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。JSON形式でテキストを送信すると音声ファイルが返ります。OpenAI SDK互換の仕様で、curlやPythonなどの標準的な開発ツールで実装可能です。認証キーを使用して、v1/audio/speechエンドポイントにPOSTリクエストを送ることで利用できます。
高齢者の読書支援にAPIは適していますか?
はい、適しています。8種類の音声プリセットがあり、特に「luna」は柔らかく物語調、「sage」は落ち着いた教育調です。23言語に対応し、音声の明瞭さが高齢者の聴取支援に貢献します。音声ファイルはmp3やwavなど一般的な形式で出力され、アクセシビリティ実装に最適です。
音声読み上げはどのくらいの速度で処理されますか?
長文では約1秒あたり25文字の速度で、ほぼリアルタイムに生成されます。短文は数秒かかります。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待ちが発生する可能性があります。60リクエスト/分のレートリミット内であれば安定して利用できます。
音声の質はどの程度ですか?
LibriTTS-RおよびLibriVoxの録音データに基づく8つのプリセット音声を提供します。各音声ファイルには合成音声を示す不可視の透かしが埋め込まれています。感情タグやSSMLは未対応ですが、自然な読み上げを実現する設計です。
多言語対応は可能ですか?
アラビア語、中国語、英語、日本語など23言語に対応しています。どの音声でも全言語を話せます。言語を指定しない場合はスクリプトから推測されますが、ラテン文字の非英語テキストは明示的にlanguageパラメータを設定してください。ベトナム語やタイ語は未対応です。
コストはどのくらいですか?
100万文字あたり10ドル(1,000文字あたり0.01ドル)です。失敗したリクエストは無料です。USDT(TRC-20)でのみトップアップ可能で、最低5ドルから。クレジットカードやサブスクリプションはなく、残失効はありません。Googleログインで0.50ドルのトライアルが利用可能です。
実装は複雑ですか?
OpenAI SDK互換の仕様のため、base_urlを変更するだけで実装できます。v1/audio/speechへPOSTリクエストを送るだけで音声ファイルが得られます。複雑な独自SDKやプラグイン不要で、標準的なHTTPクライアントやcurlコマンドでも利用可能です。
データプライバシーは確保されていますか?
入力テキストは音声生成のみに使用され、学習には利用されません。生成された音声はレスポンスとして返され、サーバーには保存されません。請求目的でリクエストメタデータ(時間、文字数、ステータス)のみ保持されます。データセンターの選定やGDPR認証などは提供していません。
著作権は誰にありますか?
音声はLibriTTS-R(CC BY 4.0)およびLibriVoxのパブリックドメイン録音に基づいています。生成された音声ファイルには合成音声を示す透かしが含まれます。特定の有名人や政治家の音声クローンは提供していません。カスタムクローニング機能も現在提供していません。
制限事項は何がありますか?
1リクエストあたり4096文字までです。ストリーミングやWebSocketは未対応で、SSMLも使用できません。カスタム音声クローニングや感情タグはありません。SLAや稼働率保証、電話サポート、モバイルSDKも提供していません。音声ファイルの形式はmp3、wav、opus、flac、pcmの5種類です。
将来の拡張性はありますか?
現在の製品仕様では、モデルは「tts-1」と「tts-1-hd」の2種類です。新しいエンドポイントや機能の追加は保証されていません。レートリミットは1キーあたり60リクエスト/分です。拡張性はAPIの仕様依存であり、今後の変更は予告なく行われる可能性があります。
アクセシビリティ対応は可能ですか?
はい、可能です。8種類の音声プリセットは高齢者や視覚障がい者の読書支援に適しています。23言語に対応し、標準的な音声ファイル形式で出力します。SSMLやカスタム発音辞書はありませんが、基本的なアクセシビリティ要件を満たす音声生成が可能です。
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形式が選択可能です。各形式は異なる圧縮特性を持ちますが、音声の質は同じエンジンから生成されます。ストリーミング形式ではなく、ファイルとしてダウンロードまたはレスポンスとして取得します。
トライアル利用は可能ですか?
