合成音声APIのドキュメントとコード例

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

このページでは、機械学習用の合成音声データセット作成に特化したKoeMaku APIのクイックスタートガイドを提供します。APIキーの取得方法から、curlコマンドやOpenAI SDKを用いた具体的なコード例まで、実装に必要な情報を網羅的に解説します。独自開発のSDKではなく、既存のオープンなプロトコルを活用することで、開発環境への統合をスムーズに実現できます。

8種類の音声プリセットと23言語の対応、MP3やWAVなど5つの音声形式から、データセットの要件に合わせた最適な設定を選択できます。レート制限やエラーハンドリングの具体的な手順、長文テキストの分割・結合ワークフローも記載しています。インディー開発者が効率的に大量のテキストを音声に変換し、学習データの品質を高めるための実践的なリファレンスとしてご活用ください。

合成音声APIのドキュメントとコード例

よくある質問

APIキーはどのように取得しますか?

サイト内の/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、ダッシュボードにAPIキーが表示されます。キーは1アカウントにつき1つで、必要に応じていつでも新しいキーを発行できます。新しいキーを発行すると、古いキーは即時無効になります。

最初のAPIリクエストはどう実行しますか?

POST https://api.playsx888.com/v1/audio/speech へJSONボディを送信します。model、input、voice、response_format、speed、Authorizationヘッダーを含めてください。テキストは4096文字以内で、音声形式はmp3、wav、opus、flac、pcmから選べます。キーは「Bearer tts-...」の形式で指定します。

OpenAI SDKはAPIでどのように使用しますか?

公式OpenAI SDKのbase_urlを「https://api.playsx888.com/v1」に変更して使用できます。APIキーはサイトから取得したキーを設定してください。リクエストの形状はOpenAIのspeechエンドポイントと同じなので、既存のコードを少し変更するだけで利用可能です。

8種類の音声はどのように選択しますか?

voiceパラメータで「aria」「nova」「luna」「sage」「felix」「milo」「atlas」「orion」のいずれかを指定します。女性ボイスは暖かみ、明るさ、柔らかさ、落ち着いたトーンを持っています。男性ボイスはエネルギッシュ、フレンドリー、ニュートラル、深みのあるトーンです。用途に合わせて選んでください。

23言語はどのように指定しますか?

languageパラメータにISOコードを指定します。指定しない場合はスクリプトから推測されますが、英語以外のラテン文字テキストは明示的に指定してください。アラビア語、中国語、英語、フランス語など23言語に対応しています。言語は任意の音声で話せます。

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から選択可能です。mp3は一般的で軽量です。wavは非圧縮で高品質です。opusは低ビットレートで効率的です。flacは可逆圧縮です。pcmは生データです。用途とストレージの制約に応じて最適なものを選んでください。

レート制限はどのくらいですか?

1分あたり60リクエストまでです。最初のトップアップ前は1分あたり10リクエストです。リクエストは順次処理されるため、負荷が高い場合はキュー待ちが発生します。長時間のテキストでは約1秒あたり25文字の速度で生成されます。

エラーコードはどのように解釈しますか?

失敗したリクエストは全額返金されます。エラーレスポンスにはステータスコードとエラーメッセージが含まれます。認証エラーはキーを確認し、レート制限エラーは待機してください。テキスト長超過は4096文字以内になるよう分割してください。ネットワークエラーは再試行してください。

テキストはどのように分割しますか?

4096文字ずつに分割して複数のリクエストを送信してください。各リクエストは独立して処理され、音声ファイルが返されます。分割は文字数に基づいて行い、意味の切れ目で分割すると自然な音声になります。分割ロジックはクライアント側で実装します。

音声ファイルはどのように結合しますか?

分割して生成された音声ファイルをクライアント側で結合してください。APIは音声ファイルを個別に返すため、結合処理はアプリ側で行います。mp3やwavなどの形式で保存し、プレイヤーやライブラリを使って連結します。

一般的なエラーは何ですか?

