クラウドTTS APIでテキストを音声に変換

作成者 Yomikase編集チーム · 更新日 2026-11-18

このガイドでは、ニュース配信やアプリ開発で「文章の読み上げ」を必要とするインディー開発者のために、複雑な設定なく音声ファイルを生成できるクラウドTTS APIの仕様を解説します。OpenAI SDKの延長線上で利用でき、curlや標準ライブラリで即座に統合できます。

8種類のプリセット音声、23言語のサポート、従量課金制の透明な価格体系、そしてAPIキーの管理方法などを網羅しています。技術仕様からよくある質問、実際のコード例まで、開発者がスムーズにAPIを立ち上げ、運用を継続するために必要な情報をまとめました。

クラウドTTS APIでテキストを音声に変換

よくある質問

音声ファイルの形式はどれが選べますか?

mp3、wav、opus、flac、pcmの5形式から選べます。APIリクエストのresponse_formatパラメータで指定可能です。必要な音声品質やファイルサイズに応じて適切な形式を選択してください。これにより、ニュース配信アプリやバックエンド処理での音声データの扱いが柔軟になります。

音声合成に失敗した場合、料金は請求されますか?

いいえ、請求されません。音声合成に失敗したリクエストについては、料金が全額返金されます。したがって、一時的なエラーや処理失敗の場合でも、課金される心配はありません。正常に処理されたリクエストのみに対して、文字数に応じて課金が行われます。

トップアップはどのように行いますか?

USDT(TRC-20)のみでトップアップできます。TRONネットワーク経由で送金すると、数分で自動的に残高に反映されます。最小トップアップ額は5ドルです。クレジットカードやPayPalは利用できず、請求書や VAT もありません。残高の有効期限はありません。

トライアルクレジットの有効期限は?

Googleでサインインすると、0.50ドルのトライアルクレジットが提供されます。これは約5万文字分に相当し、有効期限は7日間です。メールとパスワードで作成したアカウントには、トライアルクレジットは付与されません。有効期限内に使い切ってください。

APIキーは複数持てますか?

アカウントあたり有効なキーは1つです。新しいキーを発行すると、古いキーは直ちに無効になります。したがって、同時に複数のキーを並行して使用することはできません。必要に応じてキーをローテーションさせる場合は、新しいキーを発行してください。

音声はトレーニングに使用されますか?

入力テキストは音声生成のみに使用され、トレーニングには利用されません。生成された音声ファイルはレスポンスで返され、サーバーには保存されません。請求のために保持されるのは、時刻、文字数、ステータスなどのメタデータのみです。

音声ファイルはサーバーに保存されますか?

生成された音声ファイルはサーバーに保存されません。APIレスポンスとしてクライアントに返された時点で完了です。ただし、請求管理のために、リクエストの時刻、文字数、ステータスなどのメタデータは保持されます。生成テキストもトレーニングには使用されません。

サポートはどのように受けられますか?

サポートはメールのみで行われています。電話番号やライブチャットは提供していません。技術的な質問やアカウントに関する問い合わせは、メール経由で受け付けます。リアルタイムのサポートやSLA保証はありません。

APIの概要

の音声波形イラスト: APIの概要

YomikaseのクラウドTTS APIは、OpenAIの音声エンドポイントと互換性のあるシンプルな設計です。複雑な設定なく、既存のインフラに組み込めます。

OpenAI互換のシンプルなエンドポイント

POST https://api.playu34.com/v1/audio/speech にJSONを送るだけで音声ファイルが生成されます。公式OpenAI SDKの base_url を変更するだけで動作するため、開発負荷が軽減されます。

リクエストとレスポンスの形式

リクエストボディには model(tts-1 または tts-1-hd)、input(最大4096文字)、voice、response_format(mp3, wav, opus, flac, pcm)を指定します。レスポンスとして音声ファイルが直接返されます。

音声合成の処理速度とキュー

長文では1秒あたり約25文字の生成速度が目安です。リクエストは逐次処理されるため、負荷時はキューで待機することがあります。短文でも数秒の生成時間を要します。

音声と言語の対応

の音声波形イラスト: 音声と言語の対応

8種類のプリセット音声と23言語の組み合わせで、ニュース配信やアプリ開発の多様な要件に対応します。言語は自動検出または明示的な指定が可能です。

8種類のプリセット音声

aria(暖かいナレーター)、nova(活気のある告知)、luna(柔らかな物語)、sage(落ち着いた解説)、felix(エネルギッシュなプロモ)、milo(親しみやすい会話)、atlas(中立なニュース)、orion(重厚なドキュメンタリー)の8声を用意。

