よくある質問
APIの主な用途は何か?
テキストから音声ファイルを生成するクラウドTTS APIです。観光施設や博物館の音声ガイド制作を目的としています。テキストを送信すると音声ファイルが返され、8つの音声プリセットと23言語に対応しています。SSMLやストリーミングは提供せず、標準的なHTTPリクエストで利用可能です。
観光ガイドにAPIは適しているか?
適しています。複数の言語を扱い、解説や案内音声の生成に最適化されています。1リクエストあたり最大4096文字のテキストを処理可能で、長いコンテンツは分割して結合することで効率的に音声ガイドを作成できます。エージェント向けの効率的なコンテンツ制作をサポートします。
音声ファイルの形式は何か?
mp3、wav、opus、flac、pcmの5形式から選択可能です。用途に応じて適切な形式を選定できます。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。必要なフォーマットを指定してAPIリクエストを送信してください。
APIの使い方は複雑か?
OpenAI SDKと互換性のあるシンプルな構造です。エンドポイントにPOSTリクエストを送信するだけで利用可能です。base_urlを変更し、APIキーを設定するだけで動作します。curl例やドキュメントも提供されており、技術的な知識があればすぐに実装できます。
音声のクオリティはどうか?
LibriTTS-RおよびLibriVoxの録音に基づく8つのプリセット音声を提供します。各音声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。観光ガイドや博物館の解説に適したクオリティを保っています。
多言語対応は進んでいるか?
23言語に対応しています。英語、日本語、中国語、フランス語、ドイツ語など主要言語から、スワヒリ語やマレー語まで幅広くサポートします。どの音声でもどの言語でも話せるため、多言語の観光ガイド制作に柔軟に対応できます。
料金はどのように計算されるか?
100万文字あたり10ドル(1000文字あたり0.01ドル)です。スペースや句読点も文字数に含まれます。失敗したリクエストは無料です。USDT(TRC-20)でのみチャージ可能で、最小5ドルから利用を開始できます。
トライアルはいつ使えるか?
Googleサインインで登録すると、0.50ドルのトライアルクレジット(約5万文字)が7日間有効で付与されます。メールとパスワードで登録したアカウントにはトライアルクレジットは付きません。APIキー発行ページでアカウント作成後、すぐに利用可能です。
音声のライセンスはどうか?
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。入力テキストはトレーニングに使用されず、生成音声は保存されません。メタデータは請求のために保持されます。
エラー処理はどうなるか?
音声合成に失敗した場合は、料金が全額返金されます。リクエストはキューに並んで処理されるため、負荷が高い場合は待機が発生する可能性があります。ステータスを確認し、必要に応じて再試行してください。失敗したリクエストには課金されません。
音声の感情表現は可能か?
音声プリセットの選択により、異なるトーン(暖かい、明るい、落ち着いたなど)の音声から選ぶことができます。例えば「aria」は暖かく明確なナレーター、「felix」はエネルギッシュなプロモーション向けなど、用途に合わせた音声選択が可能です。ただし、感情タグの付与やカスタム感情調整はサポートしていません。
音声の生成時間はどのくらいか?
長文テキストでは実時間程度(1秒あたり約25文字)の生成速度です。短いフレーズでは数秒かかります。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待ちが発生する可能性があります。1分あたり60リクエストの制限があります。
音声のフォーマットは何か?
mp3、wav、opus、flac、pcmの5形式から選択可能です。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。必要なフォーマットを指定してAPIリクエストを送信してください。用途に応じて最適な形式を選定してご利用ください。
音声の言語設定は必要か?