認証エラー(キー不正)、レート制限超過、無効なパラメータ、テキスト長超過が一般的です。認証エラーはキーを確認し、レート制限は待機してください。パラメータエラーは仕様を確認し、テキスト長は分割してください。ネットワークエラーは再試行してください。

レート制限を超えた場合どうしますか?

1分あたり60リクエストの制限を超えると、リクエストがキューに待機されます。制限超過時はエラーが返される場合もありますが、基本は待機処理となります。バッチ処理では間隔を空けて送信するか、キューを実装してください。

サポートへの問い合わせはどうすればよいですか?

サポートはメールのみです。電話やライブチャットはありません。/contact/ページからメールで問い合わせしてください。返信はメールで行われます。SLAや保証はありませんので、必要に応じて再送や詳細情報を記載してください。

APIのドキュメントはどこで確認できますか?

この/docs/ページでAPIの仕様を確認できます。エンドポイント、パラメータ、レスポンスの形式が記載されています。また、/get-api-key/ページでcurl例も確認できます。OpenAI SDKの使用法も記載されています。

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

Python (openai)

from openai import OpenAI

client = OpenAI(base_url="https://api.playsx888.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.playsx888.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

KoeMakuのAPIキーを取得して、機械学習用の合成音声データセット作成を始めましょう。

Googleアカウントまたはメールアドレスを使って簡単にアカウントを作成できます。

Googleサインインでの登録

Googleサインインでの登録

Googleアカウントで登録すると、すぐに0.50ドルの無料トライアルクレジット(約50,000文字分)が付与されます。これは7日間有効です。

  • Googleアカウントでサインイン
  • トライアルクレジットが自動付与
  • 7日間の有効期限

メールアドレスでの登録

メールアドレスでの登録

メールアドレスとパスワードを使って登録することもできます。この方法では、トライアルクレジットは付与されません。

  • メールアドレスとパスワードで登録
  • トライアルクレジットなし

APIキーの確認

ダッシュボードでAPIキーを確認し、コピーして使用できます。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。

  • ダッシュボードでAPIキーを確認
  • 新しいキーで古いキーが無効化

最初のAPIリクエスト

の音声波形イラスト: 最初のAPIリクエスト

APIキーを取得したら、curlコマンドで最初の音声生成を試してみましょう。OpenAI互換のJSONボディを送信し、短時間で音声ファイルを受け取ります。

リクエストにはモデル名、テキスト、音声スタイルを指定します。成功すれば、音声データがレスポンスとして返されます。

curlコマンドの実行

次のコマンドを実行して、音声生成の基本的な流れを確認してください。base_urlは https://api.playsx888.com/v1 です。

curl -X POST "https://api.playsx888.com/v1/audio/speech" \ -H "Authorization: Bearer tts-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx" \ -H "Content-Type: application/json" \ -d '{"model": "tts-1", "input": "機械学習のデータセット作成、効率化!", "voice": "nova", "response_format": "mp3"}' \ --output speech.mp3

JSONボディの構成

リクエストボディには必須フィールドとして model、input、voice を設定します。input は最大4096文字まで可能です。

任意パラメータとして response_format(mp3、wavなど)や speed(0.25〜4.0)を指定できます。言語が不明確な場合は language フィールドで明示してください。

  • model: "tts-1" または "tts-1-hd"
  • input: 音声に変換するテキスト(最大4096文字)
  • voice: aria, nova, luna, sage, felix, milo, atlas, orion のいずれか
  • response_format: mp3, wav, opus, flac, pcm

レスポンスの確認

正常なリクエストに対しては、音声ファイルそのものがバイナリで返されます。エラーが発生した場合は、JSON形式のエラーメッセージが返されます。

返された音声ファイルはローカルに保存され、MLの学習データとして利用可能です。生成速度はテキスト量に応じてリアルタイム程度です。

OpenAI SDKの使用

の音声波形イラスト: OpenAI SDKの使用

OpenAI SDKの公式クライアントを流用することで、既存のコードベースを最小限の修正で当APIに接続できます。主な変更点は、APIのエンドポイントを指すbase_urlの設定だけです。これにより、標準的なspeechエンドポイントへの呼び出しがそのまま機能します。

