Aivis Cloud APIの「最速0.3秒」とは？音声生成・ストリーミング・再生開始の違いを解説！

皆さんこんにちは。
感情豊かな音声合成技術を誰もがかんたんに活用できる未来を目指す、Aivis Projectです✨

Aivis Cloud APIでは、低遅延性能を表す言葉として「最速0.3秒」と案内しています。

しかし、音声合成の速度には、音声を生成する時間、最初のデータが届くまでの時間、実際に音が鳴り始めるまでの時間など、複数の測定点があります。比較対象の数字がどの測定点を示しているか分からなければ、正しい比較はできません。

この記事では、「最速0.3秒」という数字の正しい読み方を起点に、音声生成・ストリーミング配信・再生開始をどのように区別し、実装では何を測るべきかを解説します📚

【結論】「0.3秒」は保証値ではなく、条件下での最速値

Aivis Cloud APIの公式情報では、0.3秒という数字を次の2つの文脈で案内しています。

Aivis Cloud APIの紹介ページ

紹介ページでは、「最速0.3秒でストリーミング再生を開始」と案内しています。
掲載しているリアルタイム音声合成デモの実測例では、リクエスト開始から再生開始まで272ミリ秒でした。

Aivis Cloud APIドキュメント

APIドキュメントでは、GPUサーバーの混雑状況に応じたベストエフォート値として、次の生成性能を案内しています。

・2秒、15文字の音声を最速0.3秒以下で生成
・30秒、230文字の音声を最速0.7秒以下で生成

つまり、再生開始が0.3秒を下回った実測例と、短い音声を0.3秒以下で生成できる性能の両方が存在します。
ただし、いずれもすべてのリクエストで0.3秒以内になることを保証するものではありません。

モデル、テキスト、音声形式、サーバーの混雑状況、ネットワーク、再生端末、クライアント実装によって結果は変動します。

【整理】音声合成では5つの時刻を分けて考える

音声合成APIの速度を評価するときは、少なくとも次の5つの時刻を記録します。

① リクエスト送信
      ↓
② レスポンスヘッダー受信
      ↓
③ 最初の音声チャンク受信
      ↓
④ 実際の再生開始
      ↓
⑤ 音声全体の生成・受信完了

① リクエスト送信

クライアントがAPIへリクエストを送り始めた時刻です。認証、APIゲートウェイ、ネットワーク往復などの計測起点になります。

② レスポンスヘッダー受信

サーバーがリクエストを受け付け、レスポンスを返し始めた時刻です。ただし、ヘッダーを受け取っただけでは、音声データが届いたとは限りません。

③ 最初の音声チャンク受信

最初の音声データがクライアントへ届いた時刻です。TTSの低遅延性能を比べる際に使われることが多い指標ですが、この時点でも音が鳴るとは限りません。

④ 実際の再生開始

届いた音声をデコードし、再生バッファへ入れ、スピーカーから音が鳴り始めた時刻です。ユーザーの体感に最も近い測定点です。

⑤ 音声全体の生成・受信完了

音声データを最後まで受け取り終えた時刻です。ファイル生成では重要ですが、ストリーミング再生では、完了を待たずにユーザーが音声を聞き始められます。

⚠️ 「最初のチャンクが0.3秒で届いた」と「0.3秒で音が鳴った」と「0.3秒で音声全体が完成した」は、すべて異なる結果です。

【仕組み】ストリーミングは生成完了を待たずに再生する

音声全体の生成を待つ方式では、処理は次のように進みます。

リクエスト
  ↓
音声全体を生成
  ↓
音声全体を受信
  ↓
再生開始

音声が長くなるほど、再生開始までの待ち時間も伸びます。

一方、ストリーミング再生では、生成できた音声から順番に受信・再生します。

リクエスト
  ↓
最初の音声を生成 → 受信 → 再生開始
  ↓                     ↓
残りの音声を生成 → 受信しながら再生

Aivis Cloud APIでは、改行または対応するSSMLタグで区切られたセグメントごとに音声を生成し、エンコードが完了したデータから順次配信します。

クライアントが受信したデータを順番にデコーダーへ渡せば、音声全体の完成を待たずに再生できます。長い文章ほど、生成と再生を重ねられる効果が大きくなります✨

⚠️ Aivis Cloud APIのリクエストボディにstream: trueを追加する必要はありません。音声レスポンス自体がストリーミング配信されます。HTTPクライアント側で、レスポンスを一括取得せず逐次読み取ってください。