Googleログインでサインインすると、0.50ドルのトライアルクレジット(約5万文字)が7日間有効で提供されます。メールアドレス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が付与されません。トライアル終了後も残高があれば継続して利用可能です。
高齢者の読書支援における音声読み上げの必要性
視覚障がいのある高齢者にとって、従来の点字や大型文字盤は物理的な制約が生じやすい。音声読み上げAPIは、テキストデータを音声ファイルに変換することで、これらの物理的な障壁を取り除き、継続的な読書体験を提供します。特に、長時間の読書における視覚疲労の軽減に寄与します。
アクセシビリティ対応の観点では、音声出力は情報への平等なアクセスを実現する基盤となります。高齢者向けデバイスやスマートスピーカーとの連携により、手元の操作負担を軽減しつつ、書籍やニュースなどのコンテンツを日常的に入手可能にします。
視覚障がい者の読書支援
視覚機能の低下に伴い、小さな文字の判別が困難になる高齢者は多くいます。音声読み上げ技術は、視覚に頼らない読書手段を提供し、継続的な知識摂取を可能にします。これにより、読書自体の楽しみを維持しつつ、情報へのアクセスを確実なものにします。
- 視覚疲労の軽減による長時間読書の実現
- 文字の判別困難さを音声で補完
音声読み上げによる情報アクセス
音声読み上げAPIを利用することで、テキストデータを瞬時に音声データに変換できます。これにより、高齢者でも直感的にコンテンツを理解し、消費できるようになります。特に、文章量が多い書籍や記事において、効率的な情報取得が可能になります。
音声による情報提供は、読み書きの能力が一定程度維持されている高齢者にとっても有効です。視覚的な入力に頼らないため、認知負荷を軽減しながら、内容の理解を深めることができます。
- リアルタイムの音声変換ではなく、バッチ処理による音声生成
- 認知負荷の軽減と理解度の向上
高齢者向けデバイスの連携
スマートフォンやタブレット、専用音声デバイスなど、既存の機器とAPIを連携させることで、より使いやすい環境を整備できます。APIの標準的な仕様により、様々なハードウェアとの互換性が高く、導入後の拡張も容易です。
デバイス間の連携を円滑にすることで、高齢者が日常的に使用する環境に音声読み上げ機能を組み込めます。これにより、読書支援が生活の一部として自然に定着します。
- 多様なデバイスとの互換性確保
- 既存環境への容易な組み込み
読み上げAPIの技術的利点
読み上げAPIは、自然な音声生成と多言語対応、高速な処理速度という技術的利点を備えています。これらの機能は、高齢者の読書支援やアクセシビリティ対応において、安定した音声出力を実現します。
特に、8種類の音声プリセットと23言語の対応により、幅広いユーザーニーズに応えることができます。処理速度の最適化により、効率的な音声変換が可能です。
自然な音声の生成
TTS-1およびTTS-1-HDモデルは、LibriTTS-Rデータセットに基づいて生成された自然な音声を提供します。8種類のプリセット(aria、nova、luna、sage、felix、milo、atlas、orion)から選べ、高齢者向け読書支援に最適な落ち着いたトーンも含まれます。
音声ファイルには合成音声を示す不可視的水印が含まれますが、聴覚上は自然な読み上げを実現します。これにより、音声UI開発やアクセシビリティ対応における信頼性を高めます。
多言語対応の広範さ
23言語に対応しています。任意の音声でどの言語でも読み上げが可能で、言語コードを指定しない場合はスクリプトから自動検出されます。ラテン文字の非英語テキストには言語指定が必要です。
これにより、多言語環境でのアクセシビリティ対応や、高齢者の言語ニーズに柔軟に対応できます。サポート対象外の言語(ベトナム語など)は明示的に除外されます。
高速な処理速度
長時間のテキストでは、生成速度は実時間(1秒あたり約25文字)で処理されます。短めのフレーズでも数秒以内に完了し、効率的な音声変換が可能です。
リクエストは順次処理されるため、負荷がかかる場合はキュー待機が発生する場合がありますが、標準的な利用では安定した速度が維持されます。
アクセシビリティへの貢献
音声読み上げは、加齢による視力低下や運動機能の制限を持つ高齢者にとって、書籍やデジタルコンテンツへのアクセスを可能にする重要な技術です。音声UIの統合により、複雑な操作を必要とせず、音声で直接情報を読み上げることが可能になります。
音声読み上げのアクセシビリティ
