この文書は元の英語版を機械翻訳したものです。翻訳版と英語版の間に相違がある場合は、英語版が優先されるものとします。 英語版の原文を読む

音声：話す・聴く

AIに応答を読み上げさせたいですか？あるいはタイピングの代わりにメッセージを口述したいですか？Caiiooは音声の入力と出力を提供します。すべて設定可能で、一部はデバイス上でローカルに動作します。

入力・出力オプション、自動読み上げトグル、再生速度を備えた音声設定

音声出力 (Text-to-Speech)

AIに回答を音声で読み上げさせます。以下から選択できます：

オプション	タイプ	品質	セットアップ
ブラウザデフォルト	ローカル	基本	無料、セットアップ不要
Kokoro Neural TTS	ローカル	高品質	無料、デバイス上で動作
Google Gemini	クラウド	自然	APIキーを追加
OpenAI (gpt-4o-mini-tts)	クラウド	自然、コントロール可能な出力	OpenAI APIキーを追加
ElevenLabs	クラウド	プレミアム	APIキーを追加
Cartesia (Sonic 3.5)	クラウド	プレミアム	APIキーを追加
Resemble.ai	Cloud	非常に優れている（音声クローン）	APIキーを追加

Kokoroのダウンロードサイズ： Kokoroモデルには2つのバリエーションがあり、プラットフォームによってダウンロードされるものが異なります。macOSおよびiOSでは、より小さいINT8量子化モデル（約88MB）が読み込まれ、拡張機能/ブラウザでは、より大きい高精度なWebGPUビルド（約330MB）が使用されます。ダウンロードは初回のみです。

プラットフォームの注意点：

iOSネイティブKokoro (v0.9.720以降)：WebViewではなくOnnxRuntimeを介してiOSホストプロセスで実行され、iPhone 13/14のクラッシュを修正します。
macOS Kokoro：デスクトップヘルパープロセスを介して文単位でストリーミング再生（再生ボタンを押してから約1秒以内）します。
Gemini TTS (v0.9.723以降)：文単位で再生されるため、すべての返答の合成を待つのではなく、最初の文から音声が開始されます。
OpenAI (v0.9.724以降)：コントロール可能な出力を持つ gpt-4o-mini-tts — アクセント、トーン、ペースを自然言語で指定すると（例：「温かみのあるアイルランドなまりでこれを読んで」）、音声がそれに従います。OpenAI LLMプロバイダーと同じOpenAI APIキーを使用します。「Settings > Voice」にある Voice style instructions フィールドにより、すべての音声返答にスタイル指示を適用できます。
Cartesia (v0.9.723以降)：1つのAPIキーでSonic 3.5（出力）とInk（入力）の両方を動作させます。デフォルトの音声はないため、有効にする前に Settings > Voice で選択してください。

レイテンシ： GeminiとOpenAIは再生開始前に返答全体をレンダリングするため、長い回答では最初の音声に数秒の遅延が生じる場合があります。いずれかを選択すると、Settings > Voiceに注意書きが表示されます。低レイテンシの音声が必要な場合は、ElevenLabs、Cartesia、またはResemble.aiを選択してください。

再生速度： 速度スライダー（0.5×〜2.0×）は、ElevenLabs（0.7〜1.2×に制限）およびCartesia（0.6〜1.5×に制限）ではプロバイダーによって適用されます。ブラウザの音声とKokoroはローカルで速度を上げます。GeminiとOpenAIには独自の速度制御がないため、選択中はスライダーが非表示になります。Resemble.aiは標準（非ストリーミング）再生時に速度を適用します。

有効にする方法：

Settings > Voice に移動します
テキスト読み上げオプションを選択します
AIに自動で読み上げさせたい場合は、「Auto-read responses」をオンにします
お好みで再生速度を調整します

再生に失敗する場合： 音声のエラーがサイレント失敗ではなくトーストとして表示されるようになったため、APIキーの不足や無効、または選択したモデルと互換性のない音声（Resemble.aiやCartesiaでよく見られます）が発生した際に、何を修正すべきかが正確に分かります。