SDKを初期化する際、base_urlパラメータにhttps://api.playsx888.com/v1を指定し、認証キーを環境変数または直接設定します。これだけで、他のOpenAI互換エンドポイントと同様のリクエスト送信が可能になります。

base_urlの変更

SDK初期化時にbase_urlをhttps://api.playsx888.com/v1に変更します。これにより、エンドポイントのパスが/v1/audio/speechに自動的に解決され、互換性が保たれます。

SDKの設定

APIキーをAuthorization: Bearerヘッダーに含めます。Pythonのopenaiパッケージを使用する場合、`OpenAI(base_url=

音声と言語の指定

の音声波形イラスト: 音声と言語の指定

APIリクエストでは、voiceパラメータで8種類のプリセットから選べます。各音声は特定のトーンに最適化されており、機械学習データの質を左右します。

言語は自動検出またはlanguageパラメータで指定します。23言語に対応し、どの音声でも全ての言語で発話可能です。

8種類の音声

aria, nova, luna, sage(女性)とfelix, milo, atlas, orion(男性)の8種類です。LibriTTS-RやLibriVoxの録音に基づいています。

各音声には固有のトーンがあり、データセットの統一性を保つために選択してください。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。

  • aria: 暖かく明確なナレーター
  • nova: 明るく活発なトーン
  • luna: 柔らかいストーリーテリング
  • sage: 落ち着いた教育的トーン
  • felix: エネルギーあふれるプロモーション
  • milo: 親しみやすい会話調

23言語の指定

アラビア語、中国語、英語、日本語など23言語に対応します。ラテン文字のテキストはデフォルトで英語と推測されるため、異なる言語の場合は明示的に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リスト外の言語はサポートしていません。

  • English, Japanese, Chinese, Korean
  • Spanish, French, German, Italian
  • Russian, Portuguese, Arabic, Hindi
  • Dutch, Polish, Turkish, Greek