視覚障がいや老眼が進行しても、テキストを音声に変換することで情報へアクセスできます。8種類の音声プリセットから、聞き取りやすい声を選択できるため、長期間の読書でも疲労を抑えられます。
- 視覚障がい者向けの情報アクセス手段として有効
- 多言語対応により、異なる言語圏の高齢者にも対応可能
音声UIの実装
API連携により、デバイスに音声読み上げ機能を組み込むことが容易です。複雑なメニュー操作が不要なため、技術に不慣れな高齢者でも直感的に利用できます。
高齢者の生活の質向上
読書支援により、認知機能の維持や孤独感の軽減に貢献します。音声によるコンテンツ消費は、身体活動が制限されている状況でも、精神的な豊かさを提供します。
コスト効率とスケーラビリティ
従量課金制は、100万文字あたり10ドル(1,000文字あたり0.01ドル)という明確なコスト構造を提供します。失敗したリクエストは無料となるため、無駄な支出を防げます。
従量課金の経済性
スペースや句読点も文字数にカウントされますが、月額料金や最小利用料の縛りがないため、小規模な読書支援システムからでも始められます。
- 失敗リクエストは全額返金されるためリスクが低い
- 月額プランや最小利用料の縛りがない
トライアル利用の活用
Google認証でサインインすると、7日間有効な0.50ドルの無料クレジット(約5万文字分)が提供されます。これにより、実際の音声品質を確認してから課金開始が可能です。
スケールアップの容易さ
アカウントあたりのキーは1つで、必要に応じて発行し直せます。60リクエスト/分のレートリミットは、一般的なアクセシビリティ用途には十分対応可能ですが、急増時はキュー処理に注意が必要です。
- 必要に応じてAPIキーを再発行可能
- 60リクエスト/分のレートリミット
音声の質と自然さ
音声の品質は、LibriVoxの公開録音とLibriTTS-Rデータセットに基づいたライセンス済み録音から生成されます。これにより、自然な読み上げを実現しつつ、著作権リスクを最小限に抑えています。
LibriVoxベースの音声
音声はLibriVoxの公開録音とLibriTTS-Rデータセットに基づいて生成されます。これにより、自然な読み上げを実現しつつ、著作権リスクを最小限に抑えています。
8種類の音声プリセット
8つのプリセット(Aria, Nova, Luna, Sage, Felix, Milo, Atlas, Orion)から選択できます。Sageはカームで教育的なトーンを提供し、読書支援に最適です。
男女のバランスが取れたラインナップにより、高齢者の聴覚特性に合わせた柔軟な設定が可能です。
不可視水印の影響
生成される音声ファイルには、合成音声を示す不可視の水印が埋め込まれています。これは人間の耳には検知できず、音声の自然な質や聞き取りやすさに影響を与えません。
この技術により、音声の由来を明確にしつつ、ユーザー体験を妨げません。
技術的な実装の簡素さ
Yomikaze APIはOpenAIのspeechエンドポイントと互換性があり、既存のインフラをそのまま利用できます。base_urlのみ変更すれば、標準的なSDKやcurlコマンドで統合可能です。
エラー処理はHTTPステータコードで明確に区別され、失敗時は課金も返却されるため、実装が簡素です。
OpenAI互換のAPI
APIエンドポイントはPOST https://api.hbaj.info/v1/audio/speechです。リクエスト形式はOpenAIと同一のため、既存のクライアントコードを修正するだけで利用可能です。
認証はAuthorization: Bearerヘッダーで行い、APIキーを指定します。これにより、開発環境と本番環境の切り替えが容易になります。
- エンドポイント: POST /v1/audio/speech
- 認証: Bearer token
- ベースURL: https://api.hbaj.info/v1
cURLとSDKの利用
curlコマンドやOpenAI互換のSDKを使用して、JSON bodyにテキストとパラメータを渡すだけで音声ファイルが取得できます。
SSMLは提供していませんが、シンプルに音声生成処理をシステムに組み込むことができます。
音声ファイルはレスポンスボディとして直接返却されるため、ファイル保存処理も最小限で済みます。
- curlコマンドで即時テスト可能
- OpenAI SDKのbase_url変更で利用可能
- JSON形式でパラメータ指定
エラー処理の容易さ
音声合成に失敗した場合は、課金が全額返却されます。これは開発時のデバッグコストを低減します。
HTTPステータコードとエラーメッセージにより、ネットワークエラーかパラメータエラーかを明確に区別できます。
