AI音声生成APIの技術ドキュメント

作成者 VoiSento編集部 · 更新日 2026-11-18

銀行や金融テック企業が大量の通知や案内文を自動配信するためのAPI仕様を解説します。RESTfulエンドポイントと標準JSON形式により、既存のバックエンドシステムやワークフローに容易に統合可能です。

公式OpenAI SDKやcurlコマンドでの実装も可能です。認証、レートリミット、パラメータ設定からエラー処理まで、実装に必要な技術情報を網羅的に提供します。

AI音声生成APIの技術ドキュメント

よくある質問

APIキーはどのように取得しますか?

アカウントページでGoogleまたはメール登録を行い、APIキーを取得してください。1アカウントにつき有効なキーは1つで、必要に応じて新しいキーを発行できます。新しいキー発行直後に旧キーは無効になります。キーは認証ヘッダーにBearerトークンとして設定します。

OpenAI SDKはそのまま使えますか?

はい、リクエスト形状が同等のため公式OpenAI SDKが利用可能です。base_urlを当社のAPIエンドポイントに変更するだけで動作します。認証ヘッダーにはAPIキーを指定し、音声生成エンドポイントにリクエストを送信してください。SDKの標準的なパラメータ設定で音声合成が可能です。

base_urlはどのように変更しますか?

base_urlを「https://api.playn666.com/v1」に変更してください。これにより、公式OpenAI SDKの音声生成エンドポイントが当社のAPIを指すようになります。他のエンドポイントや認証情報も適切に設定すれば、既存のコードを最小限の変更で移行できます。

エラーが発生した場合はどうしますか?

音声合成に失敗したリクエストの料金は全額返金されます。したがって、最終的な課金には含まれません。エラーが発生した場合は、リクエスト内容やパラメータを確認し、必要に応じて再送信してください。失敗した分の課金が発生することはありませんので、安心してご利用いただけます。

レートリミットを超えるとどうなりますか?

1分あたり60リクエストの制限があります。トップアップ前は1分あたり10リクエストです。制限を超えるとリクエストがキューに待機され、順番に処理されます。大量のテキストを処理する際は、この制限を考慮してバッチ処理や間隔を調整してください。

音声のフォーマットは選べますか?

mp3、wav、opus、flac、pcmの5つのフォーマットから選択可能です。用途に合わせて最適な形式を指定してください。各フォーマットは異なる圧縮特性を持ち、配信環境や保存要件に応じて使い分けることができます。デフォルト設定や特定の要件に合わせて柔軟に設定できます。

速度は変更できますか?

読み上げ速度は0.25から4.0の範囲で調整可能です。標準の1.0から遅くしたり速くしたりして、コンテンツの性質や聴取者の好みに合わせて最適化できます。速度パラメータは音声生成リクエストに含まれるため、簡単に設定を変更できます。

言語は明示的に指定する必要がありますか?

言語コードを指定しない場合、文字から自動判定されます。ラテン文字は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明示的な指定が必要です。23言語に対応しており、正確な発音を得るために言語パラメータを明示することを推奨します。

複数のモデルがありますか?

tts-1とtts-1-hdの2モデルがあります。両者は同じエンジンと価格(100万文字あたり10ドル)を採用しており、機能面での明確な差はありません。HDモデルはより高品質な音声を生成しますが、コストの違いはありません。用途に応じてモデルを選択できます。

音声ファイルのサイズ制限はありますか?

音声ファイル自体のサイズ制限は指定されていません。ただし、1リクエストあたりのテキスト長は4096文字に制限されます。長いテキストの場合は分割して処理し、音声ファイルを結合する必要があります。これにより、ファイルサイズは生成される音声の長さに比例して大きくなります。

リクエストのサイズ制限はありますか?

1リクエストあたりのテキスト入力長は最大4096文字です。スペースや句読点も文字数に含まれます。これを超えるテキストを処理する場合は、複数回のリクエストで分割し、生成された音声ファイルを後で結合する必要があります。効率的なバッチ処理が推奨されます。

非同期処理はサポートしていますか?

非同期処理はサポートしていません。WebSocketやリアルタイムストリーミング、SSMLも利用できません。リクエストはキューに待機され順番に処理され、音声ファイルの生成完了後にレスポンスが返されます。そのため、バッチ処理に適した設計となっています。

ストリーミングは可能ですか?

ストリーミング(WebSocketや部分的な音声配信)はサポートしていません。APIは音声ファイル全体が生成された後にレスポンスとして返すため、リアルタイム処理には適していません。ただし、テキストを4096文字ごとに分割して処理し、生成された音声ファイルを結合することで、長時間のテキストでも効率的に音声化できます。

カスタムヘッダーは使用できますか?