音声の選択基準

データのトーンが均一になるよう、プロジェクト全体で同じ音声を選択することをお勧めします。例えば、ナレーションデータにはariaやsageが適しています。

音声は単なるプリセットであり、カスタムクローニングは提供していません。既存の音声特性を活用してデータセットを構築してください。

音声ファイル形式

の音声波形イラスト: 音声ファイル形式

音声ファイル形式はmp3、wav、opus、flac、pcmの5種類から選択可能です。各形式は生成される音声データのエンコーディング方式を指定します。

機械学習用のデータセット作成では、ファイルサイズと解像度のバランスが重要です。用途に応じて最適な形式を選びましょう。

MP3、WAV、OPUS、FLAC、PCM

mp3は圧縮形式で容量が小さく、wavは非圧縮で高音質です。opusは低ビットレートでも高品質、flacは可逆圧縮、pcmは生データです。

APIレスポンスで指定した形式の音声ファイルが返されます。必要に応じてクライアント側で変換することも可能です。

  • mp3: 圧縮、軽量
  • wav: 非圧縮、高音質
  • opus: 高効率圧縮
  • flac: 可逆圧縮
  • pcm: 生データ

形式の選択基準

データセットの保存コストを考慮するならmp3やopusが適しています。学習時の処理速度を優先するならwavやpcmが有利です。

音声認識モデルの学習にはwavやpcmのような非圧縮形式が推奨される場合があります。環境に合わせて選択してください。

品質とサイズのバランス

wavはファイルサイズが大きくなりますが、音声の細部まで保持されます。mp3はサイズが小さく、多くの用途で十分な品質を提供します。

opusはさらに小さくできますが、可逆圧縮ではありません。

データセットのサイズが重要な場合は、mp3またはopusの使用を検討してください。品質を最優先する場合はwavまたはflacが適しています。

音声ファイル形式

レート制限とエラー

の音声波形イラスト: レート制限とエラー

APIキーごとに1分あたり60リクエストの制限があります。初回トップアップ前は1分10リクエストに制限され、それ以降は上限が引き上げられます。

生成失敗時は課金されないので、エラーを適切に処理して再試行してください。

1分間のリクエスト数

標準では1分間60リクエストまで処理できます。課金前の初期状態では1分10リクエストに制限されており、USDTでのトップアップ後に制限が解除されます。

キューの状況により、リクエストが少し待つことがあります。

エラーコードの解釈

音声合成が失敗した場合、料金は返金されます。ステータスコード429はレート制限超過を示し、5xxはサーバー側の一時障害です。

ネットワークエラーが発生した場合は、クライアント側で再試行ロジックを実装してください。

エラーハンドリング

失敗したリクエストは無料なので、安全に再試行できます。

レート制限を超えた場合は、指数バックオフで待機してください。

データの処理と結合

の音声波形イラスト: データの処理と結合

長文のテキストを音声に変換する際、APIは1リクエストあたり4,096文字までという制限があります。この制限を超えるテキストを送信する場合は、クライアント側で適切に分割する必要があります。

各分割されたテキストを個別にAPIに送信し、得られた音声ファイルをシークエンス順に結合することで、完全なオーディオを生成します。

テキストの分割

入力テキストを4,096文字単位で分割します。スペースや句読点も文字数にカウントされるため、正確な文字数カウントが必要です。

分割ポイントは自然な文の区切りで行うと、結合後の音声の違和感が少なくなります。

  • 1リクエストあたりの最大文字数: 4,096文字
  • 文字数カウントにはスペースと句読点を含む
  • 文の区切りで分割すると結合品質が向上

音声ファイルの結合

APIから返された複数の音声ファイル(mp3, wav, opus, flac, pcm)を、元のテキストの順序通りに結合します。

結合後は、単一の音声ファイルとして保存または使用できます。

  • 返される形式はresponse_formatで指定したものに一致する
  • 結合順序はAPIレスポンスの順序を忠実に従う
  • 結合ツールは一般的なオーディオライブラリで対応可能

処理の自動化

分割、API呼び出し、結合の一連の流れをスクリプトで自動化することで、大量のテキストを効率的に音声データセットに変換できます。

レート制限(1分間60リクエスト)を考慮し、キューを適切に管理してください。

  • 60リクエスト/分のレート制限に注意
  • キュー管理により安定した処理が可能
  • 自動化スクリプトで効率化を実現

トラブルシューティング

の音声波形イラスト: トラブルシューティング

APIリクエストが失敗した場合は、ステータスコードを確認してください。失敗したリクエストは課金されませんので、安心して再試行してください。テキストが4096文字を超えている場合や、一時的なサーバー負荷によるキュー待ちも考えられます。

レート制限を超えた場合は、60リクエスト/分の枠内で処理を調整してください。長文の生成はリアルタイム速度で処理されるため、バッチ処理時の待ち時間を考慮して実装することが重要です。

一般的なエラー

認証エラーが発生した場合は、APIキーの有効性を確認してください。キーが期限切れまたは無効になっている場合は、ダッシュボードから新しいキーを発行してください。既存のキーは即時無効化されます。

  • 401: APIキーが無効です
  • 429: レート制限を超えています
  • 413: テキストが4096文字を超えています(または400: 無効なリクエスト)

レート制限の超え方

初めは1分間に10リクエスト、トップアップ後は60リクエストが制限です。大量のテキストを処理する際は、クライアント側で4096文字ごとに分割し、結合してください。バックオフ戦略を実装することで、キュー待機時のパフォーマンスを最適化できます。

サポートへの問い合わせ

電話やライブチャットは提供していません。問題が発生した場合は、以下のメールアドレスまでご連絡ください。技術的な詳細を記載いただければ、迅速に対応いたします。

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。 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. IETF RFC 7845: Ogg Opus
  4. Creative Commons Attribution 4.0
  5. Node.js documentation
  6. LibriVox public-domain audiobooks
  7. Python documentation
  8. openai-node on GitHub
  9. FFmpeg documentation
  10. LibriTTS-R corpus (OpenSLR 141)
  11. W3C WAI: making audio and video accessible
  12. LibriTTS-R paper (arXiv 2305.18802)

このサイトに関するその他の情報