レートリミット超過時も適切なレスポンスが返るため、キュー制御ロジックを容易に実装できます。
- 失敗時は課金返却
- HTTPステータコードでエラー分類
- レートリミット制御が容易
データプライバシーとセキュリティ
APIは入力テキストを学習目的で再利用しません。音声データは生成後即時返却され、ストレージに保持されません。請求のためのメタデータのみが記録されます。
入力テキストの学習利用なし
生成された音声はクライアントへ返送され、サーバー側では保管されません。入力テキストは音声生成専用に使われ、モデル改善のための学習データにはなりません。
音声データの即時返却
音声ファイルはレスポンスとして返送された時点で完了します。サーバーには音声データは保存されないため、第三者によるアクセスリスクが軽減されます。
メタデータの保存
請求と利用状況の確認のため、リクエスト時刻、文字数、ステータスなどのメタデータのみが記録されます。

ライセンスと著作権
音声合成の基盤となる音声データは、LibriVoxの公開録音から取得しています。これにより、著作権のクリアな素材のみを使用し、安心してサービスを提供できます。
LibriTTS-Rのライセンス
当APIの音声はLibriTTS-Rデータベースに基づいています。このデータセットはCC BY 4.0ライセンスの下で公開されており、商用利用も可能です。
CC BY 4.0の適用
CC BY 4.0は、出典を明記する限り改変や商用利用を許可するライセンスです。利用者のアプリケーションでも適切に帰属表示を行うことで合法性が保たれます。
パブリックドメイン音声
元となる録音はパブリックドメインの書籍朗読です。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。
実装例とデモ
Yomikaze APIは、高齢者の読書支援やアクセシビリティ対応において、開発者が音声ファイルを容易に生成できる環境を提供します。ここでは、cURLコマンドとPython SDKを用いた具体的な実装例を示します。
APIエンドポイントへのリクエストは直感的で、テキストの音声変換を短時間で完了できます。生成された音声ファイルは、高齢者向けデバイスやWebアプリケーションにすぐに統合可能です。
cURLコマンドの実行
次のcURLコマンドで、音声ファイルを生成・ダウンロードできます。APIキーと音声モデル、テキストを指定するだけで動作します。
$ curl -X POST "https://api.hbaj.info/v1/audio/speech" \ -H "Authorization: Bearer YOUR_API_KEY" \ -d '{"model": "tts-1", "voice": "aria", "input": "おはようございます。"}' \ --output audio.mp3
- 認証ヘッダーにAPIキーを設定
- モデルと音声プリセットを指定
- 入力テキストをJSON形式で送信
OpenAI SDKの使用
公式OpenAI SDKをbase_urlを変更して利用することも可能です。Pythonコードの例は以下の通りです。
import os from openai import OpenAI client = OpenAI(api_key=os.getenv("API_KEY"), base_url="https://api.hbaj.info/v1") with client.audio.speech.create( model="tts-1", voice="aria", input="こんにちは" ) as response: response.stream_to_file("output.mp3")
- base_urlをAPIエンドポイントに変更
- 標準的なSDKメソッドで音声生成
- ファイル保存に対応
音声ファイルの受信
成功したリクエストからは、指定された音声形式(mp3, wavなど)でファイルが返されます。4096文字以内のテキストが処理され、音声ファイルがダウンロード可能です。
生成された音声は、即時に再生または保存できます。エラーが発生した場合は、課金されず、ステータスコードで確認できます。
- mp3, wav, opus, flac, pcm形式に対応
- エラー時は全額返金
- 生成ファイルは即時利用可能
制限事項と考慮点
APIは1リクエストあたり4096文字という入力制限があります。長文の書籍や記事を読み上げる場合、クライアント側でテキストを分割し、複数回のAPI呼び出しを実行する必要があります。生成された音声ファイルは接続して利用します。
