MLデータセット作成に最適化された合成音声API

作成者 KoeMaku エディトリアルチーム · 更新日 2026-11-18

機械学習用の合成音声データセット作成に特化したインディー開発者のためのTTS APIです。テキストを送信するだけで音声ファイルを生成し、学習データの効率化を支援します。OpenAI互換のAPI仕様で、既存のSDKやツールをそのまま利用可能。大量のテキストを高速に変換し、データ収集のワークフローを自動化します。

8種類のプリセット音声と23言語に対応し、多様なデータセットの構築をサポートします。文字数ベースの透明な課金体系で、開発コストを最適化。APIキーの取得から最初のリクエストまで、このページで必要なすべてを確認できます。MLプロジェクトの音声データ生成を、シンプルかつ効率的に実行しましょう。

MLデータセット作成に最適化された合成音声API

よくある質問

テキスト読み上げAPIとは何ですか?

テキストを送信すると音声ファイルが返されるクラウドTTS APIです。POST https://api.playsx888.com/v1/audio/speech へJSONボディを送信するだけで利用できます。OpenAI Speechエンドポイントと同じ形式なので、base_urlを変更するだけで公式SDKもそのまま使用可能です。

合成音声データセットの生成にAPIは適していますか?

大量のテキストを高速に音声に変換し、学習データの効率化をサポートします。1リクエストあたり最大4096文字まで処理可能で、長いテキストは分割して結合できます。生成された音声はレスポンスで返され、ストレージに保存されないので、MLデータセット作成に最適です。

8種類の音声はどのような違いがありますか?

aria(暖かいナレーター)、nova(明るく元気)、luna(柔らかいストーリーテリング)、sage(落ち着いた教育)、felix(エネルギッシュなプロモ)、milo(親しみやすい会話)、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)の8種類です。用途に合わせて選べます。

23言語はどのようにサポートされていますか?

23言語に対応しています。どの音声でも全言語を話せます。言語を指定しない場合はスクリプトから推測されますが、非英語のラテン文字の場合は明示的にlanguageパラメータを設定してください。ベトナム語やタイ語などは未対応です。

APIのレート制限はどのくらいですか?

キーあたり1分間あたり60リクエストです。最初のトップアップ前は1分あたり10リクエストに制限されます。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。大量のデータセット生成時には、この制限を考慮して設計してください。

音声ファイルの形式はどれが推奨されますか?

mp3、wav、opus、flac、pcmから選択できます。データセット用であればmp3やopusが効率的で、wavやflacは高品質なまま保存できます。用途に応じて適切な形式を選んでください。ストリーミングやWebSocketはサポートされていないため、ファイルとして受け取ってください。

合成音声にはウォーターマークが含まれていますか?

はい、生成されるすべての音声ファイルには、合成音声であることを示す不可聴のウォーターマークが含まれています。これは機械学習モデルが生成音声と自然音声を区別する際に役立ちます。データセットの品質管理や後処理のために、この特徴を積極的に活用してください。

APIの課金体系はどのようになっていますか?

100万文字あたり10ドル(1000文字あたり0.01ドル)です。失敗したリクエストは無料です。USDT(TRC-20)でのみトップアップ可能で、最小5ドルから自動反映されます。月額プランや追加料金はなく、残高は失効しません。

無料トライアルの利用条件は何ですか?

Googleでサインインすると、7日間有効な0.50ドルのクレジット(約5万文字)が提供されます。メールアドレスとパスワードで作成したアカウントにはこのトライアルクレジットは付きません。有効期限内であれば、制限なくAPIを試すことができます。

APIキーはどのように取得しますか?

サイトの/get-api-key/ページで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てください。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アカウントにつき1つで、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。

OpenAI SDKはAPIで使用できますか?

はい、エンドポイントの形状がOpenAI Speechと同一なため、base_urlを https://api.playsx888.com/v1 に変更するだけで公式SDKが動作します。独自のSDKやモバイルSDKはありませんが、OpenAI SDKや通常のHTTPリクエストで簡単に統合できます。

音声のライセンスはLibriTTS-Rに基づいていますか?