必須ではありません。言語が指定されない場合、スクリプトから言語が推測されます。ラテン文字のテキストはデフォルトで英語とみなされます。非英語のラテン文字テキストや、正確な言語を指定したい場合は、languageパラメータにISOコードを設定してください。
最初のリクエスト
curl
curl https://api.88rs.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.mp3APIの基本仕様
Monogatariの音声生成APIは、観光施設や博物館の音声ガイド制作を目的としたクラウドサービスです。テキストを入力するだけで、専門的な音声ファイルを迅速に生成できます。
OpenAIのSDKと互換性があり、base_urlを変更するだけで利用可能です。認証はBearerトークンで行い、セキュリティを確保しながら効率的な開発を実現します。
音声生成エンドポイント
音声生成は POST https://api.88rs.info/v1/audio/speech に対して行います。JSONボディでモデル、テキスト、音声、フォーマットなどを指定し、音声ファイルを受信します。
- Endpoint:
POST /v1/audio/speech - Format: JSON input, Audio output
リクエスト形式
リクエストボディには model、input、voice、response_format などのフィールドを含めます。input は最大4096文字まで対応しており、多言語のテキストをそのまま指定可能です。
速度や言語コードもオプションで指定でき、既存のOpenAI SDKでbase_urlを変更するだけで連携できます。
- Model: tts-1, tts-1-hd
- Input: Max 4096 characters
- Format: mp3, wav, opus, flac, pcm
認証とセキュリティ
認証には Authorization: Bearer tts-... ヘッダーを使用します。各アカウントには1つのアクティブキーが割り当てられ、必要に応じて新しいキーを発行できます。
新しいキーを発行すると、古いキーは即座に無効化されるため、セキュリティリスクを最小限に抑えられます。
- Auth: Bearer token
- Key rotation: Instant
対応言語と音声
本APIは23言語に対応しています。アラビア語からトルコ語まで、多様な言語環境での音声ガイド制作をサポートします。
8種類の音声プリセットから選択可能で、各音声は特定の用途に合わせて設計されています。
23言語の対応状況
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。どの音声でも全ての言語を話すことができます。
- 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
8種類の音声 preset
Aria、Nova、Luna、Sage、Felix、Milo、Atlas、Orion の8種類の音声プリセットから選択できます。これらは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。
生成される音声ファイルには、合成音声を示す不可視の透かしが埋め込まれます。
- Aria(女性、暖かみのある明瞭なナレーター)
- Nova(女性、明るく元気)
- Luna(女性、柔らかく物語的な語り)
- Sage(女性、落ち着いた指示音声)
- Felix(男性、活気あるプロモーション)
- Milo(男性、親しみやすい会話)
音声の性格と用途
Atlasは中立なニュース解説に、Orionは深い声でドキュメンタリー制作に適しています。Felixはエネルギッシュなプロモーション音声に、Miloは対話的な音声ガイドに最適です。
Lunaは物語的な解説に、Sageは教育的な指示に、Ariaはナレーションに、Novaはアップビートな紹介にそれぞれ適しています。
観光ガイドへの適用例
観光施設や博物館では、訪れる観光客の多様に対応するため、複数言語での音声ガイド提供が不可欠です。当APIは23言語に対応しており、単一のエンドポイントで各言語の音声ファイルを生成できます。
「tts-1」モデルを使用し、特定の言語コードを指定することで、正確な発音を実現します。これにより、英語圏、中国語圏、アラビア語圏などの観光客へ、それぞれの母語で案内を提供することが可能です。
多言語音声ガイド
APIリクエストのlanguageフィールドにISOコードを指定することで、音声の言語を明示できます。これにより、ラテン文字でも日本語や中国語として認識される誤りを防ぎます。
例えば、英語のガイドテキストにlanguage: jaを指定することで、日本語音声として生成されます。これにより、言語ごとに別の音声ファイルを事前に作成する必要がなくなります。
- 23言語の対応
- 言語コードによる明示的指定
- 単一エンドポイントでの多言語生成
博物館の解説音声
展示物の解説テキストをAPIに送信し、音声ファイルを生成します。4096文字までのテキストを1つのリクエストで処理でき、それを超える場合は分割して結合します。
生成された音声は、施設のWebサイトや専用アプリで再生可能です。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おり、出典の明確化に役立ちます。
- 4096文字までのテキスト対応
- 分割と結合による長い解説の処理
- 合成音声の透かし埋め込み
リアルタイム音声連携
音声ファイルの生成には、通常、テキスト長さに応じた時間が掛かります。短めのフレーズでも数秒、長いテキストでは実時間並みの処理速度となります。
