Amazon Nova 2 Sonic は、自然でリアルタイムな音声会話アプリケーションを構築するための Amazon の speech-to-speech 基盤モデルで、Nova ユーザーガイドは対話型音声アシスタント、カスタマーサービスの自動化、会話型アプリケーションを対象としています。
- 入力
- 音声 テキスト $0.06/M
- 出力
- 音声 テキスト $0.24/M
- 音声入力
- $3/M
- 音声出力
- $12/M
ベンダー定価。プラットフォーム手数料なし、従量課金。 これらは公式 list 価格です。ログイン中のお客様は /console/pricing でワークスペース割引を含む実効価格を確認できます。
料金 · 同種 6 モデル中の位置
このバーは、Synthorai 上の同種モデルの中でこのモデルの価格がどこに位置するかを示します。両端には最も安いモデルと最も高いモデルの名前が入ります。表示は基本料金で、バッチ・リージョン・キャッシュ書き込みの割引は料金ページにあります。
スペックと制限
トークン
| コンテキストウィンドウ(ベンダー仕様) | 1,000,000 |
|---|---|
| 最大出力(ベンダー仕様) | 64,000 |
音声
| 言語 | 英語(US、UK、インド、オーストラリア)、フランス語、イタリア語、ドイツ語、スペイン語、ポルトガル語、ヒンディー語。セッション途中での自動言語検出と切り替えに対応 |
|---|---|
| 音声の制限 |
|
| ストリーミング文字起こし | 対応 |
リアルタイム
| ボイス | ロケールごとに女性的な声と男性的な声を用意(tiffany/matthew en-US、amy en-GB、olivia en-AU、kiara/arjun en-IN および hi-IN、ambre/florian fr-FR、beatrice/lorenzo it-IT、tina/lennart de-DE、lupe/carlos es-US、carolina/leo pt-BR)。tiffany と matthew は対応するすべての言語を話すポリグロットボイスです。 |
|---|---|
| セッション |
|
モデル
| モダリティ | 音声 + テキスト → 音声 + テキスト |
|---|
- リアルタイム音声アプリケーション向けの Amazon の音声から音声への基盤モデルで、リクエスト/レスポンス型ではなく双方向ストリーミング API 経由で利用します。
- 入力音声のプロソディに合わせて話し方を調整し、1 文の中で言語を切り替えます。
- 背景ノイズと、対応言語における訛りに強いと文書化されています。
30 秒で nova-2-sonic を使う
OpenAI Realtime 互換:WebSocket で接続し、音声入力・音声出力。WS /v1/realtime
import asyncio, base64, json, websockets
URL = "wss://synthorai.io/v1/realtime?model=nova-2-sonic"
# Send ONLY the Authorization header — the beta protocol is retired.
HEADERS = {"Authorization": "Bearer sk-syn-..."}
async def main():
async with websockets.connect(URL, additional_headers=HEADERS) as ws:
# 1) configure the speech-to-speech session
await ws.send(json.dumps({
"type": "session.update",
"session": {
"type": "realtime",
"output_modalities": ["audio"],
"audio": {"output": {"voice": "alloy"}},
},
}))
# 2) send input audio (base64 PCM16), then request a spoken reply
await ws.send(json.dumps({"type": "input_audio_buffer.append", "audio": pcm16_b64}))
await ws.send(json.dumps({"type": "input_audio_buffer.commit"}))
await ws.send(json.dumps({"type": "response.create"}))
# 3) stream the model's audio (and text) back
async for raw in ws:
ev = json.loads(raw)
if ev["type"] == "response.audio.delta":
play(base64.b64decode(ev["delta"])) # audio out
elif ev["type"] == "response.done":
break
asyncio.run(main())import WebSocket from "ws";
const ws = new WebSocket("wss://synthorai.io/v1/realtime?model=nova-2-sonic", {
// Send ONLY the Authorization header — the beta protocol is retired.