はい、音声はCC BY 4.0ライセンスのLibriTTS-R(LibriVoxの録音)に基づいています。生成された音声ファイル自体に追加のライセンス制限はありませんが、基盤となる録音の性質を理解した上でデータセットを作成してください。カスタムボイスクローンは提供していません。

APIのサポートはメールのみですか?

はい、サポートはメールのみです。電話番号やライブチャットはありません。SLAや稼働率保証、エンタープライズ契約も提供していません。技術的な問い合わせやトラブルシューティングは、メールを通じて対応いたします。迅速な対応を心がけています。

データセットの生成速度はどのくらいですか?

長いテキストではリアルタイム程度(1秒あたり約25文字)の速度です。短いフレーズでも数秒かかります。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します。大量のデータを生成する際は、この速度を考慮してください。

最初のリクエスト

curl

curl https://api.playsx888.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

MLデータセットのための高速合成音声

の音声波形イラスト: MLデータセットのための高速合成音声

KoeMaku APIは、機械学習用の合成音声データセット作成を目的とした高速なテキスト読み上げサービスです。テキストを送信するだけで音声ファイルが生成され、大量の学習データ効率的に構築できます。

最大4096文字までの入力をサポートし、音声合成エンジンは「tts-1」と「tts-1-hd」の2モデルを提供します。長文の処理には分割と結合の仕組みを用い、リアルタイムに近い速度で音声ファイルを取得可能です。

テキスト読み上げAPIの仕組み

テキスト読み上げAPIの仕組み

APIエンドポイントに対してJSON形式でリクエストを送信するだけで、音声ファイルが返されます。OpenAI互換の仕様を採用しているため、既存のSDKをそのまま利用可能で、開発環境への組み込みが容易です。

合成音声の品質と自然さ

LibriVoxの録音データに基づく8種類のプリセット音声を用い、自然な読み上げを実現します。各音声には合成音声を示す不可聴のウォーターマークが埋め込まれており、学習データとしての識別が容易です。

データセット生成の自動化

文字数ベースの課金体系により、必要な分だけのコストでデータセットを拡張できます。失敗したリクエストは課金対象外となるため、バッチ処理での自動化にも安心して利用できます。

多様な音声と言語対応

の音声波形イラスト: 多様な音声と言語対応

機械学習のデータセット作成には、多様な音声と言語のバリエーションが不可欠です。当APIは8種類のプリセット音声と23言語をサポートし、学習データの質を向上させます。

8種類のプリセット音声

ariaやnovaといった8つの音声プリセットを自由に選択できます。各音声はLibriTTS-Rの録音データに基づいており、自然な合成音声を生成します。

音声のトーンはナレーターからナレーションまで幅広く、データセットの多様性を確保します。生成された音声には合成音声を示す不聴覚的ウォーターマークが埋め込まれています。

  • 女性: aria, nova, luna, sage
  • 男性: felix, milo, atlas, orion

23言語のサポート

英語、日本語、中国語など23言語に対応しています。言語コードを指定しない場合、ラテン文字は英語として判別されるため、他の言語では明示的な指定が必要です。

  • Arabic, Chinese, Danish, Dutch, English, Finnish, French, German, Greek, Hebrew, Hindi, Italian, Japanese, Korean, Malay, Norwegian, Polish, Portuguese, Russian, Spanish, Swahili, Swedish, Turkish

音声の特性と用途

各音声は特定の用途に合わせて設計されています。ariaは明確なナレーター向け、novaは活気のあるトーン、sageは指示的な用途に適しています。

データセット作成では、これらの特性を活用して多様な音声データを効率的に生成できます。異なる音声と言語を組み合わせることで、機械学習モデルのロバスト性を高めます。

開発者向けAPI仕様

の音声波形イラスト: 開発者向けAPI仕様

APIベースURLは https://api.playsx888.com/v1 です。公式OpenAI SDKの base_url を変更するだけで、すぐに連携可能です。音声生成は POST /v1/audio/speech で、音声一覧は GET /v1/voices で取得できます。

