よくある質問
読み上げAPIとは何ですか?
クラウド上のテキスト読み上げAPIです。テキストを送信すると、音声ファイルが返されます。OpenAIのspeechエンドポイントと互換性があり、base_urlを変更するだけでSDKやHTTPリクエストで利用可能です。POSTリクエストでJSONボディを指定し、音声合成の処理を行います。
テキスト読み上げソフトとAPIの違いは何ですか?
APIはプログラムから呼び出すことで、アプリケーションやWebサービスに音声機能を組み込むことができます。専用ソフトとは異なり、サーバー側で処理され、生成された音声はレスポンスとして返されます。カスタマイズ可能なパラメータ(速度、音声、形式)をコードで制御できるのが特徴です。
音声読み上げはどのくらいの速度で処理されますか?
長文ではほぼリアルタイム(1秒あたり約25文字)で処理されます。短文でも数秒程度です。ただし、リクエストは逐次処理されるため、負荷が高い場合はキューで待機する場合があります。1分あたり60リクエストのレートリミットがあり、負荷に応じて処理速度が変動します。
音声データはどのように生成されますか?
入力されたテキストは最大4096文字ごとに分割され、音声エンジンで合成されます。生成された音声ファイルはレスポンスとして返されます。長文の場合は、分割された各音声ファイルをプログラム側で結合する必要があります。入力テキストは音声生成のみで使用され、トレーニングには利用されません。
音声の著作権は誰にありますか?
音声はLibriTTS-R(CC BY 4.0)およびLibriVoxの公衆ドメインオーディオブックの録音に基づいています。生成されたファイルには合成音声を示す不可視のウォーターマークが含まれます。著作権は元の録音やライセンス条項に従いますが、API利用による固有の著作権帰属は明記されていません。
音声に水印が入ることはありますか?
はい、生成されるすべての音声ファイルには不可視のウォーターマークが入ります。これは音声データが合成音声(AI生成)であることを示すために埋め込まれます。聴覚的にはほとんど気になりませんが、技術的に合成音声であることが識別可能になります。これはすべての生成ファイルに適用される標準機能です。
APIの利用にはどのくらいの容量が必要ですか?
APIの利用にはサーバー側のストレージ容量は不要です。クライアント側では、音声ファイル(mp3, wav等)を受信して保存または再生する必要があります。音声ファイルのサイズはテキストの長さや形式に依存しますが、APIサーバー側での永続的なデータ保持はありません。
音声ファイルの形式は何が利用できますか?
mp3, wav, opus, flac, pcmの5つの形式が利用可能です。response_formatパラメータで指定できます。mp3はサイズが小さく、wavやflacは高品質な音声が必要な場合に適しています。pcmは生データとして扱いたい場合に使用します。
音声の速度調整は可能ですか?
はい、speedパラメータで0.25から4.0の範囲で速度調整が可能です。デフォルト速度から遅くも速くも調整できます。これにより、高齢者向けの読み上げ速度の最適化や、スタートアップの音声UIでのスピード調整が柔軟に行えます。速度変更はリアルタイムで反映されます。
音声の言語はどのように指定しますか?
languageパラメータにISOコードを指定します。指定しない場合はスクリプトから推測されます(ラテン文字は英語とみなされます)。非英語のラテン文字テキストの場合は明示的な指定が必要です。23言語に対応しており、どの音声でも全ての言語を話せます。
音声の品質はどの程度ですか?
8種類のプリセット音声(aria, nova, luna, sage, felix, milo, atlas, orion)から選択できます。自然で正確な読み上げを提供します。音声はライセンスされた録音に基づいており、明確で聞き取りやすい品質です。SSMLや感情タグはありません。
音声の生成には時間がかかりますか?
短文でも数秒、長文ではほぼリアルタイムで生成されます。ただし、リクエストは逐次処理されるため、同時利用が多い場合はキューで待機する可能性があります。レートリミット(1分60リクエスト)を超えない範囲で利用すれば、通常は迅速に処理されます。
音声データの保存はどうなりますか?