headers: { Authorization: "Bearer sk-syn-..." },
});
ws.on("open", () => {
// configure the speech-to-speech session
ws.send(JSON.stringify({ type: "session.update", session: {
type: "realtime", output_modalities: ["audio"], audio: { output: { voice: "alloy" } },
} }));
// send input audio (base64 PCM16), then request a spoken reply
ws.send(JSON.stringify({ type: "input_audio_buffer.append", audio: pcm16Base64 }));
ws.send(JSON.stringify({ type: "input_audio_buffer.commit" }));
ws.send(JSON.stringify({ type: "response.create" }));
});
ws.on("message", (raw) => {
const ev = JSON.parse(raw.toString());
if (ev.type === "response.audio.delta") playAudio(Buffer.from(ev.delta, "base64")); // audio out
else if (ev.type === "response.done") ws.close();
});# Realtime is a WebSocket protocol — use a WS client such as websocat.
# Each line below is one OpenAI Realtime event (JSON) sent to the session.
websocat -H 'Authorization: Bearer sk-syn-...' \
'wss://synthorai.io/v1/realtime?model=nova-2-sonic' <<'EOF'
{"type":"session.update","session":{"type":"realtime","output_modalities":["audio"],"audio":{"output":{"voice":"alloy"}}}}
{"type":"input_audio_buffer.append","audio":"<base64-pcm16>"}
{"type":"input_audio_buffer.commit"}
{"type":"response.create"}
EOF
# Responses stream back as response.audio.delta (base64 audio out) … response.donepackage main
import (
"net/http"
"github.com/gorilla/websocket"
)
func main() {
h := http.Header{}
h.Set("Authorization", "Bearer sk-syn-...")
// Send ONLY the Authorization header — the beta protocol is retired.
c, _, err := websocket.DefaultDialer.Dial("wss://synthorai.io/v1/realtime?model=nova-2-sonic", h)
if err != nil {
panic(err)
}
defer c.Close()
// configure the speech-to-speech session, send audio, request a spoken reply
c.WriteJSON(map[string]any{"type": "session.update", "session": map[string]any{
"type": "realtime", "output_modalities": []string{"audio"},
"audio": map[string]any{"output": map[string]any{"voice": "alloy"}}}})
c.WriteJSON(map[string]any{"type": "input_audio_buffer.append", "audio": pcm16B64})
c.WriteJSON(map[string]any{"type": "input_audio_buffer.commit"})
c.WriteJSON(map[string]any{"type": "response.create"})
for {
var ev struct {
Type string `json:"type"`
Delta string `json:"delta"`
}
if err := c.ReadJSON(&ev); err != nil {
return
}
if ev.Type == "response.audio.delta" {
playAudio(ev.Delta) // base64 audio out
} else if ev.Type == "response.done" {
return
}
}
}import java.net.URI;
import java.net.http.HttpClient;
import java.net.http.WebSocket;
import java.util.concurrent.CompletionStage;
// JDK built-in WebSocket — no extra dependency needed.
WebSocket ws = HttpClient.newHttpClient().newWebSocketBuilder()
.header("Authorization", "Bearer sk-syn-...")
// Send ONLY the Authorization header — the beta protocol is retired.