23言語のサポートと自動検出

アラビア語からトルコ語まで23言語をサポート。非ラテン文字の場合、言語を指定してください。ラテン文字の英語以外では、言語を明示的に設定することを推奨します。

  • サポート外: ベトナム語、インドネシア語、タイ語、ウクライナ語、ルーマニア語、チェコ語、ベンガル語など

音声のライセンスとウォーターマーク

LibriVoxの公衆ドメイン audiobook や LibriTTS-R(CC BY 4.0)の録音を基にしています。生成された音声ファイルには、合成音声を示す不可聴のウォーターマークが埋め込まれます。

価格と支払い

の音声波形イラスト: 価格と支払い

APIの利用料金は従量課金制で、100万文字あたり10ドル(1,000文字あたり0.01ドル)のシンプルなお支払いです。スペースや句読点も含む文字数で正確に計算され、月額プランや最低利用額の縛りはありません。

音声合成の失敗時には料金が全額返金されます。残高のトップアップはTRONネットワーク(TRC-20)のUSDTのみに対応し、最小5ドルから可能です。カードや PayPal は使用せず、請求書や付加価値税の計算も不要です。

従量課金制の透明な価格

利用量は生成された文字数に応じてのみ課金されます。例えば、50,000文字のテキストを変換する場合、料金は0.5ドルとなります。残高はリアルタイムで更新され、ダッシュボードでいつでも確認できます。

  • 100万文字あたり10ドル
  • 1,000文字あたり0.01ドル
  • スペースと句読点も文字数に含まれる

失敗したリクエストの無料化

音声合成に失敗したリクエストに対しては、課金されません。失敗時にチャージされた金額は自動的に返金処理され、アカウント残高に復帰します。正常に処理されたリクエストのみが課金の対象となります。

TRON暗号通貨でのトップアップ

残高の追加はUSDT(TRC-20)のみで行えます。送金確認後、数分以内に残高が自動的に反映されます。クレジットカードやデビットカードでの決済はサポートしていません。残高の有効期限はありません。

トップアップの最小金額は5ドルです。サブスクリプション契約やシートの追加も不要で、必要な分だけチャージして利用してください。

  • USDT(TRC-20)のみ対応
  • 最小トップアップ金額:5ドル
  • 残高の有効期限:なし

技術仕様

の音声波形イラスト: 技術仕様

APIはOpenAI互換の構造を採用し、POSTエンドポイントでJSONリクエストを送信します。認証にはBearerトークンを使用し、modelは"tts-1"または"tts-1-hd"を選択できます。

モデルと音声パラメータ

パラメータにはinput(最大4096文字)、voice(8種類)、speed(0.25〜4.0)、response_format、languageが含まれます。言語を指定しない場合、スクリプトから自動推定されます。

  • model: tts-1, tts-1-hd
  • voice: aria, nova, luna, sage, felix, milo, atlas, orion
  • speed: 0.25 - 4.0
  • response_format: mp3, wav, opus, flac, pcm

音声ファイルの形式と速度

生成は約25文字/秒でリアルタイム並みの速度です。短めの文章でも数秒かかる場合があります。リクエストはキューで逐次処理されるため、負荷時には待ち時間が生じる可能性があります。

  • mp3, wav, opus, flac, pcm
  • 生成速度: 約25文字/秒

長文テキストの分割と結合

4096文字を超える場合はクライアント側で分割し、生成された音声ファイルを結合する必要があります。これはAPI側で自動的に行われる機能ではなく、実装側の処理が必要です。

アカウントと認証

の音声波形イラスト: アカウントと認証

APIキーは「get-api-key」ページでGoogleまたはメールアドレスでサインアップすると発行されます。アカウントはサイトごとに独立しており、キーは1アカウントにつき1つ有効です。新しいキーを発行すると、以前のキーは即時無効になります。

