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解説します。レイテンシーとは何か、また何がレイテンシーに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 に分けて説明します。

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

リアルタイムモデルを使用する

Eleven v4 TurboとFlash v2.5は、中央値約100msのレイテンシーでリアルタイム利用向けに設計されています。Flashモデルでは、Multilingual v2と比べて音声品質が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、次の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。

• 通常のエンドポイント：完全なオーディオファイルを1つ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に対応した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、リアルタイムで生成中のオーディオを段階的に返すため、最初のバイトを受信するまでの時間を短縮できます。入力テキストを事前に用意できるケースにおすすめです。

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、リアルタイムのテキスト入力（例：LLMの出力）を扱うアプリケーションに最適です。

auto_modeが無効の場合、モデルはチャンクスケジュールに合う十分なテキストが届くまで、オーディオの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文字に設定していても、50文字しか届かなければ、モデルは追加の文字が届くまで待機します。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

音声の選択がレイテンシーに影響する場合があることを確認しています。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）

高音質の出力フォーマットでは、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音声忠実度のニーズ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、WebSocketでFlashモデルを使用する場合、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た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リクエストにapi.us.elevenlabs.ioベースURLを使用してください。

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