認証には Authorization: Bearer tts-... ヘッダーを使用します。アクセスキーは1アカウントにつき1つで、再発行すれば旧キーは即時無効化されます。MLパイプラインへの組み込みは非常にシンプルです。

OpenAI互換エンドポイント

エンドポイントはOpenAIの音声APIと同一の形状をしています。これにより、既存のOpenAI SDKやHTTPライブラリをそのまま流用できます。特別なラッパーや独自クライアントを作成する必要はありません。

  • 音声生成: POST /v1/audio/speech
  • 音声一覧取得: GET /v1/voices
  • モデル情報: GET /v1/models

リクエストとレスポンスの形式

リクエストボディはJSON形式で、model、input、voice などのパラメータを送信します。テキストは4096文字まで可能です。レスポンスには生成された音声ファイルが直接含まれます。

  • model: tts-1 または tts-1-hd
  • input: テキスト(最大4096文字)
  • voice: 8種類のプリセットから選択
  • response_format: mp3, wav, opus, flac, pcm

認証とセキュリティ

各アカウントには1つのアクティブアクセスキーが割り当てられます。キーは Authorization: Bearer ヘッダー経由で送ります。新しいキーを発行すると、古いキーは即時使用不可になります。

コスト効率とスケール

の音声波形イラスト: コスト効率とスケール

合成音声APIは、生成された音声の長さではなく「文字数」を基準としたシンプルな課金体系を採用しています。100万文字あたり10ドル(1文字あたり約0.01ドル)で、空白や句読点も1文字としてカウントされます。これにより、データセット作成時のコスト予測が容易になります。

文字数ベースの課金体系

失敗したリクエストは課金されません。音声合成に失敗した場合、使用した文字数分のお金が返金されるため、実験中のリスクを最小限に抑えられます。また、トライアルアカウントには0.50ドルのクレジットが与えられ、7日間有効です。

月額の固定プランや最小利用料金の制約はありません。必要な分だけ支払い、残高は期限切れにならずに保管できます。

  • 100万文字あたり10ドル
  • 失敗リクエストは無料
  • 期限切れない残高

レート制限の理解

APIキー1つあたり1分あたり60リクエストまでの制限があります。初期状態では1分あたり10リクエストですが、初回のチャージ後に制限が緩和されます。複数のデータを並列処理する際は、この制限を考慮したキュー設計が必要です。

テキストが長い場合は、4096文字ごとに分割して処理します。分割して生成された音声ファイルは、最終的に結合されます。

大量処理の最適化

大量のテキストを音声に変換する場合、1秒あたり約25文字分の音声データが生成されます。これは実時間再生と同等の速度です。短めの文章でも数秒かかるため、バッチ処理では待機時間を考慮してください。

負荷がかかる時間帯はキューに待機することがあり、処理が少し遅くなる場合があります。ただし、APIキーあたりのレート制限は厳守されており、超過したリクエストは即座に拒否されます。

音声ファイル形式と品質

の音声波形イラスト: 音声ファイル形式と品質

合成音声APIは、MP3、WAV、OPUS、FLAC、PCMの5つの形式に対応しています。各形式は、データセットの用途に応じて最適化されており、開発者は生成後の音声ファイルをそのまま学習データとして利用できます。

MP3は軽量で汎用性が高く、WAVはロスレス形式として高品質な分析に適しています。OPUSとFLACは圧縮効率と音質のバランスを重視し、PCMは生データとして後処理が容易です。

音声の解像度とサイズ

生成される音声ファイルのサイズは、選択した形式と速度設定に依存します。MP3やOPUSはデータサイズを削減し、ストレージコストを抑えます。一方、WAVやFLACは原音に近い形式で、音声解析の精度を維持します。

PCM形式は圧縮なしの生データであり、音声処理パイプラインでの追加変換が不要な場合に適しています。必要な解像度に応じて形式を選択することで、データセットの効率性を最大化できます。