認証には Authorization: Bearer tts-... ヘッダーを使用します。キーは安全に管理し、不要な公開を避けてください。

APIキーの管理と発行

APIキーは「get-api-key」ページでGoogleまたはメールアドレスでサインアップすると発行されます。アカウントはサイトごとに独立しており、キーは1アカウントにつき1つ有効です。新しいキーを発行すると、以前のキーは即時無効になります。認証には Authorization: Bearer tts-... ヘッダーを使用します。キーは安全に管理し、不要な公開を避けてください。

レートリミットと制限

レートリミットは1分間あたり60リクエストです。トップアップ前の初回利用時は1分間10リクエストの制限があります。リクエストは順次処理されるため、負荷が高い場合はキューで待機する場合があります。

1リクエストあたりの文字数は最大4096文字までです。それを超える長文は、アプリ側で分割して送信し、生成された音声ファイルを結合する必要があります。

  • 1分間あたり60リクエスト(初回は10リクエスト)
  • 1リクエスト最大4096文字
  • リクエストは順次処理され、キューで待機する可能性がある

Googleまたはメールでのサインアップ

サインアップはGoogleアカウントまたはメールアドレスとパスワードで可能です。Googleサインアップの場合、7日間有効の$0.50のトライアルクレジットが付与されます。メールアドレスでのサインアップでは、トライアルクレジットは付与されません。

アカウント情報は「get-api-key」ページで確認でき、キー、残高、使用状況などが表示されます。

データとプライバシー

の音声波形イラスト: データとプライバシー

入力テキストは音声生成のみに使用され、モデル学習には利用されません。生成された音声ファイルはレスポンスで返却され、サーバーには保存されません。

課金処理のために、リクエスト時刻、文字数、ステータスなどのメタデータが保持されます。これらは請求確認のためにのみ使用されます。

データの使用と保持

API経由で送信されたテキストは、音声合成エンジンでの処理のみを目的として使用されます。処理が完了すれば、元のテキストデータは直ちに破棄されます。

課金システムが正確に動作するため、リクエストの時刻、処理された文字数、完了ステータスなどのメタデータが記録されます。これらは請求明細の確認にのみ利用されます。

トレーニングへの使用有無

生成された音声データや入力テキストは、将来のモデル改善や学習用データとして利用されることはありません。お客様のデータは専らお客様の音声生成のためにのみ使用されます。

そのため、生成された音声が公開プラットフォームや他の顧客のデータセットに含まれる心配はありません。

音声ファイルの保存ポリシー

音声合成の結果(音声ファイル)は、APIレスポンスを通じてクライアントに返却されます。ファイルはサーバーのストレージに永続的に保存されず、生成後に削除されます。

ただし、レートリミットや課金計算のために、メタデータは一定期間保持されます。

サポートと制限事項

の音声波形イラスト: サポートと制限事項

サポートはメールのみです。電話やライブチャット、SLAは用意していません。

複雑な仕様ではなく、シンプルなAPIを提供することに注力しています。

サポートの受け方

ご質問はメールでのみ受け付けています。電話窓口やライブチャット、チケットシステムは導入していません。

非対応機能のリスト

ストリーミング、SSML、カスタム音声クローニング、音声感情タグ、独自SDKは提供していません。音声合成専用です。

  • ストリーミング対応なし
  • SSML非対応
  • カスタム音声クローニングなし
  • 音声感情タグなし

他社ブランドとの関係性

OpenAIやElevenLabs、Googleなどの公式パートナーではありません。OpenAI SDKの互換エンドポイントとして動作する独立系インディー製品です。

サポートと制限事項

よくある質問

の音声波形イラスト: よくある質問

APIの動作や料金、技術的な制限について、開発者が頻繁に抱く疑問をまとめました。OpenAI互換の仕様や、実際の利用シーンで気になるポイントを中心に解説します。

各項目は簡潔に事実のみを記載しています。詳細な技術仕様や、他社製品との違いについては各セクションをご参照ください。

音声ファイルの形式はどれが選べますか?

mp3, wav, opus, flac, pcmの5形式から選べます。ファイルサイズや品質の要件に合わせて適切な形式を選択してください。

mp3は一般的な利用に、wavやflacは高品質な録音が必要な場合に適しています。

音声合成に失敗した場合、料金は請求されますか?