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可能性があります。リアルタイム性が必要な場合は、事前に音声ファイルを生成しておくことを推奨します。
- 逐次処理によるキュー待機の可能性
- 実時間並みの生成速度
- 事前生成の推奨
処理速度と制限
APIはリクエストを順次処理します。長文のテキストでは、生成速度は実時間とほぼ同等(1秒あたり約25文字分)です。短く複雑な音声生成には数秒を要します。
同時多発のリクエストやバッチ処理では、キューで待機する場合があります。
生成速度の目安
音声生成は1秒あたり約25文字分のテキスト処理速度を基準としています。これは長文の観光ガイド音声など、実時間再生レベルの生成速度を示しています。短めのフレーズや個別の案内文でも、音声ファイルの生成完了まで数秒程度を要します。
レートリミット
APIキーごとに1分間あたり60リクエストの制限があります。アカウント作成直後や初回のトップアップ前など、条件が整っていない状態では、1分間あたり10リクエストまでとなります。これを超えるとキューに待機するか、エラーが発生します。
テキストの長さ制限
1つのAPIリクエストで送信できるテキストは最大4,096文字です。これを超える長文の解説文やガイドテキストを生成する場合は、クライアント側で適切な長さで分割し、生成された複数の音声ファイルを結合する必要があります。
音声ファイル形式
APIはmp3、wav、opus、flac、pcmの5つの音声ファイル形式に対応しています。Webブラウザやアプリケーションでの再生にはmp3が最適です。mp3はファイルサイズが小さく、ネットワーク転送効率が高いため、観光施設や博物館の音声ガイド配信に適しています。
MP3とWAV
mp3は圧縮形式で、Web用途に適しています。wavは非圧縮形式で、高音質な録音や編集用途に使用されます。必要に応じて形式を選択してください。
- mp3: 効率的な圧縮、Web用途に適す
- WAV: 非圧縮、高音質・編集用途
OpusとFLAC
Opusは高音質かつ低ビットレートを実現する形式です。FLACは可逆圧縮形式で、元の音質を損なわずにファイルサイズを縮小します。アーカイブや高品質な保存が必要な場合に適しています。
OpusとFLACは、帯域幅が限られている環境でも高音質な配信を可能にします。
- Opus: 高音質・低ビットレート
- FLAC: 可逆圧縮、アーカイブ用途
PCM形式
PCMは非圧縮の生データ形式です。音声データの加工や、特定のハードウェアとの直接連携に適しています。ファイルサイズが大きくなりますが、データの変換コストが最小限に抑えられます。

料金体系
100万文字あたり10ドル(1文字あたり約0.00001ドル)の従量課金制です。スペースや記号も文字数にカウントされるため、正確な文字数でコストを算出できます。月額の基本料金や最小利用額、契約プランはなく、使用した分だけ課金されます。
文字数あたりの料金
請求単位は1文字あたりであり、1,000文字ごとに0.01ドルが課金されます。テキストの長さ制限は1リクエストあたり4,096文字ですが、複数回に分けて送信することでより長い音声ガイドも生成可能です。
- 100万文字あたり10ドル
- スペース・記号含む文字数で課金
- 月額料金・最小利用額なし
失敗時の返金
音声合成に失敗したリクエストについては、課金された金額が全額返金されます。バッチ処理やネットワーク状態に関わらず、正常に音声ファイルが生成されない場合のリスクはお客様に課金されません。
トライアル利用
Googleログインでの新規登録には、7日間有効な0.50ドルの無料クレジットが付与されます。これは約5万文字分の音声生成に相当します。メールアドレスとパスワードでの登録ではこのトライアルクレジットは提供されません。
残高はTRONネットワーク(TRC-20)のUSDTで追加でき、最低5ドルからのチャージで数分で反映されます。クレジットカードやPayPalは使用できません。
- Google登録で0.50ドルのトライアル
- 有効期限は7日間
- TRONネットワークのUSDTのみでチャージ
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、モデルの学習データには利用されません。生成された音声ファイルは応答として返却され、サーバー上に永続的に保存されることはありません。
請求の精算と利用状況の確認のため、リクエストの時刻、文字数、ステータスなどのメタデータが記録されます。音声ファイル自体の保存は行いません。
学習データの利用
入力されたテキストは、音声合成の実行結果を返すためにのみ処理されます。生成プロセスで使用されたテキストは、将来のモデル学習やデータ分析のために再利用されることはありません。
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ますが、当社のサーバーには保持されません。生成直後にダウンロードしない限り、ファイルは外部に公開されません。
メタデータの保持
請求処理と利用状況の把握を目的として、リクエストのタイムスタンプ、処理された文字数、ステータスコードなどのメタデータが記録されます。音声データ自体とは別に管理されます。
サポートと連絡
Monogatari APIの利用者向けサポートはメールのみです。電話やライブチャット、SLAや認定書の提供はありません。技術的な問い合わせや料金に関する疑問は、メールで受け付けます。
メールサポート
サポートはメールのみ対応します。電話番号やライブチャットは提供していません。
キーの発行と変更
アカウントにはアクティブなAPIキーが1つ割り当てられます。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。
セキュリティのため、キーの入れ替えはいつでも可能です。
アカウント管理
アカウントは各サイトごとに独立しています。Googleまたはメールアドレスとパスワードでサインアップします。