  • MP3: 軽量、汎用性が高い
  • WAV: ロスレス、高品質
  • OPUS: 高圧縮、高品質
  • FLAC: 可逆圧縮、高品質
  • PCM: 非圧縮、生データ

形式の選択ガイド

データセットの用途に応じて最適な形式を選択してください。音声解析や特徴量抽出にはWAVやFLACが適しており、大量のデータを効率的に管理するにはMP3やOPUSが推奨されます。

音声合成の品質自体は形式によらず同一です。ただし、ファイルサイズと処理速度のトレードオフを考慮し、プロジェクトの要件に合わせた形式を選択することが重要です。

  • 音声解析: WAVまたはFLAC
  • データセット管理: MP3またはOPUS
  • 後処理不要: PCM
音声ファイル形式と品質

音声のライセンスとデータ使用

の音声波形イラスト: 音声のライセンスとデータ使用

合成音声の生成には、LibriTTS-R(CC BY 4.0)ライセンスに基づく録音が使用されています。これにより、機械学習データセットの作成において、音声素材のライセンス問題を意識する必要がなくなります。

LibriTTS-Rライセンス

音声の元となった録音は、LibriVoxの公衆ドメインaudiobook readingに基づいています。これらはCC BY 4.0ライセンスの下で提供されており、商用利用を含む幅広い用途で再利用可能です。開発者は、音声ファイル自体のライセンス条項を遵守することで、データセットの配布やモデルトレーニングが容易になります。

合成音声のウォーターマーク

生成される音声ファイルの各ファイルには、人間には聴こえない不聴知覚的なウォーターマークが含まれています。これは、その音声が生合成されたものであることを示すシグナルです。機械学習モデルが学習データとして音声を使用する場合、その出所を明確にするために役立ちます。

データ使用とトレーニング

入力されたテキストは、音声合成のためだけに使用され、モデルのトレーニングには再利用されません。生成された音声ファイルはレスポンスとして返され、当社のサーバーには保持されません。ただし、課金の目的で、リクエストのメタデータ(時間、文字数、ステータス)は保存されます。

インディー開発者への支援

の音声波形イラスト: インディー開発者への支援

インディー開発者の皆様へ、KoeMaku APIはMLデータセット作成を迅速に開始できる環境を提供します。APIキーの取得から最初の音声生成まで、専門知識がなくてもスムーズに進められる設計です。

ドキュメントには具体的なcurlコマンド例も記載しており、実際の開発プロセスに即したサポートを行います。必要に応じてメールサポートも利用可能です。

APIキーの取得方法

サイト内の「/get-api-key/」ページにアクセスしてください。Googleアカウントまたはメールアドレスとパスワードを使ってサインアップできます。認証キーは「tts-」で始まる文字列として表示され、アカウントごとに1つが有効です。キーはいつでも再発行でき、古いキーは即座に無効化されます。

無料トライアルとしてGoogleサインイン時に$0.50のクレジットが提供されます(有効期限7日間)。メールアドレスでの登録ではトライアルクレジットは付与されません。キーが発行されると、残高や使用状況がダッシュボードで確認できます。

  • Googleまたはメールアドレスでのサインアップに対応
  • APIキーは「tts-」で始まる文字列
  • 再発行により古いキーは即時無効化

最初のリクエストの実行

APIエンドポイントは https://api.playsx888.com/v1 です。POSTリクエストでテキストと音声パラメータをJSON形式で送信します。OpenAI互換の仕様なので、既存のSDKをbase_urlを変更するだけで利用可能です。最大4096文字までのテキストを処理でき、それを超える場合は分割して結合します。

認証にはヘッダーに Authorization: Bearer tts-... を設定します。例えば、英語のテキストをAriaボイスでmp3形式で生成するには、modelを「tts-1」、voiceを「aria」、response_formatを「mp3」と指定します。レスポンスとして音声ファイルが返却されます。

  • base_url: https://api.playsx888.com/v1
  • 認証ヘッダー: Authorization: Bearer tts-...
  • 最大入力文字数: 4096文字