はい、標準的なHTTPヘッダーは使用可能です。認証キーは Authorization: Bearer ヘッダーで送信してください。それ以外のヘッダーは、クライアント側の設定や用途に応じて自由に追加できます。APIの動作に必須なヘッダー以外は制限なく送信できるため、既存のシステムやライブラリとの連携が容易です。

最初のリクエスト

curl

curl https://api.playn666.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

Python (openai)

from openai import OpenAI

client = OpenAI(base_url="https://api.playn666.com/v1", api_key="tts-...")

with client.audio.speech.with_streaming_response.create(
    model="tts-1", voice="nova", input="Hello from Python.", response_format="mp3"
) as response:
    response.stream_to_file("hello.mp3")

Node.js (openai)

import OpenAI from "openai";
import fs from "node:fs";

const client = new OpenAI({ baseURL: "https://api.playn666.com/v1", apiKey: process.env.TTS_API_KEY });
const res = await client.audio.speech.create({ model: "tts-1", voice: "milo", input: "Hello from Node.js." });
fs.writeFileSync("hello.mp3", Buffer.from(await res.arrayBuffer()));
voice
aria女性
nova女性
luna女性
sage女性
felix男性
milo男性
atlas男性
orion男性
language
arالعربية
zh中文
daDansk
nlNederlands
enEnglish
fiSuomi
frFrançais
deDeutsch
elΕλληνικά
heעברית
hiहिन्दी
itItaliano
ja日本語
ko한국어
msBahasa Melayu
noNorsk
plPolski
ptPortuguês
ruРусский
esEspañol
swKiswahili
svSvenska
trTürkçe

APIキーの取得

の音声波形イラスト: APIキーの取得

銀行や金融テック企業のシステムに音声生成機能を統合するには、まずAPIキーの取得が必要です。VoiSentoのAPIキーは、各サイトごとに独立したアカウントで管理されます。

サインアップの方法

サインアップは /get-api-key/ ページから行えます。Googleアカウントまたはメールとパスワードの組み合わせで登録可能です。Googleアカウントで連携した場合は、サインアップ直後に$0.50の試用クレジット(約5万文字分)が付与されます。メール登録の場合は試用クレジットは付与されません。

  • Googleアカウントまたはメール/パスワードでの登録
  • Google連携の場合は$0.50の試用クレジットが即時付与
  • メール登録の場合は試用クレジットなし

キーの確認場所

サインアップ後、ダッシュボードの「APIキー」セクションでキーを確認できます。アカウントごとにアクティブなキーは1つだけ存在します。現在の残高、使用状況、そしてAPIキー自体が同じ画面で確認可能です。

キーの再生成

セキュリティのため、APIキーは必要に応じていつでも再生成できます。新しいキーを発行すると、古いキーは即時に無効になります。銀行の既存システムで古いキーを使用している場合、再生成後は新しいキーへの更新をすばやく行ってください。

最初のリクエスト

の音声波形イラスト: 最初のリクエスト

APIに最初のリクエストを送信するには、REST APIまたはOpenAI互換SDKを使用します。以下に、curlコマンドを用いた基本的な音声合成リクエストの例を示します。

このリクエストでは、モデル「tts-1」で「nova」ボイスを使用し、日本語の通知テキストをMP3形式で生成します。

curlコマンドの例

次のcurlコマンドを実行して、音声ファイルをダウンロードします。

curl -X POST "https://api.playn666.com/v1/audio/speech" -H "Authorization: Bearer tts-あなたのAPIキー" -H "Content-Type: application/json" -d '{"model":"tts-1","input":"こんにちは、お客様の残高のお知らせです。","voice":"nova","response_format":"mp3"}' -o output.mp3

JSONボディの構造

リクエストボディはJSON形式で、必須フィールドは model、input、voice です。response_format はデフォルトでmp3ですが、wav、opus、flac、pcmも指定可能です。

input フィールドには最大4096文字までのテキストを指定します。文字数にはスペースや句読点も含まれます。

  • model: "tts-1" または "tts-1-hd" input: 合成対象のテキスト(最大4096文字) voice: "nova" などの8種類のプリセット response_format: mp3, wav, opus, flac, pcm