【重要】短い音声と長い音声では、数字の意味が変わる

2秒程度の短い音声が0.3秒以下で生成できる場合、音声全体が完成するまで待っても、待機時間は小さく抑えられます。

一方、30秒の音声では、全体の生成完了を待つ必要はありません。最初のセグメントが生成できた段階で再生を始め、その裏で残りを生成・配信できます。

この違いを整理すると、次のようになります。

短い応答

「はい」「承知しました」「確認します」といった短い発話では、音声全体の生成時間そのものが重要です。

長い案内

商品説明、ニュース、長い回答などでは、音声全体の生成時間に加えて、最初の音が鳴るまでの時間と、再生中にデータが途切れないことが重要です。

長い音声を0.7秒で生成できても、クライアントがすべてのデータを受信してから再生する実装では、ストリーミングの利点を活かせません。反対に、再生開始だけが速くても、その後の生成や通信が再生速度に追いつかなければ音切れします。

開始の速さ、全体の生成速度、再生の安定性は別々に評価してください。

【比較方法】APIのレイテンシは条件と測定点をそろえる

音声合成APIを比較するときは、数字だけを横に並べないでください。最低限、次の条件をそろえます。

測定の開始点と終了点

・リクエスト開始から最初のチャンクまでか
・リクエスト開始から実際の再生開始までか
・リクエスト開始から全音声の生成完了までか

入力テキスト

・文字数
・文や改行の数
・使用言語
・SSMLの有無

短い定型文と長い説明文では、同じ条件になりません。

出力音声

・音声の長さ
・MP3、AAC、Opus、WAVなどの形式
・サンプリングレート
・ビットレート
・モノラルまたはステレオ

実行環境

・クライアントとAPIサーバーの地域
・端末とOS
・ブラウザまたは再生ライブラリ
・中継サーバー、リバースプロキシ、CDNの有無
・同時リクエスト数

集計方法

・最速値か、平均値か
・p50、p95、p99のどれか
・初回実行を含むか
・何回測定したか

比較時には、同じ文章、同じ音声長、同じ端末、同じネットワーク、同じ測定区間で複数回テストしてください。

【短縮1】最初のセグメントを適切な長さにする

Aivis Cloud APIでは、一行に長いテキストをすべて書くと、その行全体を音声合成してから配信するため、ストリーミングの効果が弱くなります。

ただし、短い語句ごとに細かく分割すればよいわけではありません。分割しすぎると、推論回数と処理のオーバーヘッドが増え、音声が途切れたように聞こえたり、感情表現が不自然になったりします。

通常は1〜3文程度を目安にしながら、意味的につながる文章は文脈の区切りまでまとめます。

改善前:
お問い合わせありがとうございます。ご契約状況を確認した上で現在ご利用いただけるプランと変更時の注意点をご案内します。

改善例:
お問い合わせありがとうございます。
ご契約状況を確認した上で、現在ご利用いただけるプランと変更時の注意点をご案内します。

最初の短い一文を先に生成・再生できるため、体感上の待ち時間を縮められます。

なお、一行が200文字を超える場合、Aivis Cloud APIは200文字境界の前後50文字以内にある文末記号などを探し、自動的に分割して音声を生成します。

【短縮2】先頭の無音時間を削る

leading_silence_secondsは、生成音声の先頭に付ける無音時間です。既定値は0.1秒で、0.0〜60.0秒の範囲で指定できます。

リアルタイム再生では0.0を指定すると、音声先頭の無音を削除できます。

{
  "model_uuid": "YOUR_MODEL_UUID",
  "text": "承知しました。確認します。",
  "output_format": "mp3",
  "leading_silence_seconds": 0.0
}