認証キーあたり1分間60リクエストのレートリミットが適用されます。最初のトップアップ前は1分あたり10リクエストです。大量のテキストを処理する際、キュー待ちが発生し、生成に通常より時間がかかる場合があります。
4096文字の入力制限
1回のリクエストで送信できるテキストは最大4096文字です。これを超える長文を処理するには、アプリケーション側で文字列を分割し、複数回APIを呼び出す必要があります。分割された各音声ファイルは、最終的に1つのオーディオファイルに結合して利用します。
文字数にはスペースや句読点も含まれます。効率的な分割ロジックを実装することで、読み上げの連続性を保ちながら制限を回避できます。
レートリミットの影響
1つのAPIキーあたり、1分間に60リクエストまでの制限があります。アカウント作成直後や最初のトップアップ前は、1分あたり10リクエストに制限されます。複数のユーザーやデバイスから同時にアクセスする場合、この制限に達すると新しいリクエストが拒否されるか、キューに待機する必要があります。
レートリミットはキーごとに独立して適用されます。アクセス頻度が高いユースケースでは、キューイングロジックを実装してリクエストを制御することが推奨されます。
キュー処理の待機時間
リクエストは順番に処理されます。特に短時間での大量リクエストやサーバー負荷が高い時間帯には、キューに待機する時間が生じる可能性があります。通常、長文では実時間並みの速度で生成されますが、キュー待ちにより応答まで数秒から数十秒の遅延が生じる場合があります。
待機時間はサーバーの混雑状況に応じて変動します。タイムアウト値を適切に設定し、リトライロジックを実装することで、安定した運用が可能になります。
将来の展望と拡張性
現時点ではストリーミングやSSML、カスタム音声クローニングは提供されていませんが、API基盤の標準化により、将来的な機能拡張への対応は容易です。
23言語のサポートは既存の音声技術の基盤を活かし、アクセシビリティ要件の多様化に柔軟に対応できる設計となっています。
音声技術の進化
現在はバッチ処理が基本ですが、OpenAI互換のアーキテクチャを採用しているため、将来的なリアルタイム音声合成や低レイテンシ化への移行が技術的に可能です。
音声エンジン自体のアップデートは裏側で行われ、APIの互換性を保ちながら精度が向上する仕組みです。
- 現在のバッチ処理からストリーミングへの変更はAPI仕様の変更により対応可能
- 音声エンジンの改善は利用側の変更なしで提供される
多言語対応の拡大
現在対応していないベトナム語やタイ語などへの拡張は、基盤となる音声モデルの更新次第で可能になります。
既存の23言語の枠組みを維持しつつ、必要に応じて言語サポートが追加される予定です。
これにより、高齢者の地域別ニーズや多文化共生への対応も将来的に強化されます。
- 未対応言語の追加はモデルアップデートにより実現
- 既存言語の品質向上と新言語サポートの両立
アクセシビリティの向上
音声の自然さの向上と、より細かな速度調整(0.25–4.0倍速)の精度向上により、認知機能に応じた読み上げが可能になります。
不可視水印の技術進歩により、合成音声の識別精度が向上し、情報の信頼性確保にも寄与します。
アクセシビリティ対応デバイスとの連携が強化され、より包括的な読書支援が期待されます。
- 速度調整の精度向上による個人差への対応
- 水印技術の進化による合成音声の識別精度向上
結論と推奨事項
Yomikaze APIは、高齢者の読書支援とアクセシビリティ対応において、自然な音声と透明な料金体系を提供します。8種類のプリセット音声は、視覚的な負担を軽減し、情報アクセスを容易にします。
高齢者向け読書支援への適性
明確な音声と安定した処理は、高齢者にとって読みやすさを保証します。4096文字以内のテキスト処理と、失敗時の返金保証により、信頼性の高い読書体験が実現します。
アクセシビリティ対応の推奨
多言語対応とOpenAI互換のAPIは、多様なユーザーニーズに応えます。音声UI開発において、専門的なサポートと迅速な実装がアクセシビリティの質を向上させます。
API利用の開始
Googleサインインで即時にトライアルクレジットを受け取れます。cURLやSDKを用いた簡易な実装で、すぐに読み上げサービスを開始できます。
- Googleサインインで即座に開始
- シンプルなAPIエンドポイント
- 透明な従量課金体系
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。
