TTS APIの使い方と音声合成の仕組み

作成者 StoryTTS編集部 · 更新日 2026-11-18

このガイドでは、物語や童話の作成に特化したStoryToneのTTS APIの具体的な使い方を解説します。APIキーの取得から初期設定、テストリクエストの実行まで、クリエイターがすぐに開発をスタートできる手順を丁寧にご紹介します。

8種類の音声の中から物語の雰囲気に合ったものを選び、テキストの分割や速度調整、エラー処理、コスト管理まで、実務で必要な知識を網羅します。APIの仕組みを理解し、効率的に高品質な音声コンテンツを生成するための実践的なステップを確認してください。

TTS APIの使い方と音声合成の仕組み

よくある質問

TTS APIはどのように準備しますか?

まず、アカウントを作成してAPIキーを取得してください。Googleまたはメールで登録でき、キーはダッシュボードで確認できます。リクエストはPOSTメソッドでエンドポイントに送信します。OpenAI SDKのbase_urlを変更するだけで、既存のツールをそのまま利用可能です。準備はこれだけですぐに使い始められます。

8つの音声はどのように使い分けますか?

物語の雰囲気に合わせて8つの音声から選べます。例えば、子供向けには「aria」や「nova」が適しています。男声では「milo」が会話的に、あるいは「atlas」がニュース調に使えます。すべての音声は23言語に対応しており、特定の言語設定をすれば、どの音声でもその言語で話せます。

テキストはどのように処理しますか?

1リクエストあたり最大4096文字まで処理可能です。それを超える長いテキストは、クライアント側で4096文字ごとに分割し、生成された音声ファイルを結合する必要があります。文字数にはスペースや句読点も含まれます。言語を明示的に指定しない場合、ラテン文字は英語として認識されます。

音声ファイルはどのように生成しますか?

APIにリクエストを送信すると、mp3、wav、opus、flac、pcmのいずれかの形式で音声ファイルが返されます。生成速度は通常、テキスト1秒あたり約25文字のペースです。短い文でも数秒かかることがあり、混雑時はキューで待機する場合があります。

速度と品質はどのように調整しますか?

速度パラメータで0.25から4.0の範囲で再生速度を調整できます。モデルは「tts-1」と「tts-1-hd」の2種類で、どちらも同じエンジンと価格です。音声の質や特徴はモデル選択では変わらず、速度の変更のみが生成結果に影響します。

エラーはどのように処理しますか?

合成に失敗したリクエストについては、料金が全額返金されます。エラーが発生した場合、チャージは行われません。これは失敗したリクエストに対してのみ適用されるため、正常に完了したリクエストの課金は通常通り行われます。エラー時は適切なレスポンスを確認して再試行してください。

コストはどのように管理しますか?

料金は100万文字あたり10ドルで、1000文字あたり0.01ドルです。初回登録にはGoogle認証で0.50ドルの無料トライバルが提供されます。残高はTRONネットワークのUSDTでチャージでき、最小5ドルから自動反映されます。プランは存在しません。

アクセシビリティはどのように対応しますか?

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。これにより、聴覚に配慮したコンテンツ作成時に、人工的な音声であることを明確にできます。また、多言語対応により、異なる言語を話すユーザーにもアクセス可能なコンテンツを提供できます。

プライバシーと著作権はどのように保護されますか?

入力テキストは音声生成のみに使用され、トレーニングには利用されません。生成された音声はレスポンスで返され、保存されません。リクエストのメタデータは請求のためにのみ保持されます。また、音声はLibriTTS-RやLibriVoxのライセンスに基づいています。

カスタマイズはどのように行いますか?

速度と音声の選択、出力形式がカスタマイズ可能です。SSMLやカスタム発音辞書、感情タグはサポートされていません。音声クローニングや独自ボイスのアップロードも提供していません。8つのプリセット音声から物語の雰囲気に最も近いものを選ぶのが主なカスタマイズ方法です。

将来の拡張性はありますか?

