よくある質問
CapCut音声読み上げとこのAPIの違いは?
CapCutは編集ソフトウェアですが、当APIはクラウド上のテキスト読み上げAPIです。POSTリクエストでテキストを送信し、音声ファイルを受信します。SSMLやストリーミングには対応していません。教育現場の教材作成やアクセシビリティ対応に特化し、透明なコストで音声データを生成・取得できます。
音声読み上げAPIとは何ですか?
テキストを入力すると音声ファイルが生成されるクラウドサービスです。エンドポイントは POST https://api.getf59.com/v1/audio/speech です。JSONボディでモデルやボイスを指定し、認証キーでアクセスします。OpenAI SDKのbase_urlを変更するだけで利用可能です。
音声ファイルの形式は?
mp3、wav、opus、flac、pcmの5形式から選択可能です。response_formatパラメータで指定します。教育現場ではmp3やwavが一般的ですが、高品質なflacも利用可能です。各形式は生成された音声データとして直接レスポンスで返却されます。
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。未指定の場合、ラテン文字は英語とみなされます。日本語や中国語など非ラテン文字は自動検出されます。23言語に対応しており、どのボイスでもどの言語を話せます。正確な認識のため、非英語ラテン語には明示的な指定を推奨します。
音声はどのように生成されますか?
LibriTTS-R(CC BY 4.0)およびLibriVoxの公衆ドメイン録音に基づいています。テキストを送信するとエンジンが処理し、合成音声ファイルを返します。各ファイルには合成音声を示す不可聴の透かしが含まれます。リクエストは順次処理され、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。
テキストの文字数制限は?
1リクエストあたり最大4096文字までです。それ以上の長文は、4096文字ごとに分割して生成し、音声ファイルを結合する必要があります。スペースや句読点も文字数に含まれます。教育教材の作成では、適切な分割処理を実装することで、長文の音声化を可能にします。
音声の著作権は?
基盤音声はLibriTTS-R(CC BY 4.0)およびLibriVoxの公衆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不可聴の透かしが含まれます。入力テキストは学習に使用されず、生成音声は保存されません。著作権の帰属は利用規約に従ってください。
音声に水が入ることはありますか?
これは物理的な現象です。音声データはmp3、wav、opus、flac、pcmのデジタル形式で生成・配信されます。教育現場での利用において、音声ファイル自体に水分や物理的な変化が生じることはありません。デジタルファイルとして管理してください。
音声の品質は?
8種類のプリセットボイスから選択可能です。aria、nova、luna、sage(女性)とfelix、milo、atlas、orion(男性)が利用できます。基盤はライセンス付き録音に基づいており、自然な音声を提供します。tts-1-hdモデルは同じエンジンで、より高品質な音声を生成できます。
音声の遅延は?
長文では実時間程度の速度(1秒あたり約25文字)で生成されます。短文でも数秒かかります。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し、遅延が生じる可能性があります。リアルタイムストリーミングには対応していません。
音声のフォーマットは?
mp3、wav、opus、flac、pcmの5形式に対応しています。response_formatパラメータで指定します。教育現場ではmp3やwavが広く利用されていますが、ロスレス形式のflacやPCMも選択可能です。APIレスポンスとして音声ファイルが直接返却されます。
音声のエンコーディングは?
選択したフォーマットに応じてエンコーディングされます。mp3、wav、opus、flac、pcmのいずれかです。エンコーディングの詳細は選択したフォーマットに依存します。APIは指定された形式で音声データを生成し、レスポンスとして返却します。カスタムエンコーディングパラメータは指定できません。
音声のサンプリングレートは?
サンプリングレートは指定パラメータではありません。選択したフォーマット(mp3、wav、opus、flac、pcm)に基づいて標準的なサンプリングレートが適用されます。教育用途では一般的なレートで十分です。特定のサンプリングレートを要求する場合は、生成後のファイルで変換してください。
音声のビットレートは?