合成に失敗したリクエストは無料です。エラーが発生した場合、料金は全額返金またはチャージバックされます。

正常に完了したリクエストのみが課金対象となります。

トップアップはどのように行いますか?

USDT(TRC-20)のみでトップアップ可能です。TRONネットワークでの送金が完了すると、数分で自動的に残高に反映されます。

最小トップアップ額は$5です。カードやPayPalでの支払いはありません。

トライアルクレジットの有効期限は?

Googleサインアップ時に付与される$0.50のトライアルクレジットは、7日間有効です。

メールとパスワードで作成したアカウントにはトライアルクレジットは付与されません。

APIキーは複数持てますか?

アカウントあたりアクティブなキーは1つだけです。新しいキーを発行すると、古いキーは即時無効になります。

必要に応じていつでも新しいキーを発行できます。

音声はトレーニングに使用されますか?

入力されたテキストは音声生成のみに使用され、モデルのトレーニングには利用されません。

生成された音声ファイルもレスポンスとして返された後、保存されません。

音声ファイルはサーバーに保存されますか?

生成された音声ファイルはサーバーに保存されません。リクエストメタデータ(時間、文字数、ステータス)のみが課金のために記録されます。

音声ファイル自体は永続的なストレージには保持されません。

サポートはどのように受けられますか?

サポートはメールのみで行っています。電話やライブチャットは提供していません。

技術的な問題や課金に関する問い合わせは、メールで受け付けています。

音声ライブラリの詳細

の音声波形イラスト: 音声ライブラリの詳細

Yomikaseの音声ライブラリは、LibriTTS-Rデータセット由来の8種類のプリセット音声を提供します。すべての音声はライセンスされた録音に基づいており、合成音声であることを示す不可聴のウォーターマークが埋め込まれています。

男女4声ずつの計8種類から、ニュース配信やアプリ開発に適したトーンを選択できます。すべての音声は23言語すべてを話すことができます。

女性4声:aria, nova, luna, sage

女性音声は、クリアなナレーションからアップビートなトーンまで、用途に合わせて選べます。

  • aria: 暖かみのあるクリアなナレーター
  • nova: 明るく活気のあるトーン
  • luna: 柔らかく物語を語るような声
  • sage: 落ち着いた指示や説明に適した声

男性4声:felix, milo, atlas, orion

男性音声は、エネルギッシュなプロモーションからニュートラルなニュース配信まで幅広く対応します。

  • felix: エネルギーに満ちたプロモーション向き
  • milo: 親しみやすく会話的なトーン
  • atlas: ニュース配信に適した中立な声
  • orion: 深くドキュメンタリー調の声

各音声のトーンと用途の違い

ariaやsageは解説やガイドに適し、novaやfelixは広告やプロモーション動画に最適です。

利用上の注意点

の音声波形イラスト: 利用上の注意点

APIの利用では、1リクエストあたりの文字数制限や速度調整、言語指定の仕組みを理解しておく必要があります。これらは生成品質と課金計算に直結する重要な要素です。

長文の処理や多言語対応において、予期しない挙動を防ぐための基本的なルールを以下のセクションで確認してください。

文字数制限と分割処理

1つのリクエストで送信できるテキストは最大4096文字です。これを超える文章を処理する場合は、クライアント側で適切な区切りで分割し、生成された音声ファイルを結合する必要があります。

短くても処理には数秒、長文の場合はリアルタイムに近い速度(1秒あたり約25文字分)で生成されますが、キュー待ちが発生する可能性があります。

速度調整(0.25〜4.0倍)

speedパラメータで読み上げ速度を0.25倍から4.0倍の範囲で調整できます。ニュース配信やアプリ開発において、最適なリズムを見つけるために試行錯誤することをお勧めします。

速度を変えると音声の抑揚も変化するため、文脈に合わせた微調整が必要です。

言語指定の推奨事項

言語コード(language)を指定しない場合、ラテン文字は英語として、それ以外の文字は対応する言語として自動検出されます。

英語以外のラテン文字(スペイン語やフランス語など)を使用する場合は、必ず言語コードを明示的に設定してください。検出ミスを防ぐために、これは重要な手順です。

開発者向けガイド

の音声波形イラスト: 開発者向けガイド

開発者は、まずcurlコマンドでAPIのエンドポイントと認証を確認し、音声生成の基本的な流れをテストします。その後、OpenAI SDKのbase_urlを変更することで、既存のコードベースを最小限の修正で利用可能です。

curlコマンドでのテスト方法

まず、APIキーを環境変数に設定し、curlでPOSTリクエストを送信します。本文にはモデル、音声、テキスト形式を指定し、成功すれば音声ファイルが返されます。これにより、ネットワーク環境での基本的な連携を確認できます。

