Text to Speech の API を Entra ID 認証で呼び出す方法

Speech Service の API、特に Text to Speech の API を Entra ID 認証で呼び出す方法について、Azure VM と curl を使用した場合の具体的な手順例をご紹介します。

---

Speech Service の API を Entra ID 認証で呼び出す方法

Speech Service の API を Entra ID 認証で呼び出すには、他の Azure AI services とは異なり、認証トークンに追加の処理が必要です。
この点を踏まえた具体的な手順例を以下にまとめていますので、アプリケーションへ組み込みいただく際の参考としてご利用ください。

事前準備

1. Azure VM でシステム割り当てのマネージド ID を有効 にします。

2. (1) のマネージド ID に、Speech Service のリソースに対して Cognitive Services Speech User のロールを割り当てます。

   Cognitive Services User など他のロールでも可能です。

3. Speech Service のリソースでカスタムサブドメイン名を有効にします。

   Entra ID 認証を使用するにはカスタムサブドメイン名を有効にする必要があります。この点は他の Azure AI services と共通です。

API 呼び出し

以降は Azure VM (Linux) に SSH でログインして curl のコマンドで動作確認します。

4. マネージド ID を使用して Entra ID トークンを取得します。

コマンド例:

curl -X GET "http://169.254.169.254/metadata/identity/oauth2/token?api-version=2018-02-01&resource=https%3A%2F%2Fcognitiveservices.azure.com" -H "Metadata: true"

応答例:

{
    "access_token": "eyJ0eX...g",
    "client_id": "2a...3",
    "expires_in": "86061",
    "expires_on": "1738835772",
    "ext_expires_in": "86399",
    "not_before": "1738749072",
    "resource": "https://cognitiveservices.azure.com",
    "token_type": "Bearer"
}

5. “aad#{resourceId}#{aadToken}” の形式でトークンを成形します。

例:

aad#/subscriptions/<Sub ID>/resourceGroups/<Resource Group>/providers/Microsoft.CognitiveServices/accounts/<Resource>#eyJ0eX...g

6. Text to Speech の API を呼び出します

コマンド例:

curl -v --location --request POST "https://<Custom subdomain>.cognitiveservices.azure.com/tts/cognitiveservices/v1" \
--header "Authorization: aad#/subscriptions/<Sub ID>/resourceGroups/<Resource Group>/providers/Microsoft.CognitiveServices/accounts/<Resource>#eyJ0eX...g" \
--header 'Content-Type: application/ssml+xml' \
--header 'X-Microsoft-OutputFormat: audio-16khz-128kbitrate-mono-mp3' \
--header 'User-Agent: curl' \
--data-raw '<speak version='\''1.0'\'' xml:lang='\''en-US'\''>
    <voice xml:lang='\''en-US'\'' xml:gender='\''Female'\'' name='\''en-US-AvaMultilingualNeural'\''>
        my voice is my passport verify me
    </voice>
</speak>' > output.mp3

応答例:

< HTTP/2 200
< date: Wed, 05 Feb 2025 10:02:43 GMT
< content-type: audio/mpeg

指定したフォーマット (audio-16khz-128kbitrate-mono-mp3) で音声ファイル (output.mp3) が出力されます。

---

変更履歴
2025/04/21 created by Nakagami