0.1秒は小さく見えますが、数百ミリ秒単位で再生開始を調整する場合には無視できません。

ただし、この設定は音声合成の推論を速くするものではありません。生成音声の先頭にある無音を取り除き、実際の発声を早める設定です。

【短縮3】用途に合った出力形式を選ぶ

Aivis Cloud APIは、WAV・FLAC・MP3・AAC・Opusに対応しています。

MP3

ブラウザやOSとの互換性が高く、低遅延ストリーミング再生に対応しています。ブラウザでのリアルタイム再生では、まずMP3を基準にすると実装しやすくなります。未指定時の出力形式もMP3です。

Opus

圧縮効率が高く、ファイルサイズとリアルタイム性を重視する用途に向いています。ただし、iOS SafariではiOS 18.4以降のみ対応しているため、対象端末を確認してください。

AAC

MP3より圧縮率と音質に優れ、ストリーミング再生にも対応します。iOS対応が必要で、圧縮効率も重視する場合の候補です。ただし、MP3と比べるとエンコードは若干遅くなります。

WAV・FLAC

無劣化音声が必要な用途では有効ですが、WAVはファイルサイズが大きいため、リアルタイム用途には不向きです。

また、Aivis Cloud APIのストリーミングWAVでは、RIFFヘッダーのデータサイズが未設定の状態で配信されます。フォーマット解析が厳密な一部のプレイヤーでは、正常に読み込めない場合があります。

⚠️ 出力形式の優劣はコーデックだけでは決まりません。対象ブラウザや端末で、最初のチャンク受信から実際の再生開始までを測って選んでください。

【短縮4】生成速度を落とす設定を避ける

pitchを既定値の0.0から変更すると、仕様上、生成音声の品質が劣化する場合があり、生成速度も顕著に低下します。

低遅延を優先する場合は、まずモデルや話者スタイルを選び直し、pitchは既定値のまま利用することをおすすめします。

また、ブラウザから音声合成APIを直接呼び出すと、中継サーバーを通過する時間を省けます。Aivis Cloud APIの音声合成APIは、ブラウザから利用できるようクロスオリジンアクセスを許可しています。

ただし、ブラウザへAPIキーを持たせると、利用者がキーを確認できる状態になります。低遅延化とAPIキーの保護を両立できる構成かを検討してください。

【計測】最初のチャンクと再生開始を別々に記録する

次のコードは、既存のブラウザ向けストリーミングプレイヤーに追加する計測点の例です。

const audio = document.querySelector("audio");
const startedAt = performance.now();

audio.addEventListener("playing", () => {
  const playbackAt = performance.now();
  console.log(`再生開始: ${playbackAt - startedAt} ms`);
}, { once: true });

const response = await fetch(
  "https://api.aivis-project.com/v1/tts/synthesize",
  requestOptions,
);

if (!response.ok) {
  throw new Error(`HTTP ${response.status}: ${await response.text()}`);
}

const headersAt = performance.now();
console.log(`ヘッダー受信: ${headersAt - startedAt} ms`);

const reader = response.body.getReader();
let firstChunkAt = null;

for (;;) {
  const { value, done } = await reader.read();
  if (done) break;

  if (firstChunkAt === null) {
    firstChunkAt = performance.now();
    console.log(`最初のチャンク: ${firstChunkAt - startedAt} ms`);
  }

