音声合成

テキストを読み上げた音声に変換する /v1/audio/speech の使い方です。

対応モデル

音声合成は /v1/audio/speech です。テキストを送ると、読み上げた音声ファイルがそのまま返ります。テキスト生成とは別サーフェスのため、モデル ID は GET /v1/models には含まれません(GET /v1/audio/speech/models で対応モデルと単価を確認できます)。トライアルキーは対象外です。

モデル IDモデル名精度単価
irodori-ttsIrodori-TTS v4.1 Small
利用モデル Aratako/Irodori-TTS-v4.1-Small
BF16¥0.006 / 文字
¥6,000 / 100 万文字

使い方

OpenAI Audio API 互換の JSON を送ります。声と話し方は irodori.caption に文章で書き、irodori.seed で結果を固定します。

curl https://api.router.hello.ai/v1/audio/speech \
  -H "Authorization: Bearer hello_..." \
  -H "Content-Type: application/json" \
  --output speech.mp3 \
  -d '{
    "model": "irodori-tts",
    "input": "こんにちは。",
    "irodori": {
      "caption": "落ち着いた低めの女性の声。",
      "seed": 1234
    }
  }'

OpenAI SDK では audio.speech.create を使います。irodori は SDK の引数に無いので extra_body で渡します。

from openai import OpenAI

client = OpenAI(
    base_url="https://api.router.hello.ai/v1",
    api_key="hello_...",
)

with client.audio.speech.with_streaming_response.create(
    model="irodori-tts",
    voice="none",
    input="こんにちは。",
    extra_body={"irodori": {"caption": "落ち着いた低めの女性の声。", "seed": 1234}},
) as response:
    response.stream_to_file("speech.mp3")

パラメータと課金

  • input は日本語のテキストで、1 リクエスト 1,000 文字までです。長い文章は段落などで分けて送ってください。
  • input は、句読点(。 、 ! ? など)か改行の位置でいくつかのまとまりに区切って合成します。短い文は次の文とまとめるため、1 つのまとまりが空白を除いて 140 文字を超えることがあり、その場合は末尾まで読み上げられないため 400 を返します。句読点か改行を 60 文字以内に 1 回は入れると、必ず収まります。数字が多い文は 1 文字あたりの音声が長くなるので、より短く区切ってください。
  • irodori.caption(500 文字まで)に、声の高さ・性別・話し方などを文章で書きます。省略すると声はリクエストごとに変わります。
  • irodori.seed は 0 以上の整数です。同じ input・irodori.caption・irodori.seed なら同じ読み上げを再現します(ファイルのバイト列までは一致しません)。省略すると毎回変わります。irodori に指定できるのはこの 2 つだけです。
  • voice は省略するか none を指定します。alloy などのプリセット音声と、音声ファイルを参照した声の複製には対応していません。
  • response_format は mp3(既定) / wav / flac / aac のいずれかです。opus と pcm には対応していません。音声は 48 kHz のモノラルです。
  • speed は 1.0〜1.5 です(既定 1.0)。
  • 課金は input の文字数です。空白・改行・記号も 1 文字として数え、irodori.caption の文字数と生成された音声の長さには依存しません。応答は音声ファイルなので課金した文字数は含まれません。応答ヘッダー x-request-id の ID で Account API から確認できます。定額プランの対象外で、クレジットから消費します。
  • ストリーミングには対応していません(stream と stream_format: "sse" は 400 を返します)。合成が終わってから音声全体を返すため、1,000 文字で 1 分ほどかかります。提供できる同時実行数に限りがあり、混雑時は順番待ちが発生します。
  • 本人の同意なく特定の人物の声をまねる用途と、誤情報を広める目的の音声の生成は、モデルの利用条件で禁止されています。
  • 入力したテキストと生成した音声はゼロデータ保持(ZDR)の対象で、処理後に保存しません。 利用履歴に残るのは課金した文字数と料金だけです。