現在のAPIはOpenAI SDKと互換性があり、base_urlの変更だけで利用可能です。新しいモデルや音声の追加はありますが、既存のインターフェース形状は維持されます。ストリーミングやWebSocketはサポートされていません。

APIキーはどのように管理しますか?

アカウントには1つのアクティブなキーが割り当てられます。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。キーはダッシュボードで確認でき、必要に応じていつでも再発行可能です。キーの管理はシンプルで、セキュリティを維持しやすくなっています。

レート制限はどのように調整しますか?

キーあたり1分間60リクエストの制限があります。最初のチャージ前は1分間10リクエストです。制限は自動的に適用され、手動での調整はできません。大量のテキストを処理する場合は、制限内に収まるようにリクエストを制御してください。

音声ファイルはどのように保存しますか?

生成された音声ファイルはAPIレスポンスとして返されるため、クライアント側で保存する必要があります。サーバー側には音声ファイル自体は保存されません。ただし、課金用のメタデータは保持されます。必要な場合は、受け取ったファイルをご自身の環境に保存してください。

APIの準備

の音声波形イラスト: APIの準備

APIキーの取得と初期設定で、ストーリーテリングの準備は完了です。Googleまたはメールでアカウントを作成し、/get-api-key/ページからキーを発行しましょう。

初期設定では、OpenAI SDKのbase_urlをhttps://api.playkkff.com/v1に変更するだけです。これで、あなたの物語を音声に変える準備が整いました。

APIキーの取得

アカウント作成後、ダッシュボードでAPIキーを確認できます。キーは1つだけ有効で、新しいキーを発行すると古いキーは即座に無効になります。

  • Googleまたはメールでサインアップ
  • 1つのアクティブキーのみ
  • 即時切り替え可能

初期設定

OpenAI互換エンドポイントを使用します。base_urlをapi.playkkff.com/v1に設定すれば、既存のSDKコードがそのまま動作します。

テストリクエスト

無料トライアルで0.50ドルのクレジットが得られます。これは約5万文字分に相当し、7日間有効です。短いテストで音声の質を確認しましょう。

音声の選択

の音声波形イラスト: 音声の選択

物語の雰囲気を左右する音声選択は、創作の質を決定づけます。StoryTone APIは、童話や物語に最適化された8種類のプリセットを提供しており、どの音声も23言語に対応しています。

各音声はLibriTTS-RおよびLibriVoxの録音データに基づいており、合成音声には不可視の透かしが埋め込まれています。これにより、明確な著作権と合成音声の性質を保証します。

8つの音声の特徴

8つの音声は、それぞれ異なるトーンで設計されています。女性音声として「aria(温かくクリアな語り手)」「nova(明るく活気のある)」「luna(柔らかく物語的な)」「sage(落ち着きのある教育的)」があります。男性音声には「felix(エネルギッシュなプロモーション)」「milo(親しみやすい会話風)」「atlas(ニュートラルなニュース)」「orion(深みのあるドキュメンタリー)」が用意されています。

これらの音声は特定の言語に限定されず、すべての言語で利用可能です。ただし、英語以外のラテン文字テキストでは、言語コードを明示的に指定することを推奨します。

  • aria: 温かくクリアな語り手
  • nova: 明るく活気のある
  • luna: 柔らかく物語的な
  • sage: 落ち着きのある教育的
  • felix: エネルギッシュなプロモーション
  • milo: 親しみやすい会話風

用途に合った音声の選択

子供向けの物語には、lunaやnovaのような明るく柔らかい音声がお勧めです。 ニュースや解説的な内容には、atlasやsageが適しています。ドキュメンタリー風の話にはorionの深みのあるトーンが効果的です。

