よくある質問
8種類の音声はどのような違いがありますか?
LibriTTS-RとLibriVoxの録音に基づく8つのプリセットから選べます。AriaやNovaなど女性4種、FelixやAtlasなど男性4種が用意されています。各音声は特定のトーンや用途に最適化されており、テキストの性格に合わせた選択が可能です。すべての音声は23言語すべてで利用可能で、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ます。
23言語はどのようにサポートされていますか?
英語、日本語、中国語など23言語に対応しています。言語を指定しない場合、スクリプトから推測されますが、ラテン文字の非英語テキストはデフォルトで英語と認識されるため、明示的な指定が必要です。リストにない言語はサポート外です。どの音声でもどの言語でも話せるため、多言語データセットの作成に柔軟に対応できます。
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の5形式から選べます。機械学習用データセットでは、mp3がサイズ効率に優れ、wavやflacは品質重視のケースに適しています。pcmは生データとして利用できます。APIのレスポンスとして直接ファイルが返されるため、必要な形式を指定してダウンロードしてください。
APIの使用例はありますか?
OpenAI SDKと互換性のあるエンドポイントを使用します。base_urlをhttps://api.playsx888.com/v1に変更し、APIキーを認証情報として設定するだけで利用可能です。POST /v1/audio/speechにJSONボディを送信し、モデル、音声、テキスト、形式を指定します。/get-api-key/ページでcurl例も確認できます。
APIのコストは高いですか?
100万文字あたり10ドル(1,000文字あたり0.01ドル)です。スペースや句読点も文字数に含まれます。失敗したリクエストは全額返金されます。USDT(TRC-20)でのみトップアップ可能で、最低5ドルから開始できます。月額は課金された分のみで、追加料金やサブスクリプションはありません。
APIのレート制限はありますか?
APIキーあたり1分間あたり60リクエストの制限があります。最初のトップアップ前は1分あたり10リクエストです。長文の場合は4096文字ごとに分割して処理し、音声ファイルを結合します。通常、長文は実時間程度で生成されますが、負荷が高い場合はキューで待機する場合があります。
APIのエラーハンドリングはどのようにしますか?
APIは標準的なHTTPステータスコードとエラーレスポンスを返します。合成に失敗した場合は、請求は発生せず全額返金されます。リクエストボディの検証エラーやレートリミット超過などのエラーに応じた処理を実装してください。失敗したリクエストは無料なので、再試行ロジックを安全に組み込めます。
APIのドキュメントはどこで確認できますか?
https://playsx888.com/docs/ で詳細な仕様を確認できます。エンドポイント、パラメータ、レスポンス形式、認証方法などが記載されています。また、/get-api-key/ ページでは実際のcurlコマンド例も提供されています。OpenAI SDKの互換性についても記載されているため、既存のコードとの統合が容易です。
APIのコミュニティはありますか?
公式のコミュニティフォーラムやディスコードは現在提供されていません。サポートはメールのみです。ただし、APIは標準的なHTTPとJSONを使用しており、OpenAI SDKと互換性があるため、一般的な開発者コミュニティで利用方法やコード例を共有できます。独自の問題はメールサポートで問い合わせることができます。
APIの将来の展望はどのようになっていますか?
現在の製品仕様では、ストリーミング、SSML、カスタム音声クローニング、独自SDK、モバイルSDK、WordPressプラグイン、音声認識、翻訳、SLA、認証の追加は予定されていません。音声の追加や価格の変更などの詳細は明示されていません。現在の機能に焦点を当てた安定した提供を重視しています。
APIの使用は複雑ですか?
OpenAI SDKと互換性があるため、非常にシンプルです。base_urlとAPIキーを変更するだけで利用可能です。POSTリクエストにJSONボディを添付するだけです。複雑な認証フローや独自のプロトコルは必要ありません。/get-api-key/ でAPIキーを取得し、すぐに音声合成を開始できます。
APIのライセンスはどのようになっていますか?
音声の基盤はLibriTTS-R(CC BY 4.0)とLibriVoxの公共著作権audiobookに基づいています。生成された音声ファイルには合成音声を示す不可視の透かしが埋め込まれます。データセット利用に関する具体的なライセンス条項はAPIレスポンスやドキュメントで確認してください。生成物の利用条件は別途確認が必要です。
APIのデータ使用制限はありますか?