ビットレートは指定パラメータではありません。選択したフォーマット(mp3、wav、opus、flac、pcm)に基づいて標準的なビットレートが適用されます。教育用途では一般的なレートで十分です。特定のビットレートを要求する場合は、生成後のファイルで変換してください。
最初のリクエスト
curl
curl https://api.getf59.com/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音声読み上げAPIの役割
TextVoice Labは、テキストデータから音声ファイル(mp3, wav, flacなど)を生成するクラウドTTS APIです。送信したテキストは最大4096文字まで処理され、音声ファイルとして返されます。教育現場では、教材の音声化やアクセシビリティ対応を、シンプルで透明なコストで実現します。
本APIはCapCutなどのエディター内蔵音声生成とは異なり、API経由でプログラム的に音声を作成・管理できる点が異なります。教育コンテンツの自動化や大規模な教材作成に適しています。
テキストから音声ファイルへの変換
APIエンドポイントPOST /v1/audio/speechにJSONリクエストを送信するだけで、指定したテキストの音声ファイルが生成されます。入力テキストは最大4096文字まで処理可能で、それを超える長文は自動的に分割され、音声ファイルが結合されます。
CapCut音声読み上げとの違い
CapCutなどのアプリケーション内蔵音声生成機能は、エディター内で完結する対話型インターフェースを提供します。一方、当APIはbase_urlを変更するだけでOpenAI互換のSDKやHTTPリクエストで動作するため、バックグラウンドでの大量処理やカスタムワークフローへの統合が容易です。
アクセシビリティへの貢献
視覚的な教材を音声に変換することで、多様な学習ニーズに対応します。23言語と8つの声プリセットをサポートし、言語を明示的に指定することで、正確な発音で教材を提供できます。
対応声と言語
TextVoice LabのTTS APIは、8つのプリセット声と23言語をサポートしています。これにより、教育現場での多様な教材作成やアクセシビリティ対応が、シンプルで透明なコストで実現可能です。
声質は録音ライセンスに基づき、用途に合わせた選択肢を提供します。言語設定は自動検出または明示的な指定が可能で、正確な音声生成を確保します。
8つのプリセット声
Aria、Nova、Luna、Sage(女性)、Felix、Milo、Atlas、Orion(男性)の8つの声プリセットから選択できます。各声は明確な性格付けがあり、教材のトーンに最適化されています。
- Aria: 温かく明瞭なナレーター
- Nova: 明るく活気のあるトーン
- Luna: 柔らかいストーリーテリング
- Sage: 落ち着いた指示系
- Felix: エネルギー溢れるプロモーション
- Milo: 親しみやすい会話調
23言語のサポート
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、トルコ語の23言語に対応しています。
どの声でも全ての言語を話せるため、多言語学習リソースの作成に便利です。
言語の自動検出と指定
languageパラメータを省略すると、スクリプトから言語が自動検出されます。ラテン文字のテキストはデフォルトで英語とみなされるため、他の言語の場合は明示的な指定が必要です。
これにより、意図しない音声生成を防ぎ、正確なアクセントでの読み上げを実現します。
技術仕様と統合
OpenAI互換エンドポイントにより、既存のOpenAI SDKやHTTPライブラリで統合可能です。APIベースURLを https://api.getf59.com/v1 に変更し、認証キーを設定するだけで動作します。
OpenAI互換エンドポイント
エンドポイントは POST /v1/audio/speech です。JSONボディで model、input、voice などを指定します。認証には Authorization: Bearer ヘッダーを使用します。
リクエスト形式と制限
入力テキストは最大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生成し、音声ファイルを結合する必要があります。速度パラメータは0.25〜4.0の範囲で設定可能です。
1リクエストあたり60回/分のレート制限があります。1回あたりの処理はキュー方式で逐次実行されるため、負荷が高い場合は遅延が生じる可能性があります。
音声ファイルの形式
response_format パラメータで mp3、wav、opus、flac、pcm を選択できます。生成された音声ファイルはレスポンスとして直接返され、サーバーには保存されません。