生成された音声ファイルはレスポンスとして返され、APIサーバー側には保存されません。入力テキストも音声生成後に削除されます。ただし、請求のためにリクエストのメタデータ(時間、文字数、ステータス)は保持されます。クライアント側で音声ファイルを保存する場合は、レスポンスを保存する必要があります。
APIキーの更新はどのように行いますか?
アカウントページから新しいAPIキーをいつでも発行できます。新しいキーを発行すると、古いキーは即座に無効になります。1アカウントにつき1つのアクティブなキーを持ちます。キーはAuthorization: Bearerヘッダーに設定して使用します。
最初のリクエスト
curl
curl https://api.hbaj.info/v1/audio/speech \
-H "Authorization: Bearer $TTS_API_KEY" \
-H "Content-Type: application/json" \
-d '{"model":"tts-1","voice":"aria","input":"Hello from the API.","response_format":"mp3"}' \
--output hello.mp3読み上げAPIの基本機能
テキストを入力するだけで音声ファイルが生成されるAPIです。入力制限は4096文字で、mp3やwavなど複数の形式に対応します。
OpenAI互換の仕様により、base_urlを変更したOpenAI SDKやHTTPライブラリを利用可能です。APIキーとエンドポイントの設定のみで接続します。
テキストから音声ファイルへの変換
POSTリクエストで送信したテキストが音声に変換されます。生成された音声はレスポンスとして返却されます。
OpenAI互換のシンプルなAPI仕様
エンドポイントは https://api.hbaj.info/v1/audio/speech です。リクエスト形状はOpenAI Speechエンドポイントと同等のため、base_urlを変更するだけで利用できます。
認証はBearerトークンを使用し、modelにはtts-1またはtts-1-hdを指定します。速度や音声の選択もJSONボディで簡単に行えます。
8種類の音声プリセット
aria、nova、luna、sage、felix、milo、atlas、orionの8種類から選択できます。
これらの音声はLibriTTS-Rに基づくライセンス音声で、自然な読み上げを実現します。
- aria: 温暖で明確なナレーター
- nova: 明るく元気なトーン
- luna: 柔らかく物語的な語り
- felix: エネルギー溢れるプロモーション調
高齢者・アクセシビリティへの適用
YomikazeのAPIは、高齢者の読書支援やアクセシビリティ対応に利用できます。音声読み上げにより、視覚的な負担を軽減し、情報アクセスを向上させます。
23言語に対応し、地域包括ケアの現場でも活用できます。自然な音声で、長文のテキストを効率的に音声に変換します。
視覚障がい者の読書支援
APIは最大4096文字のテキストを音声に変換します。音声ファイルはmp3やwav形式で取得でき、視覚障がい者の読書支援に役立ちます。
- 音声ファイルの即時取得
- 複数の音声出力形式に対応
- 自然な音声での読書支援
音声読み上げによる情報アクセス向上
音声読み上げにより、高齢者や視覚障がい者が情報にアクセスしやすくなります。音声ファイルは生成後、即時に返却されます。
- 音声ファイルの即時返却
- 情報の効率的なアクセス
- 音声による情報提供
多言語対応による地域包括ケア
23言語に対応し、多様な地域包括ケアの現場で活用できます。音声は自然な読み上げで、地域住民の理解を深めます。
- 23言語のサポート
- 多言語での音声生成
- 地域包括ケアへの対応
音声と言語の対応範囲
8種類の音声プリセットは、年齢や用途に合わせた自然な読み上げを実現します。暖かみのあるナレーションから、クリアで明瞭な案内まで、8つの設定から選択可能です。
23言語に対応し、多様なユーザー層や地域包括ケアの現場でも活用できます。言語の自動判定機能と手動指定により、正確な発音を保証します。
8つの音声プリセットの特徴
女性ボイスは、暖かで明瞭な「aria」、明るく活発な「nova」、柔らかいストーリーテリングの「luna」、落ち着いた案内用の「sage」があります。男性ボイスでは、エネルギッシュな「felix」、会話的な「milo」、中立なニュース用の「atlas」、深みのあるドキュメンタリー調の「orion」が選べます。
これらの音声はLibriTTS-R(CC BY 4.0)およびパブリックドメインの朗読を基にしており、著作権のクリアな音声を提供します。
- aria: 暖かみのあるナレーター