ローカルとクラウド： ブラウザの音声とKokoroは、デバイス外にデータを送信することは一切ありません。Gemini、OpenAI、ElevenLabs、Cartesia、Resemble.aiは、音声を生成するためにサーバーへテキストを送信します（APIキーを使用）。詳細については Privacy & Data をご覧ください。

音声コスト（TTS + STT）は、ワンショットパスと同様に、会話上で voice_cost として集計されます。

音声入力 (文字起こし)

タイピングの代わりにメッセージを口述できます。コンポーザーのマイクアイコンをクリックして録音を開始してください。Caiioo が発言を文字に起こし、メッセージフィールドに入力します。

文字起こしの方法を選択してください：

オプション	タイプ	プライバシー	セットアップ
Whisper (ブラウザ)	ローカル	完全プライベート	無料、デバイス上で実行
WhisperKit (iOS)	ローカル	完全プライベート	無料、デバイス上
whisper.cpp & Moonshine (Android)	ローカル	完全プライベート	無料、デバイス上
ブラウザ音声入力	ローカル	プライベート	無料、内蔵機能
ElevenLabs Scribe	クラウド	高精度（英語以外に最適）	ElevenLabs API キーが必要
Cartesia Ink	クラウド	高精度、低遅延	Cartesia API キーが必要

ローカルオプション（Whisper、WhisperKit、whisper.cpp、Moonshine、ブラウザ音声入力）は、音声をローカルに保持し、サーバーに送信しません。ElevenLabs と Cartesia は、文字起こしのために音声をサーバーに送信しますが（お客様の API キーを使用）、特に英語以外の言語で高い精度を提供します。

使い方:

コンポーザーのマイクアイコンをクリックします
メッセージを話します
終わったら停止します
文字起こしされたテキストがメッセージフィールドに表示されます
必要に応じて編集し、送信します

初回セットアップ: デバイス上の音声モデルを初めて使用するときは、ダウンロードと準備が必要です。コンポーザーに進行状況（「音声モデルをダウンロード中… N%」、「準備中」/「読み込み中」）が表示されます。最初のマイクタップ時に少し時間がかかることがありますが、フリーズではありません。

オーディオを録音して添付する

音声入力に加えて、クリップを録音してメッセージに添付できます：コンポーザーの + メニューを開き、オーディオを録音を選択します。iPhone、iPad、macOS、およびブラウザ拡張機能で利用可能です。「言語学習用」の発音コーチのように、録音を聞き取るアプリと自然に連携します。

モデルにあなたの録音を聞かせる

文字起こしを超えて、聞き取り機能を持つモデルが実際の音声ファイルを直接処理できるようにする2つの機能があります：

モデルに音声を含める（「設定」>「音声」）：録音を添付することで、音声対応モデル（Geminiなど）がプロンプトとともに実際の音声（トーン、発音、背景音など、単なる言葉だけでなく）を確認できるようにします。デフォルトではオフになっており、それ以外の場合は何も送信されません。マイクの横にある波形ボタンでメッセージごとに切り替えますが、このボタンは対応しているモードやアプリ（「言語学習用」など）でのみ表示されるため、日常的なタスクでコンポーザーが煩雑になることはありません。
聞き取り（無料ツール、デフォルトでオン）：アシスタントが、添付したそのターンまたはそれ以降のターンで、ターゲットを絞ったフォローアップの質問（「どの単語の発音が間違っていましたか？」「声のトーンはどのようなものですか？」など）を用いて、任意の音声添付ファイルを何度でも聞き返せるようにします。専用の音声ヘルパーモデルが聞き取りを行うため、チャットモデルが音声を聞き取れない場合でも機能します。

システム全体の音声入力 (macOS)

macOS の Pro 購読者は、PrivateVoice をインストールすることもできます。これは、Caiioo だけでなく、あらゆるアプリケーションで口述入力を行うためのグローバルなプッシュ・トゥ・トーク・ホットキーを追加する別のコンパニオンアプリです。詳細はデスクトップのダウンロードページを参照してください。