音声は静的なものであり、SSMLや感情タグによる細かな調整はできませんが、速度パラメータ(0.25〜4.0)でリズムを変えることで、雰囲気を調整できます。

音声の確認

利用可能な音声リストはGET /v1/voicesエンドポイントで取得できます。各音声の名前、利用可能な言語、サポートされる音声形式が確認できます。

実際に生成する前に、短いテキストでテスト音声を作成し、トーンと速度が意図通りかどうかを確認することをお勧めします。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ています。

テキストの処理

の音声波形イラスト: テキストの処理

APIに送信するテキストは、1リクエストあたり最大4096文字までです。文字数にはスペースや句読点も含まれるため、物語の長いセクションをそのまま送信するとエラーになる場合があります。

4096文字を超えるテキストを音声に変換するには、クライアント側で適切な長さに分割し、複数のリクエストを送信する必要があります。分割ポイントは意味のある文の区切りで行うと、結合後の音声の自然さが保たれます。

テキストの長さ

APIの制限は1リクエストあたり4096文字です。これは物語の1シーンや短いエピソードに適した長さですが、長編童話を一度に処理するには分割が必要です。

テキストの分割

テキストを分割する際は、文の終わりで区切ることを推奨します。これにより、生成された音声ファイルのつなぎ目がスムーズになり、聴覚に配慮したコンテンツ制作に適した結果が得られます。

音声の結合

分割して生成された音声ファイルは、mp3やwavなどの形式で取得できます。これらのファイルを結合する専用ツールは提供していませんが、一般的なオーディオ編集ソフトやスクリプトで簡単に結合可能です。

音声ファイルの生成

の音声波形イラスト: 音声ファイルの生成

APIリクエストから生成された音声ファイルは、mp3、wav、opus、flac、pcmの5つの形式で提供されます。各形式は異なる圧縮特性を持ち、用途に応じて選択可能です。

生成された音声はAPIレスポンスの一部として直接返されます。サーバーには音声データは保存されず、クライアント側で即時にダウンロードまたは処理します。

音声ファイルの形式

mp3は軽量で汎用性が高く、mp4やwebサイトでの再生に適しています。wavは非圧縮形式で、編集ソフトでの高精度な加工に最適です。

opusは高音質かつ低ビットレートを実現し、モバイル環境での効率的な配信に役立ちます。flacは可逆圧縮で、音楽ライブラリのような高音質保存に適しています。pcmは生データで、後処理が不要な場合に使用します。

選択はAPIパラメータresponse_formatで指定します。

  • mp3: 汎用性、軽量
  • wav: 編集用、非圧縮
  • opus: 効率的な配信
  • flac: 高音質保存
  • pcm: 生データ

音声ファイルの取得

POSTリクエストのレスポンスボディに音声データが含まれます。JSONではなく、音声ファイル自体が直接返されるため、SDKやHTTPクライアントはそのままファイルとして扱えます。

長文の場合は分割された複数の音声ファイルが生成されます。これらは個別に取得する必要があり、クライアント側で結合処理を行う必要があります。

音声ファイルの確認

生成された音声ファイルは、再生ソフトで確認できます。各ファイルには合成音声を示す不可聴の透かしが埋め込まれています。

ファイルサイズや再生時間を確認し、意図した速度と音声の質が得られているかチェックします。エラーが発生した場合は、ステータスコードを確認して再試行します。

速度と品質

の音声波形イラスト: 速度と品質

APIは最大速度4.0倍まで調整可能ですが、生成速度はテキスト量に依存します。通常、1秒あたり約25文字の処理速度で、短くても数秒を要します。

速度を上げすぎると音声の自然さが損なわれる場合があります。また、負荷が高い場合はキュー待ちが発生するため、安定した品質を保つには適度な速度設定が重要です。

速度の調整

速度パラメータは0.25から4.0の範囲で設定できます。物語の進行に合わせて、重要な部分では遅く、説明的な部分では速く調整することで、聴覚に配慮したコンテンツ作成が効率的になります。