トラブルシューティング

レート制限は1分あたり60リクエストです。課金前の初回利用時は1分あたり10リクエストに制限されます。大量のテキストを処理する場合は、分割して送信することで安定した生成が可能です。音声ファイルの生成にはリアルタイムに近い速度がかかりますが、短めの文章では数秒かかることがあります。

エラーが発生した場合は、ステータスコードとエラーメッセージを確認してください。不正なパラメータやキーの問題が考えられます。サポートはメールのみで、電話やライブチャットはありません。技術的な問い合わせにはメールで対応します。

  • レート制限: 1分あたり60リクエスト
  • 課金前: 1分あたり10リクエスト
  • サポート: メールのみ

コミュニティとフィードバック

の音声波形イラスト: コミュニティとフィードバック

開発者コミュニティは、APIの利用経験やデータセット作成のノウハウを共有する場です。私たちは公式フォーラムを運営しておらず、GitHubや開発者向けチャネルを通じて情報交換を促進しています。

フィードバックはサイトの「Contact」ページからメールで受け付けています。既存の機能に関する問題や改善点があれば、具体的な使用状況と合わせて送信してください。

開発者フォーラム

公式の独立したフォーラムサイトは現在ありませんが、GitHubのIssuesやDiscordなどの開発者コミュニティで情報が共有されています。他のユーザーの経験やコード例を参考にしてください。

フォーラムの代わりとなる情報源として、APIの更新履歴や既知の問題は公式ドキュメントに記載されています。

  • GitHub Issuesでエラー報告
  • Discordで技術議論

フィードバックの投稿

「Contact」ページからメールでフィードバックを送信してください。APIの使用感やバグ報告、機能の使いやすさについて自由に記載できます。

フィードバックは開発チームが直接確認し、今後の改善に反映される可能性があります。

  • メールでの報告
  • 具体的な使用状況の記載

機能リクエスト

新しい機能や改善要望があれば、フィードバック投稿時に明記してください。特にMLデータセット生成に関連する要望は優先的に検討されます。

現在、SSMLやストリーミング再生はサポートしていませんが、将来的な拡張の可能性として記録されます。

  • 機能リクエストの提出
  • MLデータセット関連の要望

よくある質問

の音声波形イラスト: よくある質問

合成音声の品質と生成速度、利用制限についてよくある疑問をまとめました。開発環境に合わせて最適な設定を見つけましょう。

技術的な限界やコストの仕組みを理解することで、データセット作成の効率を最大化できます。

合成音声は自然ですか?

LibriTTS-RやLibriVoxの録音を基にした8プリセットの音声は、自然な語り口を実現します。ただし、SSMLや感情タグ、個別音声クローンは提供していないため、特定の感情表現や独自の声質定制には対応していません。生成された音声には合成音声を示す不可視のウォーターマークが含まれます。

データセットの生成速度

通常、テキストは約25文字/秒で生成され、長文でも実時間並みの速度で音声化されます。ただし、リクエストはキューで逐次処理されるため、負荷が高いと待機時間が発生する場合があります。短文でも数秒を要することがあります。

APIの利用制限

APIキーあたり毎分60リクエストの制限があります。初回トップアップ前は毎分10リクエストです。1リクエストで4096文字まで処理可能ですが、それ以上の場合は分割して結合する必要があります。失敗したリクエストは課金されません。

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。 各形式は、データセットの用途に応じて最適化されており、開発者は生成後の音声ファイルをそのまま学習データとして利用できます。

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-python on GitHub
  3. LibriTTS-R corpus (OpenSLR 141)
  4. ISO 639 language codes
  5. MDN: Web Speech API
  6. LibriTTS-R paper (arXiv 2305.18802)
  7. FFmpeg documentation
  8. curl documentation
  9. LibriVox public-domain audiobooks
  10. OpenAI API reference: create speech
  11. TRON developer hub: TRC-20
  12. IETF RFC 7845: Ogg Opus

このサイトに関するその他の情報