技術資料

先日公開されたOpanAI の TTS (Text To Speech) 用のモデル GPT-4o mini TTS の API を、 PHP で使用してみます。

TTS (Text To Speech) モデルとは

テキストデータを自然な人間の音声に変換する技術です。この技術は、視覚障がいを持つ人々の支援、カスタマーサービス、自動音声アシスタント、オーディオブック作成など、幅広い分野で活用されています。

PHP での実装

PHP での実装は、以下のようになります。

<?php
// OpenAI APIキー
define('OPENAI_API_KEY', 'sk-proj--abcdefghijklmn');

// 音声変換するメッセージ
$message = "ある日の暮方の事である。一人の下人が、羅生門の下で雨やみを待っていた。";

// リクエストデータの作成
$data = array(
    'input' => $message,
    'model' => 'gpt-4o-mini-tts',
    'voice' => 'coral',
    'instructions' => "Voice Affect: Calm, composed, and reassuring; project quiet authority and confidence.\n\nTone: Sincere, empathetic, and gently authoritative—express genuine apology while conveying competence.\n\nPacing: Steady and moderate; unhurried enough to communicate care, yet efficient enough to demonstrate professionalism.\n\nEmotion: Genuine empathy and understanding; speak with warmth, especially during apologies (\"I'm very sorry for any disruption...\").\n\nPronunciation: Clear and precise, emphasizing key reassurances (\"smoothly,\" \"quickly,\" \"promptly\") to reinforce confidence.\n\nPauses: Brief pauses after offering assistance or requesting details, highlighting willingness to listen and support.",
    'response_format' => 'mp3',
    'speed' => 1.2,
);

// リクエストデータをJSON形式に変換
$json_data = json_encode($data);

// curl でリクエスト送信
$url = 'https://api.openai.com/v1/audio/speech';
$headers = array(
    'Content-Type: application/json',
    "Authorization: Bearer ".OPENAI_API_KEY
);
$ch = curl_init($url);
curl_setopt($ch, CURLOPT_POST, true);
curl_setopt($ch, CURLOPT_POSTFIELDS, $json_data);
curl_setopt($ch, CURLOPT_HTTPHEADER, $headers);
curl_setopt($ch, CURLOPT_RETURNTRANSFER, true);
curl_setopt($ch, CURLOPT_TIMEOUT, 300);
curl_setopt($ch, CURLOPT_CONNECTTIMEOUT, 300);
$api_response = curl_exec($ch);
if($api_response === false){
    echo 'Curl error: ' . curl_error($ch);
    exit;
}
curl_close($ch);

// レスポンスをファイルに保存
$file_path = 'output.mp3';
file_put_contents($file_path, $api_response);

print "音声ファイルが生成されました: <a href='$file_path'>output.mp3</a><br>";

?>

API リクエストのパラメータ

上記のコードでは、以下のパラメータを指定しています。

input

音声変換するテキストデータを指定します。

model

使用するモデルを指定します。ここでは、gpt-4o-mini-tts を指定しています。

voice

音声のスタイルを指定します。ここでは、coral を指定しています。

instructions

音声のトーンや感情、ペースなどの指示を指定します。
voice と instructions は、OpenAI の TTSデモサイト OpenAI.fm で色々試してみて調整するのが良いかなと思います。
instructions の値は、 デモサイトのVibe の項で調整できます。

response_format

レスポンスのファイル形式を指定します。ここでは、mp3 を指定しています。

speed

音声のスピードを指定します。デフォルト値は1.0。1.2 は少し早めのスピードになります。

その他、API に渡すパラメータの詳細は、API Reference - OpenAI API を参照。

API からのレスポンス

API からのレスポンスは、音声データが含まれたバイナリデータです。上記のコードでは、レスポンスを output.mp3 というファイル名で保存しています。