品質の確認

生成された音声には合成音声を示す不可聴の透かしが含まれます。フォーマットはmp3、wav、opus、flac、pcmから選択可能で、ファイルの再生品質を事前に確認できます。

速度と品質のバランス

高速再生では情報が聞き取りにくくなるリスクがあります。物語の雰囲気を損なわないよう、8種類の音声特徴を考慮して、最適な速度と音声の組み合わせを見極めることが重要です。

レート制限(1分間60リクエスト)を考慮し、バッチ処理時にはキュー待ち時間を念頭に置いてスケジュールを組むと、安定した品質で効率的に作業を進められます。

エラー処理

の音声波形イラスト: エラー処理

エラー処理は、安定した物語制作の鍵です。APIはリクエストが失敗した場合、課金を返金するので、安心して試せます。

レート制限に達すると、キューに待機します。これは単なる技術的制限であり、品質を保つための仕組みです。

一般的なエラー

APIキーの期限切れや、文字数制限(4096文字超)を避ける必要があります。失敗したリクエストは無料なので、テストも安心です。

  • 認証エラー: APIキーの確認
  • 形式エラー: JSON形式の検証

レート制限のエラー

1分間60リクエストが上限です。初期は1分間10リクエストです。キューに待機するため、音声合成は完了します。

  • 60 req/min: 通常時
  • 10 req/min: 初めのみ

エラーのログ

失敗したリクエストのメタデータは請求のために保持されます。エラーログを確認し、必要な場合はAPIキーを更新してください。

コスト管理

の音声波形イラスト: コスト管理

コスト管理は、童話作成の効率性を左右する重要な要素です。APIの利用料金は文字数に基づき、100万文字あたり10ドル(1文字あたり約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、正確な見積もりが不可欠です。

失敗したリクエストには課金されません。この仕様により、予期せぬコスト増を防ぎながら、安心して音声合成のテストや調整を行うことができます。

コストの計算

料金は生成された文字数に応じて請求されます。100万文字で10ドル、つまり1,000文字あたり0.01ドルです。短いフレーズでも数秒かかるため、大量のテキストを処理する際は、分割結合の仕組みを理解しておく必要があります。

トライアルクレジットの$0.50(約5万文字)は7日間有効です。Googleサインインで取得できます。それ以降はUSDT(TRC-20)での入金が必要で、最低$5から開始できます。

  • 100万文字あたり$10
  • 失敗リクエストは無料
  • トライアル: $0.50 / 7日間

コストの最適化

4,096文字を超えるテキストは自動的に分割され、音声ファイルが結合されます。このプロセスはシームレスですが、分割点の選択が音声の自然さに影響します。

速度パラメータ(0.25〜4.0)を調整することで、同じテキストでも生成時間を短縮できます。ただし、読みやすさを損なわない範囲で調整することが推奨されます。

  • 4,096文字ごとの分割
  • 速度調整で効率化
  • 失敗時の返金保証

コストの監視

ダッシュボードでは、残高、トライアルの残存日数、使用済み文字数を確認できます。リアルタイムでの消費状況把握により、予算のコントロールが容易になります。

請求データは請求のために保持されますが、音声データ自体は保存されません。この仕様により、プライバシーを確保しつつ、正確なコスト管理が可能です。

  • 残高と使用状況の表示
  • 請求データの保持
  • 音声データの非保存
コスト管理

アクセシビリティ

の音声波形イラスト: アクセシビリティ

TTS APIは、視覚や聴覚に配慮したコンテンツ制作をサポートします。音声合成は、物語の雰囲気に合わせた8種類の声を提供し、子供たちや聴覚に配慮したユーザーにとってアクセスしやすい体験を実現します。

音声ファイルの形式や速度調整により、アクセシビリティの要件に応じた柔軟な対応が可能です。各音声は明確な発音で、ストーリーの内容を正確に伝えることを目的としています。