- nova: 明るく活発なトーン
- luna: 柔らかいストーリーテリング
- sage: 落ち着いた案内
- felix: エネルギッシュなプロモーション
- milo: 親しみやすい会話体
23言語のサポート状況
英語、日本語、中国語、韓国語、ドイツ語、フランス語など、23言語での読み上げが可能です。高齢者の読書支援やアクセシビリティにおいて、多様な言語環境に対応します。
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、ベンガル語などは現在サポートしていません。
- アラビア語、中国語、デンマーク語、オランダ語、英語、フィンランド語
- フランス語、ドイツ語、ギリシャ語、ヘブライ語、ヒンディー語、イタリア語
- 日本語、韓国語、マレー語、ノルウェー語、ポーランド語、ポルトガル語
- ロシア語、スペイン語、スワヒリ語、スウェーデン語、トルコ語
言語自動判定と手動指定
言語を指定しない場合、文字情報から自動的に判定されます。ラテン文字のテキストはデフォルトで英語として処理されるため、他のラテン文字言語を使用する場合は言語パラメータを手動で設定してください。
例えば日本語の漢字や仮名、中国語の漢字など、固有の文字セットがある言語は正しく認識されます。
音声データの品質と特徴
生成される音声ファイルには、人間には聴こえないが機械で検出可能な不可視水印が埋め込まれています。これにより、音声データが合成されたものであることを明確に区別できます。また、音声は元となる録音データとしてLibriTTS-R(CC BY 4.0ライセンス)に基づいています。これにより、法的なリスクを最小限に抑えつつ、自然な読み上げ品質を実現しています。
音声の生成速度は、長文テキストの場合、おおむねリアルタイム速度(生成秒数に対して約25文字)で処理されます。ただし、APIサーバー上のキュー処理により、負荷がかかる状況では数秒の待ち時間が発生する場合があります。
合成音声の不可視水印
生成された音声ファイルには、人間には聴こえないが機械で検出可能な不可視水印が埋め込まれています。これにより、音声データが合成されたものであることを明確に区別できます。
LibriVoxベースのライセンス音声
音声は元となる録音データとしてLibriTTS-R(CC BY 4.0ライセンス)およびLibriVoxのパブリックドメイン音声に基づいて構築されています。これにより、法的なリスクを最小限に抑えつつ、自然な読み上げ品質を実現しています。
音声のリアルタイム生成速度
音声の生成速度は、長文テキストの場合、おおむねリアルタイム速度(生成秒数に対して約25文字)で処理されます。ただし、APIサーバー上のキュー処理により、負荷がかかる状況では数秒の待ち時間が発生する場合があります。
APIの技術仕様
YomikazeのTTS APIは、OpenAI互換のシンプルなJSON形式を採用しています。POST https://api.hbaj.info/v1/audio/speechへリクエストを送ることで、テキストを音声ファイルに変換します。既存のOpenAI SDKもbase_urlを変更するだけで利用可能です。
POSTエンドポイントとJSON形式
リクエストボディにはmodel、input、voice、response_format、speed、languageの各フィールドを指定します。認証はAuthorization: Bearerヘッダーで行います。
4096文字までの入力制限
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。これを超える長い文章は、クライアント側で適度に分割し、生成された音声ファイルを結合することで対応します。
mp3, wav, opus, flac, pcmの形式
response_formatパラメータにより、mp3、wav、opus、flac、pcmの5つの音声形式から出力形式を選択できます。用途に合わせて適切なコーデックを選定してください。

利用制限と処理速度
API利用には1分間あたり60リクエストのレートリミットが適用されます。初回トップアップ前は1分間10リクエストの制限となるため、初期テスト時は注意が必要です。
音声合成はリクエストごとに逐次処理されるため、ピーク時はキュー待ちが発生します。長時間のテキスト処理では実時間程度の生成速度ですが、短めのテキストでも数秒の処理時間を見積もってください。
1分間60リクエストのレートリミット
単一APIキーあたり1分間60リクエストが上限です。バッチ処理や複数デバイスからの同時アクセス時は、レート制限に達しないようスロットリングを調整してください。
制限超過時はエラーが返却され、課金されません。
