音声合成 API と日本語 TTS モデル Irodori-TTS v4.1 Small を追加しました
音声合成 API /v1/audio/speech の提供を開始し、最初のモデルとして irodori-tts を追加しました。Aratako 氏が 2026-08-11 に公開した日本語専用の音声合成モデル Aratako/Irodori-TTS-v4.1-Small です。単価は入力の文字数に対して ¥0.006 / 文字(¥6,000 / 100 万文字・税込表示)です。
音声合成は、テキストを送ると読み上げた音声ファイルが返る API です。記事やドキュメントの読み上げ、動画のナレーション、音声アシスタントの応答、アプリの音声ガイドなどに使えます。課金はトークンでも音声の長さでもなく input の文字数で、400 文字の原稿なら ¥2.4、1,000 文字で ¥6 です。
特徴
声と話し方を文章で指定できます
irodori.caption に「落ち着いた低めの女性の声。」のような文章を書くと、その説明に沿った声で読み上げます。あらかじめ用意された声の一覧から選ぶ方式ではなく、声の高さや性別、話し方を文章で書き分けます。irodori.caption の文字数は課金の対象外です。
seed で同じ読み上げを再現できます
irodori.seed を省略すると、声と抑揚はリクエストごとに変わります。同じ input・irodori.caption・irodori.seed を送れば同じ読み上げを再現できるので、気に入った結果が出た seed を控えておけば、後から同じ音声を作り直せます。
日本語専用の 7.7 億パラメータのモデル
Irodori-TTS v4.1 Small は約 7.7 億パラメータの日本語専用モデルで、重みは MIT ライセンスで公開されています。モデルカードによると、前の版 Irodori-TTS v4 Small のうち音声の長さを予測する部分だけを学習し直した更新版で、長さの見積もりが大きすぎることで起きていた生成の誤りを減らしています。音声は 48 kHz のモノラルで、mp3(既定)/ wav / flac / aac のいずれかで受け取れます。
ベンチマーク(モデルカード掲載値)
モデルカードには、漢字を正しく読めているかを測る 2 つのベンチマークの結果が掲載されています。合成した音声を文字に起こして正解の読みと比べた誤り率(低いほど良い)で、Joyo Kanji Yomi Benchmark は常用漢字の読み分け、JSUT BASIC5000 は一般的な文の読み上げを対象にしています。
| 指標(%) | v4.1 Small | v4 Small | 600M v3 VoiceDesign |
|---|---|---|---|
| 常用漢字 Kana-CER | 7.29 | 7.43 | 8.49 |
| 常用漢字 Kana-CER clipped | 5.03 | 5.08 | 5.59 |
| 常用漢字 文単位 Kana-CER | 2.36 | 2.89 | 2.45 |
| 常用漢字 Standard CER | 4.69 | 5.35 | 4.88 |
| JSUT 文単位 Kana-CER | 3.43 | 3.49 | 3.62 |
| JSUT Standard CER | 7.22 | 7.32 | 7.19 |
6 指標のうち 5 つで、v4.1 Small が 3 つの版の中で最も低い誤り率です。前の版からの改善が大きいのは常用漢字の文単位 Kana-CER(2.89 → 2.36)と Standard CER(5.35 → 4.69)で、それ以外の差は 0.2 ポイント未満です。JSUT の Standard CER は 7.22 で、2 世代前の 600M v3 VoiceDesign の 7.19 に届いていません。
数値は FP32・40 RF steps・text CFG 3.0・参照音声と caption なしの条件で、seed 0〜4 の平均です。本サービスは BF16 で提供しているため、同じ値になるとは限りません。いずれもモデルの作者による自動評価で、第三者の独立評価ではありません。モデルカードには、人が聞いて自然さを採点する評価(MOS)は行っておらず、自動評価の値は聞いたときの印象を十分には表さないと明記されています。
使い方
model に irodori-tts を指定し、input に読み上げるテキストを渡します。応答は音声ファイルそのものなので、--output で保存します。
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")
コンソールの Playground に「音声合成」タブを追加しました。テキストと声の説明を入力すると、その場で再生とダウンロードができます。
注意点
inputは 1 リクエスト 1,000 文字までです。 長い原稿は段落などで分けて送ってください。1,000 文字の合成には 1 分ほどかかります- 句読点か改行を 60 文字以内に 1 回は入れてください。
inputは句読点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。1 つのまとまりが空白を除いて 140 文字を超えると末尾まで読み上げられないため、400 エラーを返します(課金されません) - 課金は
inputの文字数です。 空白・改行・記号も 1 文字として数えます。生成された音声の長さとspeedの値では変わりません。応答は音声ファイルなので課金した文字数は含まれず、応答ヘッダーx-request-idの ID で Account API から確認できます - 日本語専用です。
inputには日本語のテキストを渡してください 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。voiceは省略するかnoneを指定し、声はirodori.captionで指定してください。irodoriに指定できるのはcaption(500 文字まで)とseed(0 以上の整数)だけです- 定額プラン(HAI Go / HAI Go Plus / HAI Go Max / HAI Go Uncensored)の対象外です。 クレジットからの従量課金でご利用いただけます
- テキスト生成の
GET /v1/modelsには含まれません。 対応モデルはGET /v1/audio/speech/modelsで確認してください - ストリーミングには対応していません。合成が終わってから音声全体を返します。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
response_formatのopusとpcmには対応していません。speedは 1.0〜1.5 です- 珍しい人名・専門用語・文脈で読みが変わる漢字は、読み間違えることがあります。複雑な声の説明や矛盾した説明には、沿わないことがあります
- 同じ seed でも、ファイルのバイト列までは一致しません
- 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。文章だけから生成した声が実在の人物に偶然似ることがあります
- 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