アクセシビリティの対応

音声合成は、視覚障害者や読字障害のあるユーザーにもコンテンツを届ける重要な手段です。8つの音声プリセットは、それぞれのトーンを活かして、物語の气氛を損なうことなく、明確で聞き取りやすい音声を提供します。

音声ファイルの形式

mp3、wav、opus、flac、pcmの5つの形式から選択可能です。mp3はファイルサイズが小さく、webでの配信に適しています。wavやflacは高音質で、編集やアーカイブに最適です。pcmは生の音声データとして、他のツールとの連携に利用できます。

これらの形式は、アクセシビリティツールの互換性を考慮して選択できます。特にmp3は、多くのプレイヤーやスクリーンリーダーで標準的にサポートされています。

速度の調整

速度は0.25から4.0の範囲で調整できます。通常は1.0(標準速度)が推奨されますが、聴覚に配慮したユーザーや、ゆっくりと聞きたい場合は0.5程度に遅く設定できます。逆に、情報量が多い場合は2.0以上に速くすることも可能です。

速度を変更しても、音声の明瞭性は保たれます。これにより、異なる聴取者のニーズに合わせたカスタマイズが可能になります。

プライバシーと著作権

の音声波形イラスト: プライバシーと著作権

入力テキストは音声合成専用であり、学習データには使用されません。生成された音声はレスポンスとして返されるため、サーバー側には保存されません。課金と品質管理のためのメタデータ(時刻、文字数、ステータス)のみが記録されます。

著作権の処理は、生成された音声ファイルの性質に基づきます。LibriTTS-RとLibriVoxのライセンスに従い、各ファイルには合成音声を示す不可聴の透かしが埋め込まれます。これにより、AI生成コンテンツであることを明確に区別できます。

データの使用目的

入力テキストは、音声ファイルを生成するためのみに使用されます。ユーザーのテキストが他の用途で再利用されることはなく、モデルのトレーニングデータにもなりません。生成された音声ファイルは応答として返され、サーバーには保存されません。

  • テキストは音声生成専用
  • トレーニングデータには未使用
  • 音声ファイルはサーバー未保存
  • メタデータのみ課金用で保持

音声ファイルの保存

音声ファイルは一時的に生成され、ユーザーのデバイスにダウンロードされます。APIサーバー上には残存しないため、ファイルの永続的な管理はユーザー側で行う必要があります。

必要な場合は、ユーザーが自らのストレージに保存することをお勧めします。ファイルはmp3、wav、opus、flac、pcmのいずれかの形式で提供されます。

  • ファイルはサーバーに保存されない
  • ユーザー側での管理が必要
  • 様々な形式でダウンロード可能

著作権の処理

音声はLibriTTS-R(CC BY 4.0)とLibriVoxの公営録音に基づいています。生成される各ファイルには、合成音声であることを示す不可聴の透かしが埋め込まれます。これにより、人間の声と区別可能になります。

カスタムボイスクローニングは提供していないため、特定の著名人の声模倣のリスクは低いです。ただし、透かしを尊重し、出典を明記することで、より明確な権利処理が可能です。

  • 合成音声の透かし埋め込み
  • LibriTTS-RとLibriVoxのライセンス準拠
  • カスタムクローニング非対応
  • 出典明記を推奨

カスタマイズ

の音声波形イラスト: カスタマイズ

APIの基本的なパラメータを調整することで、物語の雰囲気に合わせた音声を作成できます。声の選択や速度変更は、聴衆に合わせたカスタマイズの第一歩です。

これらの設定は、童話や物語のペースを最適化し、子供たちや聴覚に配慮したコンテンツ作成を支援します。

音声の選択

8種類のpresetから物語の雰囲気に合った声を選びます。例えば、子守唄のような柔らかい雰囲気には「luna」を、活気ある冒険物語には「felix」が適しています。