.buildAsync(URI.create("wss://synthorai.io/v1/realtime?model=nova-2-sonic"), new WebSocket.Listener() {
public CompletionStage<?> onText(WebSocket w, CharSequence data, boolean last) {
// handle response.audio.delta (base64 audio out) / response.done here
w.request(1);
return null;
}
}).join();
// configure the session, send input audio, then request a spoken reply
ws.sendText("{\"type\":\"session.update\",\"session\":{\"type\":\"realtime\",\"output_modalities\":[\"audio\"],\"audio\":{\"output\":{\"voice\":\"alloy\"}}}}", true);
ws.sendText("{\"type\":\"input_audio_buffer.append\",\"audio\":\"<base64-pcm16>\"}", true);
ws.sendText("{\"type\":\"input_audio_buffer.commit\"}", true);
ws.sendText("{\"type\":\"response.create\"}", true);nova-2-sonic について
- リクエスト・レスポンス型ではなく双方向ストリーミング API 経由で利用し、これが低レイテンシのマルチターン会話を可能にしています。
- 公式ドキュメントは 1M トークンのコンテキストウィンドウと 64K の最大出力トークンを掲載しており、同じ会話の中で音声とテキストを受け付け、音声とテキストを返します。
- 音声のカバレッジは米国・英国・インド・オーストラリアの各英語変種に加えてフランス語、イタリア語、ドイツ語、スペイン語、ポルトガル語、ヒンディー語にわたり、男性的な声と女性的な声の両方が用意され、自動の言語検出と切り替えを備えます。
- ポリグロット音声は対応するどの言語でも話すため、通話相手がセッションの途中で言語を変えてもペルソナは一定に保たれます。
- 会話としての振る舞いが売りです。
- 入力音声のプロソディに合わせて発話が適応し、話者が話し終えたことをインテリジェントなターンテイキングが検出し、割り込みはコンテキストを失うことなく適切に処理され、ドキュメントは背景ノイズと対応言語のアクセントに対する堅牢性をうたっています。
- 関数呼び出しとエージェント的ワークフローに対応し、検索拡張生成によるエンタープライズデータへのナレッジグラウンディングも可能で、非同期のツール処理によりツールがバックグラウンドで動作する間もアシスタントは話し続けられます。
- 設計時に織り込むべき制限が 1 つあります。
- 接続は 8 分が上限で、より長い会話のための更新とセッション継続のパターンがサンプルコードに文書化されています。
- 提供は少数のリージョンに限られます。
- Synthorai は OpenAI 互換の /v1/realtime WebSocket エンドポイント経由で提供するため、公式の Realtime SDK クライアントは変更なしで接続できます。
よくある質問
nova-2-sonic API は無料で試せますか?
nova-2-sonic は現在招待制ベータです。オープン登録ではなく申請制で、Synthorai コンソールから申請できます。承認後は標準の従量課金が適用され、サブスクリプションは不要です。
nova-2-sonic は何が得意ですか?
リアルタイム音声会話向けの speech-to-speech モデル、ポリグロット音声は言語の切り替えをまたいでペルソナを維持、接続は 8 分が上限、更新パターンが文書化されています。全体像はベンダー公式のリリースノートに基づく「このモデルについて」セクションをご覧ください。
nova-2-sonic の料金はいくらですか?
Synthorai 上の nova-2-sonic は入力 100 万トークンあたり $0.06、出力 100 万トークンあたり $0.24 です。ベンダー定価のままで、プラットフォーム手数料はありません。
nova-2-sonic API はどう呼び出しますか?
nova-2-sonic は音声対話(speech-to-speech)モデルです。WebSocket で wss://synthorai.io/v1/realtime?model=nova-2-sonic に接続し、OpenAI Realtime SDK(または生の WebSocket)で音声入力・音声出力を行います。POST /v1/audio/transcriptions のファイルアップロードではありません。sk-syn キーで認証し、Authorization ヘッダーのみを送信してください(beta プロトコルは廃止済み)。
nova-2-sonic を利用するには?
nova-2-sonic は招待制ベータです。Synthorai コンソールからアクセスを申請してください。承認後は他のモデルと同じ使い方です。OpenAI SDK の base_url を "https://synthorai.io/v1" に向け、model="nova-2-sonic" を設定するだけです。
関連モデル
比較
このページの値はすべてベンダー自身のドキュメント(上部にリンク)から転記し、確認した日付を付しています。価格はカタログ全体で比較しますが、ベンダーごとに定義が異なる仕様値は差異を明記するにとどめ、図表で比較はしません。当社が測定した数値はなく、スコアも付けていません。