レスポンスの確認

成功した場合、レスポンスボディには音声ファイルのバイナリデータが含まれます。ステータスコード200が返ります。

音声はファイルとして返されるため、銀行の通知システムやWebアプリケーションに直接保存または再生できます。

  • ステータス200: 音声データがレスポンスボディに返る 失敗時: 理由を示すJSONエラーレスポンスが返る
最初のリクエスト

OpenAI SDKとの連携

の音声波形イラスト: OpenAI SDKとの連携

VoiSentoのTTS APIはOpenAIのspeechエンドポイントと互換性があるため、既存のOpenAI Python SDKをそのまま利用できます。SDK内のメソッドはそのまま使えますが、base_urlをVoiSentoのAPIエンドポイントに変更する必要があります。

ただし、このAPIはストリーミング(WebSocketやリアルタイム部分音声)をサポートしていません。stream_to_file メソッドはストリーミング機能ではなく、レスポンスの音声データをローカルファイルに保存するためのユーティリティとして機能します。

base_urlの変更

SDKの設定で base_url を https://api.playn666.com/v1 に変更し、Authorization ヘッダーにAPIキーを設定します。これにより、OpenAI SDKのメソッドがVoiSentoのAPIを呼び出すようになります。

  • APIベースURL: https://api.playn666.com/v1
  • 認証ヘッダー: Authorization: Bearer tts-<your-key>

SDKのインストール

Python環境に openai パッケージをインストールします。バージョンは最新のものを使用してください。

pip install openai

コードの例

以下は、OpenAI SDKを使用して音声ファイルを生成するコード例です。stream_to_file メソッドを使用して、生成された音声データをローカルファイルに保存しています。

from openai import OpenAI client = OpenAI( base_url="https://api.playn666.com/v1", api_key="tts-your-api-key" ) response = client.audio.speech.create( model="tts-1", voice="nova", input="銀行の通知メッセージを生成します", response_format="mp3" ) response.stream_to_file("output.mp3")

音声フォーマット

の音声波形イラスト: 音声フォーマット

音声ファイルの出力形式を選択することで、ダウンロードサイズや再生環境の互換性を制御できます。mp3、wav、opus、flac、pcmの5種類が指定可能です。生成された音声は、指定したフォーマットでレスポンスとして返却されます。

mp3の選択

mp3は広く対応している圧縮形式です。Webプレイヤーや一般的なメディアソフトで再生可能です。ファイルサイズが小さく、ストレージの節約になります。

wavの選択

opus, flac, pcm

opusは効率的な圧縮形式です。flacは無損失圧縮形式で、元のデータと完全に一致します。pcmは生データです。用途に応じて適切な形式を選択してください。

エラー処理

の音声波形イラスト: エラー処理

API呼び出し時に発生する可能性のあるエラーと、その対応方法を解説します。失敗したリクエストは課金されません。

レートリミットやパラメータの不備によるエラーを適切に処理し、安定した音声生成パイプラインを構築してください。

一般的なエラーコード

401 Unauthorized: APIキーが無効、または期限切れです。認証ヘッダーを確認してください。

403 Forbidden: 口座の残高が不足しているか、アクセス権限がありません。

429 Too Many Requests: レートリミット超過です(後述参照)。

422 Unprocessable Entity: リクエストボディの形式が正しくありません。

500 Internal Server Error: サーバー側の一時的なエラーです。クライアント側で再試行を行うことを推奨します。

レートリミットエラー

レートリミット超過時は、HTTPステータスコード429が返されます。サーバー側でキューに待機するわけではありません。クライアント側で再試行する必要があります。

通常は1分あたり60リクエストまで可能ですが、最初の10リクエストまでは1分あたり10リクエストに制限されます。

無効なパラメータ

指定したvoiceが存在しない、またはspeedが0.25〜4.0の範囲外の場合、422エラーが発生します。

inputフィールドは最大4096文字までです。これを超える場合は、クライアント側で分割して送信してください。

エラー処理

レートリミット

の音声波形イラスト: レートリミット

1つのAPIキーあたりの処理能力は、1分あたり60リクエストが上限です。これは1秒に1件に相当します。大量の通知を生成する際、この速度で処理が進みます。

キーの発行直後は、1分あたり10リクエストの制限がかかります。アカウントがアクティブになり、制限が緩和されます。

60リクエスト/分

制限はAPIキーごとに適用されます。アカウントには1つの有効なキーのみが存在し、再生成すると旧キーは直ちに無効になります。したがって、複数キーを持つ構成ではありません。