コスト構造
TextVoice Labの課金は、生成に成功した文字数に基づいた従量制です。100万文字あたり10ドル(1,000文字あたり0.01ドル)で計算されます。スペースや句読点も文字数に含まれるため、正確な見積もりが重要です。
失敗したリクエストは無料です。月々の基本料や最小利用額、追加シートの費用は発生しません。
従量制課金の仕組み
コストは生成された音声の文字数に比例します。1,000文字あたりわずか0.01ドルで、大量の教材作成にも透明なコストを提供します。
クレジットカードやPayPalではなく、USDT(TRC-20)によるトップアップのみをサポートします。5ドル以上の最小充值額で、送金後数分で残高に反映されます。
- 価格: $10 / 100万文字
- 最小トップアップ: $5
- 決済方法: USDT (TRON/TRC-20)
失敗時の返金ルール
音声合成が失敗した場合、そのリクエストに対する料金は請求されません。課金された場合は全額返金されますので、試作段階でも安心してご利用いただけます。
返金は自動的にアカウント残高に戻ります。追加の手続きや申請は必要ありません。
無料体験の利用
Googleでサインインすると、7日間有効な$0.50の無料クレジットが付与されます。これは約50,000文字分に相当します。
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、この体験クレジットは付与されません。教育現場での初期テストに最適です。
使用例:教材作成
教材作成において、APIはテキストを音声ファイルに変換する役割を果たします。教科書の音声化や多言語リソースの作成は、アクセシビリティ向上に貢献します。
特殊な文字列処理では、文字数制限を考慮した分割が重要です。これにより、長文でも正確な音声生成が可能です。
教科書の音声化
教科書のテキストを音声に変換するには、APIエンドポイントにJSONボディを送信します。最大4096文字まで対応し、それを超える場合は、アプリ側で分割して生成し、音声ファイルを結合する必要があります。生成された音声はmp3やwav形式で取得でき、教材の音声化に利用できます。
例えば、物語のテキストをvoiceパラメータで「aria」に設定すると、暖かみのあるナレーションになります。速度は0.25〜4.0の範囲で調整可能で、学習ペースに合わせられます。
- 最大4096文字のリクエスト
- mp3/wav/opus/flac/pcm形式出力
- 速度0.25〜4.0で調整可能
多言語学習リソース
23言語をサポートしており、英語や日本語、中国語などの教材音声を作成できます。任意の声は任意の言語を話せるため、一貫した品質で多言語リソースを提供可能です。
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が、ラテン文字のテキストはデフォルトで英語と判断されるため、非英語の場合は明示的な指定が推奨されます。
- 23言語対応(例:日本語、英語、中国語)
- 任意の声で任意の言語を話せる
- 言語コード指定で精度向上
特殊な文字列の処理
テキスト内のスペースや句読点も文字数としてカウントされます。4096文字を超える長文は、自動的に分割されて音声ファイルが生成され、後で結合する必要があります。
SSMLやカスタム発音辞書はサポートしていません。特殊な記号や固有名詞の発音は、標準的な音声生成に依存します。
- スペースと句読点も文字数カウント
- 分割合成による長文対応
- SSML非対応

データプライバシー
TextVoice Labでは、入力テキストは音声生成のみのために使用され、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として返却され、サーバー側には永続的に保存されません。これにより、教材作成時のデータ残存リスクを最小限に抑えます。
入力テキストの扱い
送信されたテキストは、音声合成処理が完了するまで必要に応じて一時保存されますが、モデルのトレーニングデータとして再利用されることはありません。プライバシー保護の観点から、テキストは生成目的に限定して扱われます。
生成音声の保存
音声ファイルはAPIレスポンスとしてクライアントに返送された時点で、当社のサーバー上からは削除されます。したがって、生成された音声データは外部に流出することなく、教育機関の管理下で完結します。
メタデータの記録
請求処理のために、リクエストの時刻、文字数、ステータスといったメタデータが記録されます。これらは音声内容そのものではなく、課金の透明性を保つための最小限の情報です。
パフォーマンス
APIはテキストを音声ファイルに変換するクラウドサービスです。生成速度は長文で実時間再生に近づき、短くても数秒を要します。