  // 実際の実装では、受信したvalueをMediaSourceなどへ追加する
}

この例では、レスポンスヘッダー、最初のチャンク、再生開始を分けて記録しています。

⚠️ コード中の音声データをMediaSourceへ追加する処理は省略しています。そのままではストリーミングプレイヤーとして動作しません。実装時は、リアルタイム音声合成デモのHTMLソースをご利用ください。PC Chrome・Android Chrome・Mac Safari・iOS Safariで動作確認されており、パブリックドメインで公開されています。

【音声AI全体】0.3秒の前にも処理がある

Aivis Cloud APIが担当するのは、テキストを音声に変換するTTSの工程です。

音声エージェント全体では、その前にVAD、STT、LLM、RAG、外部ツールなどの処理が入ります。

ユーザーの発話
  ↓
VAD・STT
  ↓
LLM・外部ツール
  ↓
Aivis Cloud API
  ↓
音声の再生

したがって、Aivis Cloud API側で0.3秒前後の結果が得られても、音声AI全体が0.3秒で応答するとは限りません。

LLMから返答全文を受け取ってからTTSへ送る構成では、LLMの完了待ちがそのまま加わります。低遅延化する場合は、LLMが生成した最初の短い一文からAivis Cloud APIへ送り、後続文の生成と音声再生を並行させます。

TTS単体の速度と、ユーザーが感じるEnd-to-Endの応答時間は、分けて計測してください。

よくある質問（FAQ）

Q. 「最速0.3秒」はSLAとして保証されますか？

保証値ではなく、条件下で確認された最速値です。本番環境の要件を決める場合は、ご利用環境で複数回測定し、平均値だけでなくp95・p99も確認してください。

Q. DNS・TLS接続の時間も計測へ含めるべきですか？

ユーザー体験を評価するEnd-to-Endの計測には含めます。一方、音声合成処理だけを比較するときは、接続を再利用した測定も分けて行うと、ネットワークとAPI処理を切り分けられます。

Q. 最初のリクエストだけ遅くなるのはなぜですか？

DNS解決、TLS接続、HTTP接続、クライアント側デコーダーなどの初期化が考えられます。初回と2回目以降を別々に集計し、HTTP接続の再利用も確認してください。

Q. 中継サーバーを使うと、ストリーミングできなくなることはありますか？

あります。リバースプロキシやアプリケーションフレームワークがレスポンスをバッファすると、一定量がたまるまでブラウザへ届きません。API側、中継サーバー側、ブラウザ側で最初のチャンク時刻を記録し、止まっている区間を確認してください。

Q. 音声生成が再生より速ければ、バッファは不要ですか？

ネットワークの揺らぎや一時的な生成速度の低下があるため、通常は小さなバッファが必要です。小さすぎると音切れし、大きすぎると再生開始が遅れるため、開始時間とアンダーラン回数を一緒に見ながら調整してください。

Q. 実際の動作を試せますか？

リアルタイム音声合成デモで、任意のテキストを使ったストリーミング再生を試せます。APIキーとモデルUUIDまたはアクセスキーが必要です。

まとめ

「0.3秒」という数字だけを見るのではなく、何を始点とし、何を終点として測ったのかまで確認することが、正しい評価につながります。

Aivis Cloud APIでは、音声全体を高速に生成するだけでなく、生成できたデータから順番に配信することで、リアルタイム音声AIの待ち時間を短縮しています。まずは公式デモで実際の再生開始時間を確認し、その上でご利用環境に近い条件でも計測してみてください✨

以上で、この記事はおしまいです。
Aivis ProjectやAivis Cloud APIに関してご不明点やご相談がある場合には、お問い合わせフォームよりお気軽にご連絡ください。

🔗 関連リンク

・Aivis Cloud API: https://aivis-project.com/cloud-api/
・Aivis Cloud APIドキュメント: https://api.aivis-project.com/v1/docs
・リアルタイム音声合成デモ: https://api.aivis-project.com/v1/demo/realtime-streaming
・音声AIの遅延はどこで発生する？: https://note.com/aivis_project/n/n9d2cb39d318c