レイテンシーの最適化

このガイドでは、テキスト読み上げのレイテンシーを改善するための基本原則を説明します。レイテンシーとは何か、何が影響するのかについては、レイテンシーを理解するをご覧ください。

個別の手法は数多くありますが、ここでは4つの原則に分けて紹介します。

4つの原則

1. Flashモデルを使用する
2. ストリーミングを活用する
3. 地理的な近接性を考慮する
4. 適切な音声を選ぶ

Flashモデルを使用する

Flashモデルは約75msの推論速度を実現しており、リアルタイムアプリケーションに最適です。その代わり、Multilingual v2と比較すると、オーディオ品質はわずかに低下します。

ストリーミングを活用する

APIリファレンスでは、3種類のテキスト読み上げエンドポイントを利用できます。

• 通常エンドポイント：完全なオーディオファイルを1回のレスポンスで返します。
• ストリーミングエンドポイント：Server-sent eventsを使用して、オーディオチャンクを段階的に返します。
• WebSocketエンドポイント：リアルタイムのオーディオ生成向けに双方向ストリーミングを有効にします。

ストリーミング

ストリーミングエンドポイントは、オーディオの生成と同時にリアルタイムで段階的に返すため、最初のバイトを受信するまでの時間を短縮します。このエンドポイントは、入力テキストを事前に用意できるケースに推奨されます。

WebSocket

テキスト読み上げWebSocketエンドポイントは双方向ストリーミングに対応しており、リアルタイムでテキスト入力が行われるアプリケーション（例：LLMの出力）に最適です。

auto_modeが無効の場合、モデルはチャンクスケジュールに一致する十分なテキストが届くまで、オーディオ生成を開始しません。

たとえば、チャンクスケジュールを125文字に設定しても50文字しか届かない場合、追加の文字が届くまでモデルは待機します。その結果、レイテンシーが増加する可能性があります。

実装の詳細については、テキスト読み上げWebSocketガイドをご覧ください。

適切な音声を選ぶ

場合によっては、音声の選択がレイテンシーに影響することがあります。高速な順に並べると、以下のとおりです。

1. デフォルト音声（旧Premade）、Synthetic音声、インスタントボイスクローン（IVC）
2. プロフェッショナルボイスクローン（PVC）

高音質の出力形式では、レイテンシーが増加する場合があります。レイテンシー要件と必要なオーディオ忠実度のバランスを取ってください。

地理的な近接性を考慮する

地理的な場所に応じてレイテンシーを最適化するため、複数のリージョンからモデルを提供しています。

たとえば、FlashモデルをWebSocketで使用する場合、場所に応じて以下のTTFBレイテンシーが見込まれます。

APIレスポンスのx-regionヘッダーを確認すると、リクエストを処理しているバックエンドリージョンを確認できます。 現在使用しているリージョンは、米国、オランダ、シンガポールです。

グローバルルーティングを無効にして常に米国のサーバーを使用するには、APIリクエストのベースURLにapi.us.elevenlabs.ioを使用します。

import os
from elevenlabs.client import ElevenLabs
elevenlabs = ElevenLabs(
    api_key=os.getenv("ELEVENLABS_API_KEY"),
    base_url="https://api.us.elevenlabs.io"
)