HeyGen: HeyGen Voice Turbo

HeyGen Voice Turbo は HeyGen のテキスト読み上げモデルで、api14 にモデル ID heygen/heygen-voice-1-turbo として掲載されています。speech カテゴリに属し、同社の中核となるテキスト読み上げモデルである HeyGen Voice の低遅延版として位置づけられています。HeyGen をアバターや動画ツールでご存じなら、これは同じベンダーの音声合成ラインであり、ここでは他のモデルと並べて呼び出せる単一の speech エンドポイントとして提供されています。

このモデルはテキストのみを入力として受け取り、音声のみを出力として返します。HeyGen Voice と同じ 10 個のデフォルトボイス、nadine、tabitha、bram、gareth、noelle、meredith、sabrina、lucian、weston、vincent を備えています。これらのデフォルトで足りない場合は、自分の HeyGen キーを持ち込んでボイスクローンを使用できます。これにより、HeyGen 側ですでに設定済みのボイスで音声を生成できます。このモデルには公開されたコンテキスト長がないため、送信するテキストは、文書化されたトークン予算を持つものではなく、単一の発話またはスクリプトのセグメントとして扱ってください。このモデルは、エンドポイント自体が必要とするものを超えて、サポートされるリクエストパラメータを公開していません。

明らかなユースケースは、テキスト入力と音声出力、そしてセールスポイントとしての低遅延から導かれます。短い動画クリップのナレーションやボイスオーバー、記事や要約の読み上げ版、製品ウォークスルー用の音声、インタラクティブなアプリケーション内の音声プロンプトは、いずれも妥当な用途です。turbo 版であるため、アシスタントが返答を読み上げたり、ツールが結果を読み戻したりするなど、人が音声を待っているパイプラインに適しています。ボイスクローンオプションは、汎用のナレーターではなく、多くのクリップ間でブランドやキャラクターの一貫性が必要な場合に重要です。

呼び出しは api14 の OpenAI 互換 API を通じて、モデル ID heygen/heygen-voice-1-turbo を使用して行います。ゲートウェイ上の他の speech モデルを呼び出すのと同じ方法です。既存の OpenAI クライアントを api14 のベース URL に向け、テキストを input として送信し、10 個のボイスから 1 つを選択します。このモデルはサポートされるパラメータを記載していないため、リクエストは最小限に保ち、文書化されていないサンプリング制御、速度設定、フォーマットオプションを前提にしないでください。ボイスクローンが必要な場合は、プロバイダーの説明に従って自分の HeyGen キーを指定してください。

このモデルが適切でない可能性があるケースもいくつかあります。テキストのみを受け取り、音声のみを生成するため、音声の文字起こし、音声の翻訳、音楽生成はできず、HeyGen がアバターで知られていても画像や動画の生成には役立ちません。また、公開されたコンテキスト長がないため、非常に長い文書を 1 回の呼び出しで処理するのには向いていません。スクリプトをより短いセグメントに分割する方が安全なアプローチです。文書化されたパラメータ制御や定義されたコンテキストウィンドウを持つモデルが必要な場合は、確定する前に api14 上の他の speech モデルを確認してください。