます。

voiceId:

string

Voice の一意な識別子（例：'en-US-JennyNeural'、'fr-FR-DeniseNeural'）

language:

string

Voice ID から抽出された言語コード（例：'en'、'fr'）

region:

string

Voice ID から抽出されたリージョンコード（例：'US'、'GB'、'FR'）

戻り値：Promise<Array<{ voiceId: string; language: string; region: string; }>>

重要な注意事項

Azure Speech Services と Azure OpenAI の違い

⚠️ 重要： このパッケージが使用する Azure Speech Services は、Azure OpenAI Services とは異なります。

• このパッケージでは AZURE_OPENAI_API_KEY を使用しないでください
• Azure Speech Services のサブスクリプションキーを使用してください（Azure Portal の「Speech Services」から取得します）
• これらは、API キーとエンドポイントが異なる別々の Azure リソースです

環境変数

API キーとリージョンは、コンストラクターオプションまたは環境変数で指定できます。

• AZURE_API_KEY - Azure Speech Services のサブスクリプションキー
• AZURE_REGION - Azure リージョン（例：'eastus'、'westeurope'）

Voice 機能

• Azure は50以上の言語で200種類以上のニューラル Voice を提供します
• 各 Voice ID は {language}-{region}-{name}Neural の形式です（例：'en-US-JennyNeural'）
• 一部の Voice には、多言語対応または HD 品質のバリエーションがあります
• 音声出力は WAV 形式です
• 認識に使用する音声入力は WAV 形式である必要があります

使用可能な Voice

Azure は、多数の言語で200種類以上のニューラル Voice を提供します。代表的な英語 Voice は次のとおりです。

• アメリカ英語：

  • en-US-AriaNeural（女性、デフォルト）
  • en-US-JennyNeural（女性）
  • en-US-GuyNeural（男性）
  • en-US-DavisNeural（男性）
  • en-US-AvaNeural（女性）
  • en-US-AndrewNeural（男性）

• イギリス英語：

  • en-GB-SoniaNeural（女性）
  • en-GB-RyanNeural（男性）
  • en-GB-LibbyNeural（女性）

• オーストラリア英語：

  • en-AU-NatashaNeural（女性）
  • en-AU-WilliamNeural（男性）

200種類以上の Voice の完全な一覧を取得するには、次のコードを使用します。

const voices = await voice.getSpeakers()
console.log(voices) // Array of { voiceId, language, region }

詳細については、Azure Neural TTS のドキュメントを参照してください。