初めの10リクエスト/分

新規登録時やトップアップ前など、初期状態では1分あたり10リクエストの制限が適用されます。これは制限の段階を示すもので、特定のテスト用制限ではありません。

キューの仕組み

リクエストは順次処理されます。システムに負荷がかかる場合、リクエストはキューに待機することがあります。そのため、処理に時間がかかる場合があります。

パラメータの設定

の音声波形イラスト: パラメータの設定

APIリクエストの精度は、モデル、音声、速度の3つのパラメータで制御されます。これらは生成される音声の品質と速度を決定し、銀行の通知システムにおける音声の性格を定義します。

modelの指定

標準の"tts-1"と高音質の"tts-1-hd"が利用可能です。両者は同一のエンジンを使用し、価格も同じです。音質の違いが必要な場合に選択します。

voiceの選択

8種類の音声プリセットから選択します。通知や案内文には、フレンドリーな会話調の「milo」や、ニュートラルでニュース向けの「atlas」が適しています。

  • female: aria, nova, luna, sage
  • male: felix, milo, atlas, orion

speedの調整

再生速度は0.25から4.0の範囲で調整可能です。標準は1.0ですが、通知の聞き取りやすさに合わせて速く、またはゆっくり設定できます。

パラメータの設定

音声の生成

の音声波形イラスト: 音声の生成

VoiSento APIは、テキストを音声に変換するクラウドサービスです。入力テキストは音声合成のみ目的で使用され、トレーニングデータ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で即時返却され、サーバー側には永続的に保存されません。ただし、請求と利用状況の確認のため、リクエストのメタデータ(時刻、文字数、ステータス)は記録されます。

生成される音声ファイルには、合成音声であることを示す不可視の透かしが埋め込まれています。これは、音声の出所が人工的であることを示すものです。

文字列の入力

APIリクエストのbodyにはinputフィールドとしてテキスト文字列を指定します。1回のリクエストで送信できるテキストの上限は4,096文字です。スペースや句読点も文字数としてカウントされます。

銀行の通知や案内文など、4,096文字を超える長文を処理する必要がある場合は、テキストを4,096文字以下の複数のパートに分割してください。APIで各パートの音声を個別に生成し、クライアント側でそれらの音声ファイルを結合することで、完全な長文の音声を再現できます。

  • 1リクエストあたりの文字数上限:4,096文字
  • スペースや記号も文字数としてカウント
  • 長文の場合はクライアント側で分割・結合が必要

言語の指定

対応言語はアラビア語、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言語です。

languageパラメータはオプションです。指定しない場合、テキストの文字(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、英語以外のラテン文字を使用する場合は明示的にlanguageを指定してください。

対応外の言語(ベトナム語、インドネシア語、タイ語、ウクライナ語、ルーマニア語、チェコ語、ベンガル語など)はサポートしていません。

  • 対応言語:23言語(日本語、英語、中国語、韓国語、ドイツ語、フランス語、スペイン語、イタリア語、ポルトガル語、ロシア語、アラビア語、ヒンディー語、オランダ語、スウェーデン語、ノルウェー語、デンマーク語、フィンランド語、ポーランド語、トルコ語、ギリシャ語、ヘブライ語、スワヒリ語、マレー語)
  • 未指定時は自動検出(ラテン文字は英語とみなす)
  • Vietnamese, Indonesian, Thai, Ukrainian, Romanian, Czech, Bengali などは非対応

音声の合成

POST https://api.playn666.com/v1/audio/speech エンドポイントにリクエストを送信すると、音声ファイルが返されます。音声の生成速度は、長文テキストの場合、リアルタイム速度(1秒あたり約25文字)に近づきます。短くても数秒程度かかります。

リクエストはキュー処理されるため、負荷が高い場合は待機が発生する可能性があります。8つの音声(aria, nova, luna, sage, felix, milo, atlas, orion)から選択し、speedパラメータで0.25〜4.0の範囲で速度を調整できます。

  • 音声ファイルはレスポンスで返却され、サーバーには保存されない
  • 生成速度:長文はリアルタイム速度(約25文字/秒)、短文は数秒
  • キュー方式のため、負荷時に待機が発生する可能性がある

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。 ご利用のアカウントに重要な更新通知が届きましたので、必ず確認してください。

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. W3C WAI: making audio and video accessible
  3. LibriTTS-R paper (arXiv 2305.18802)
  4. openai-node on GitHub
  5. LibriTTS-R corpus (OpenSLR 141)
  6. OpenAI API reference: create speech
  7. openai-python on GitHub
  8. TRON developer hub: TRC-20
  9. Creative Commons Attribution 4.0
  10. LibriVox public-domain audiobooks
  11. Node.js documentation
  12. curl documentation

このサイトに関するその他の情報