ダッシュボードで残高、使用状況、有効なキーを確認できます。
- Googleサインインでトライアルクレジット付与
- メール登録ではトライアルなし
- 残高の有効期限なし
よくある質問
観光施設や博物館の音声ガイド制作において、APIの動作や仕様に疑問が生じる場合があります。以下のQ&Aは、実際の導入プロセスでよく寄せられる質問に基づいています。
各項目は、APIの利用効率を最大化し、音声コンテンツの品質を維持するための具体的な情報を提供します。
音声ファイルの形式
mp3、wav、opus、flac、pcmの5形式から選択可能です。Web配信にはmp3が適しています。
PCMは非圧縮形式で、後処理が必要な場合に利用します。
生成された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ます。
APIの使い方
OpenAI SDKのbase_urlをhttps://api.88rs.info/v1に変更して使用できます。認証にはAuthorization: BearerヘッダーにAPIキーを設定します。
リクエストはJSON形式で、inputにテキスト、voiceに音声プリセットを指定します。
複雑なSDK不要で、標準的なHTTPクライアントでも利用可能です。
音声のクオリティ
8種類のプリセット音声(aria、nova、luna、sage、felix、milo、atlas、orion)から選択します。
各音声はLibriTTS-RまたはLibriVoxの録音を基にしており、自然な発音を実現しています。
カスタムボイスクローニングや感情タグは提供していません。
多言語対応
23言語に対応しています。英語、日本語、中国語、フランス語など、主要な観光言語をカバーします。
言語コードを指定しない場合、テキストのスクリプトから自動判定されますが、ラテン文字の場合はデフォルトで英語とみなされます。
ベトナム語やタイ語などは非対応です。
料金の計算
100万文字あたり10ドル(1文字あたり約0.00001ドル)です。スペースや句読点も文字数に含みます。
失敗したリクエストについては課金されません。
TRONネットワーク(TRC-20)のUSDTでのみトップアップできます。
トライアルの条件
Googleサインインで登録すると、0.50ドルのトライアルクレジット(約5万文字)が7日間有効で付与されます。
メールとパスワードでの登録ではトライアルクレジットは付きません。
残高は期限なしで利用可能です。
音声のライセンス
音声はLibriTTS-R(CC BY 4.0)およびLibriVoxのpublic domain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透かしが埋め込まれます。
個別のライセンス確認は必要ありませんが、ソースの特性を理解した上でご利用ください。
エラー処理
音声生成が失敗した場合、料金は全額返金されます。
レートリミット(1分間60リクエスト)を超えた場合は、キューに待機するか、後で再試行してください。
ネットワークエラーや不正なリクエスト形式もエラーとして扱われます。
音声の感情表現
8種類のプリセット音声は、それぞれ異なるトーン(暖かい、明るい、落ち着いたなど)を持っていますが、感情タグによる微調整はできません。
音声の感情は音声プリセットに依存します。
カスタム感情表現は提供していません。
音声の生成時間
長文のテキストでは、生成速度は約25文字/秒の実時間速度に近いですが、キュー待機により遅延する場合があります。
短文でも数秒かかることがあります。
リアルタイムストリーミングは提供していません。
音声のフォーマット
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率と品質特性を持ちます。
Web用途にはmp3が適しています。
音声の言語設定
languageフィールドでISO言語コードを指定できます。指定しない場合は自動判定されます。
ラテン文字のテキストはデフォルトで英語とみなされるため、英語以外のラテン文字テキストには言語指定が必要です。
23言語のいずれかを指定してください。
音声の音声質
音声は8種類のプリセットから選択され、自然な発音を実現しています。
カスタムボイスクローニングやカスタム発音辞書は提供していません。
音声の質はプリセット音声の特性に依存します。
音声の音声の長さ
1リクエストあたり最大4096文字までです。それを超える場合はテキストを分割して生成し、音声ファイルを結合する必要があります。
分割生成の音声は、それぞれ独立したファイルとして返されます。
音声の長さは入力テキストの長さに比例します。
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。 また、制作コストの抑制と、専門的なコンテンツにふさわしい音声の質を両立させることが、エージェントにとって重要な課題となっています。
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
- Creative Commons Attribution 4.0
- LibriTTS-R paper (arXiv 2305.18802)
- openai-python on GitHub
- W3C WAI: making audio and video accessible
- OpenAI API reference: create speech
- TRON developer hub: TRC-20
- Python documentation
- curl documentation
- MDN: Web Speech API
- LibriTTS-R corpus (OpenSLR 141)
- ISO 639 language codes