すべての音声は、8つのプリセットから選択でき、特定の言語に限定されません。どの音声でも23言語を話すことができます。

  • aria: 暖かくクリアなナレーター
  • nova: 明るくアップビート
  • luna: ソフトで物語性
  • sage: カルムで教育的
  • felix: エナジェティックでプロモーション向け
  • milo: フレンドリーで会話風

速度の調整

速度パラメータ(0.25〜4.0)で、話す速さを調整できます。童話ではゆっくりした速度が好ましく、4.0まで上げると非常に早くなります。

速度を変更しても音声の品質は保たれます。ただし、読み上げ速度が速すぎると、聴覚に配慮したコンテンツでは聞き取りにくくなる可能性があります。

音声形式の変更

mp3、wav、opus、flac、pcmの5つのフォーマットから選択できます。mp3は小さく、wavやflacは高品質です。

音声ファイルの形式を選ぶことで、保存や配信の効率を最適化できます。mp3はインターネット配信に、wavは編集用として適しています。

  • mp3: 軽量化
  • wav: 高品質
  • opus: 効率的
  • flac: 無損失
  • pcm: 生データ

将来の拡張

の音声波形イラスト: 将来の拡張

APIの拡張性は、OpenAI SDKとの互換性を維持することで実現しています。base_urlを変更するだけで、既存のクライアントコードをそのまま利用でき、新しい機能の追加もシームレスに行えます。

現在8種類の音声と23言語を提供しています。カスタム音声クローニングやSSMLは提供されません。将来的には、これらの制限内で拡張される可能性があります。

APIの拡張性

標準的なREST API設計を採用しており、OpenAI SDK互換のエンドポイントを使用します。これにより、既存の開発環境を大幅に変更せずに導入可能です。

  • OpenAI SDKとの互換性
  • 標準的なREST API設計

音声の追加

現在8種類の音声を提供しています。カスタム音声クローニングやSSMLは提供されません。

言語の追加

現在23言語を提供しています。カスタム音声クローニングやSSMLは提供されません。

まとめ

の音声波形イラスト: まとめ

StoryTone APIは、童話や物語作成のための具体的なツールです。8種類の音声から選び、4096文字ごとの分割と結合で、長い物語も正確に音声化できます。

このガイドは、APIキーの取得からエラー処理、コスト管理までを網羅しました。具体的な数値とワークフローに基づき、効率的なコンテンツ制作をサポートします。

TTS APIの使い方

APIエンドポイントにJSONボディを送信するだけで、音声ファイルが得られます。言語を明示的に指定し、速度を0.25〜4.0で調整することで、物語の雰囲気に合った音声を作成可能です。

TTS APIの選び方

童話制作には、暖かみのある「aria」や物語調の「luna」が適しています。他の音声も用途に合わせて選択でき、すべての音声は23言語に対応しています。

次のステップ

まず/get-api-key/ページでAPIキーを取得し、無料トライアルで試してみてください。コード例を使って、すぐに音声合成の仕組みを確認できます。

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。 物語の進行に合わせて、重要な部分では遅く、説明的な部分では速く調整することで、聴覚に配慮したコンテンツ作成が効率的になります。

音声のアバター aria
aria女性
音声のアバター nova
nova女性
音声のアバター luna
luna女性
音声のアバター sage
sage女性
音声のアバター felix
felix男性
音声のアバター milo
milo男性
音声のアバター atlas
atlas男性
音声のアバター orion
orion男性

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

  1. Wikipedia
  2. openai-node on GitHub
  3. IETF RFC 7845: Ogg Opus
  4. ISO 639 language codes
  5. LibriTTS-R paper (arXiv 2305.18802)
  6. Tether (USDT)
  7. LibriTTS-R corpus (OpenSLR 141)
  8. Python documentation
  9. OpenAI API reference: create speech
  10. Node.js documentation
  11. MDN: Web Speech API
  12. W3C WAI: making audio and video accessible

このサイトに関するその他の情報