- 通常: 60リクエスト/分
- 初回: 10リクエスト/分
- エラー時は返金
キュー処理による待機時間
リクエストは順番に処理されるため、負荷が高い場合はキューで待機します。このため、即時応答が保証されません。
短くても合成には数秒を要し、長文は実時間並みの処理時間を要します。
複数テキストの結合処理
4096文字を超える長文は、クライアント側で分割し、個別に音声ファイルを生成・結合する必要があります。
API自体は1リクエスト4096文字までの制限があり、分割や結合は外部処理が必要です。
音声データの生成と管理
API呼び出しが完了すると、生成された音声データはレスポンスボディとして即時返却されます。サーバー上では音声ファイル自体は永続的に保持されません。
生成音声の即時返却と保存
音声ファイルはクライアント側で管理されます。API経由で取得したMP3、WAV、Opusなどのファイルは、貴社のインフラまたはストレージに保存してください。
入力テキストの学習利用なし
送信されたテキストは音声生成の目的でのみ使用され、モデルのトレーニングやデータ収集には利用されません。
生成された音声もレスポンスとして返された後、サーバーには保存されません。
メタデータの保存と請求
請求と実績管理のため、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。
これらは音声コンテンツそのものとは別に管理され、課金の根拠としてのみ使用されます。
音声の権利とライセンス
Yomikazeの音声は、LibriVoxの朗読録音に基づくLibriTTS-Rデータセットを用いています。各音声プリセットは、著作権保護期間が満了したパブリックドメインの書籍から抽出された録音に由来します。
LibriTTS-Rによるライセンス
音声エンジンはLibriTTS-Rベースであり、LibriVoxのパブリックドメイン朗読録音を基にしています。
CC BY 4.0の適用範囲
基盤データはCC BY 4.0ライセンスの下で提供されています。
パブリックドメイン音声の利用
元の録音はパブリックドメインであり、特定の個人や実在するナレーターの声に限定されません。
APIキーの発行と管理
YomikazeのAPIキーは、サイト内の「get-api-key/」ページからGoogleアカウントまたはメールアドレスとパスワードで登録することで取得できます。Google認証を利用したアカウントには7日間有効な$0.50の無料クレジットが付与されますが、メール登録のみではこのトライアルクレジットは提供されません。
アカウントには1つのアクティブなAPIキーが割り当てられます。必要に応じて新しいキーをいつでも発行でき、新キー発行と同時に旧キーは直ちに無効化されます。これにより、キーの漏洩時やセキュリティポリシーの変更時に迅速な対応が可能です。
Googleまたはメール登録
登録は「get-api-key/」ページにて行います。Googleアカウントによるログインは、トライアルクレジットの付与対象となります。対して、メールアドレスとパスワードによる登録では、初期クレジットは付与されません。
APIキーの発行と更新
アカウントには1つのアクティブなAPIキーのみが有効です。ダッシュボードから新しいキーを生成すると、それまでのキーは即時無効になります。これにより、旧キーの流出リスクを即座に軽減できます。
有効キーの一元管理
現在のAPIキー、残高、トライアル状況、および使用状況はダッシュボードで一元管理されます。また、curlコマンドの例も表示されるため、初期設定が容易です。
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。 権利関係が単純なため、高齢者向け読書支援アプリのような多くのユーザーが利用するサービスでも、ライセンス上の懸念が少なく安定して運用できます。
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
- Wikipedia
- OpenAI API reference: create speech
- ISO 639 language codes
- openai-node on GitHub
- LibriVox public-domain audiobooks
- Creative Commons Attribution 4.0
- LibriTTS-R paper (arXiv 2305.18802)
- Tether (USDT)
- TRON developer hub: TRC-20
- W3C WAI: making audio and video accessible
- FFmpeg documentation
- Python documentation