  • POST https://api.playu34.com/v1/audio/speech
  • ヘッダー: Authorization: Bearer YOUR_API_KEY
  • ボディ: {model, input, voice, response_format}

OpenAI SDKの使用方法

公式SDKのbase_urlを https://api.playu34.com/v1 に変更するだけで動作します。他のパラメータはOpenAIと互換性があるため、既存のクライアントコードをそのまま利用でき、学習コストが低く済みます。

  • base_urlの変更のみで利用可能
  • 既存のOpenAI SDK互換
  • パラメータ形状は同一

エラーハンドリングとステータスコード

リクエストの失敗時には、対応するHTTPステータスコードとエラーメッセージが返されます。合成に失敗した場合は課金も発生しないため、エラー処理ロジックを適切に実装するだけで安全に運用できます。

  • HTTPステータスコードで状態を確認
  • 失敗時は返金される
  • エラーメッセージで原因特定

サービスの特徴

の音声波形イラスト: サービスの特徴

Yomikase APIは、複雑な設定なしでOpenAI SDKの延長線上で音声ファイルを生成できます。ニュース配信やアプリ開発において、リアルタイムに近い生成速度を実現し、開発者のワークフローをスムーズにします。

生成される音声ファイルには不可聴のウォーターマークが含まれており、合成音声であることを明確に示します。透明性のある課金システムにより、使用した文字数に応じた従量課金のみで、隠れたコストはありません。

リアルタイムに近い生成速度

長文テキストの処理は、生成された音声の秒数に対してテキストの文字数が約25文字対1秒の比率で進みます。これは、音声再生が終了するほぼ同時にテキスト処理も完了することを意味し、リアルタイム性を損ないません。短く短いフレーズでも数秒で生成が完了します。

ただし、リクエストはキューで順番に処理されるため、混雑時には待ち時間が発生する場合があります。これは同時実行時でも一貫した品質を保つための設計です。

合成音声の不可聴ウォーターマーク

Yomikaseで生成されるすべての音声ファイルには、人間には聞こえないが検出可能なウォーターマークが埋め込まれています。これにより、生成された音声が人工的なものであることを明確に区別できます。

この特徴は、ニュースやアプリ開発において、コンテンツの出典を明確にするために役立ちます。外部からの改ざん検知や、合成音声の適切な表示に貢献します。

シンプルで透明な課金システム

Yomikase APIは、100万文字あたり10ドル(1,000文字あたり0.01ドル)の従量課金制を採用しています。成功したリクエストのみが課金対象となり、失敗したリクエストは無料です。

クレジットカードやサブスクリプション、追加コストは不要です。TRON暗号通貨でのトップアップにより、最小5ドルから簡単に入金でき、残高は期限なしで利用できます。

この課金システムは、開発者がコストを正確に予測し、予算を管理しやすくするための設計です。

8つの音声を確認

以下の各サンプルは、同じ文章をこのAPIで生成したものです。 これを超える文章を処理する場合は、クライアント側で適切な区切りで分割し、生成された音声ファイルを結合する必要があります。

音声のアバター aria
aria女性
音声のアバター nova
nova女性
音声のアバター luna
luna女性
音声のアバター sage
sage女性
音声のアバター felix
felix男性
音声のアバター milo
milo男性
音声のアバター atlas
atlas男性
音声のアバター orion
orion男性

23言語

どの音声でも、これらの言語のいずれかを話します。

出典および参考資料

  1. Wikipedia
  2. openai-node on GitHub
  3. OpenAI API reference: create speech
  4. Node.js documentation
  5. FFmpeg documentation
  6. ISO 639 language codes
  7. Tether (USDT)
  8. LibriTTS-R paper (arXiv 2305.18802)
  9. MDN: Web Speech API
  10. TRON developer hub: TRC-20
  11. Creative Commons Attribution 4.0
  12. openai-python on GitHub

このサイトに関するその他の情報