リクエストは逐次処理され、負荷時はキューで待機することがあります。4096文字を超える場合は分割・結合され、安定した出力が得られます。
生成速度の目安
長文の処理では、約1秒あたり25文字のペースで音声データが生成されます。これは実時間再生に近い速度です。
キューの処理
リクエストは順次処理されるため、システムに負荷がかかるとキューで待機する可能性があります。60リクエスト/分のレート制限内であれば通常、迅速に応答します。
長文の分割
1リクエストあたり4096文字までの制限があります。それ以上の場合は、自動的に分割され、生成された音声ファイルが結合されます。
サポート体制
TextVoice Labでは、電話やライブチャット、SLA保証を設けていません。サポートはメールのみで、技術的な問い合わせや請求に関する確認に対応します。
アカウントキーは1つに限定され、新しいキーを発行すると旧キーは即時無効になります。これにより、セキュリティリスクを最小限に抑えます。
メールサポートのみ
電話やライブチャットはありません。サポートはメール経由でのみ提供されます。
SLAや稼働率保証も付随していません。必要に応じて、メールで問い合わせを行ってください。
キーの管理
アカウントには有効なAPIキーが1つだけ割り当てられます。
新しいキーを生成すると、旧キーは即時に無効になります。これにより、不正利用を即座に防止できます。
- キーの再発行はいつでも可能
ドキュメント
公式ドキュメントページで、エンドポイントやリクエスト形式の詳細を確認できます。
OpenAI SDK互換の仕様に基づいているため、標準的な実装ガイドラインが参考になります。
選び方
API選定では、機能の網羅性よりも実装の簡潔さが重要です。当サービスはSSMLや音声クローンを省き、OpenAI互換のシンプルなエンドポイントを提供します。これにより、既存のSDKやHTTPライブラリで即座に統合可能です。
コスト面では、従量制とTRONネットワークによるUSDT払いが特徴です。月額固定費や秘密料がなく、利用した文字数分のみ課金されます。失敗したリクエストは無料となるため、無駄なコストを抑えられます。
機能の比較
当APIは音声合成に特化しています。SSMLやカスタム発音辞書、ストリーミング再生といった高度な機能は提供していません。これにより、教材作成やアクセシビリティ用途に必要な「テキストから音声ファイルへの変換」に集中し、実装の複雑さを最小限に抑えます。
8つのプリセット音声と23言語のサポートは、多様な教材ニーズに対応します。言語は自動検出または指定可能で、特定の音声クローニング機能は不要です。
- OpenAI互換エンドポイント
- 8つのプリセット音声
- 23言語サポート
コストの比較
100万文字あたり10ドル(1,000文字あたり0.01ドル)の従量課金です。月額サブスクリプションや最低利用額がないため、小規模な学校や個人教師でも手軽に導入できます。
USDT(TRC-20)でのみトップアップ可能で、クレジットカードやPayPalは利用できません。これは特定の決済インフラに依存しない透明な課金構造です。
- 従量制課金
- USDT(TRC-20)限定
- 失敗リクエスト無料
技術的な互換性
エンドポイントはOpenAIのspeechエンドポイントと互換性があり、base_urlを変更するだけで公式SDKや標準HTTPライブラリで動作します。独自のSDKやモバイルアプリは提供していませんが、技術的な障壁は極めて低いです。
APIキーは1アカウント1つで管理可能で、必要に応じて即時に再発行できます。60リクエスト/分のレート制限は、通常の教材作成フローでは十分すぎるパフォーマンスを提供します。
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。 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、英語以外のラテン文字テキストでは明示的な言語指定が必要です。
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
- MDN: Web Speech API
- FFmpeg documentation
- W3C WAI: making audio and video accessible
- LibriVox public-domain audiobooks
- LibriTTS-R paper (arXiv 2305.18802)
- IETF RFC 7845: Ogg Opus
- Python documentation
- openai-node on GitHub
- openai-python on GitHub
- Creative Commons Attribution 4.0
- LibriTTS-R corpus (OpenSLR 141)