1リクエストあたり4096文字までです。それ以上の長文は分割して処理する必要があります。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、サーバーには保存されません。請求のためにリクエストのメタデータ(時間、文字数、ステータス)のみが保持されます。
APIのサポートはありますか?
サポートはメールのみです。電話番号やライブチャット、SLA、アップタイム保証はありません。24時間365日の対応を保証するものではなく、迅速な対応も約束していません。技術的な問題や請求に関する問い合わせは、ウェブサイトまたはダッシュボードからメールで送信してください。
音声の選択と特性
機械学習の音声データセット作成において、音声の特性は学習モデルの多様性に直結します。当APIは8種類のpreset voiceを提供し、ナレーターからドキュメンタリーまで幅広いトーンをカバーします。
各音声はLibriTTS-R(CC BY 4.0)およびLibriVoxの録音に基づいており、実用的な合成音声データを効率的に生成できます。
8種類の音声の説明
以下の8音声から、データセットの目的に合わせて選択できます。
Female: aria(暖かく明確なナレーター)、nova(明るく活発な)、luna(柔らかく物語的な)、sage(冷静なインストラクショナル)。 Male: felix(エネルギッシュなプロモ)、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)。
音声の特性と用途
ariaやsageは、学習データとして自然な音声認識に適したクリアな発音を提供します。一方、orionやfelixは、特定のトーンを持つデータセット構築に最適です。
音声の選択基準
データセットのバランスを取るため、男女比率やトーンの多様性を意識して選択してください。同じ音声でも、速度(0.25〜4.0)や言語を変えることで、より多様なトレーニングデータが生成可能です。
言語のサポートと指定
T機械学習のデータセット作成では、多様な言語環境をシミュレートすることが重要です。当APIは23言語に対応しており、開発者は広範な音声データを効率的に生成できます。
言語の自動検出機能により、入力テキストの文字コードに基づいて適切な音声エンジンが選択されます。ただし、精度を高めるためには、明示的な言語指定が推奨されます。
23言語のリスト
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、スウェー語、トルコ語です。
これら23言語はすべて8種類の音声プリセットで生成可能です。特定の方言サポートはありませんが、標準的な発音でデータセットの多様性を確保できます。
- 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
言語の自動検出
APIは入力されたテキストの文字ベース(ラテン文字など)から主要な言語を推測します。ラテン文字のテキストはデフォルトで英語として処理されます。
- ラテン文字は英語としてデフォルト設定される
- 非ラテン文字は自動検出により処理される
言語の指定方法
自動検出が期待と異なる場合や、明確な制御が必要な場合は、リクエストパラメータlanguageにISO言語コードを指定します。例えば、ラテン文字のドイツ語テキストでも、language: 'de'を明示することで正確な音声生成が保証されます。
- ISO言語コードを
languageパラメータに設定 - ラテン文字テキストでの英語デフォルトを回避可能
音声ファイル形式の選択
MLデータセット作成では、音声ファイルの形式がストレージ効率と学習速度に直結します。当APIはMP3、WAV、OPUS、FLAC、PCMの5形式を提供し、用途に合わせた柔軟な選択が可能です。
MP3、WAV、OPUS、FLAC、PCM
MP3は軽量化された形式で、WAVは無圧縮の高品質です。OPUSは低ビットレートでも高音質を実現し、FLACは可逆圧縮で原音を保ちます。PCMは生データで、後処理が容易です。
- MP3: 汎用性が高く、サイズが小さい
- WAV: 無圧縮で加工が容易
- OPUS: 効率的な圧縮と高音質
- FLAC: 可逆圧縮でロスレス
- PCM: 生データで変換不要
形式の比較
形式ごとにファイルサイズと処理負荷が異なります。MP3やOPUSはデータ量を抑えられ、WAVやPCMは処理が高速です。FLACは両者のバランスを取ります。
- MP3: 圧縮率高く、サイズが小さい
- WAV: ファイルサイズ大、品質優先
- OPUS: 低ビットレートで高音質
- FLAC: 可逆圧縮でデータ節約
- PCM: 無圧縮で即時処理可能
形式の選択基準
ストレージ容量を重視するならMP3やOPUSが最適です。高精度な学習にはWAVやFLACが適しています。リアルタイム処理にはPCMが効果的です。
APIの使用例とコード
APIを操作する最も直接的な方法はcurlコマンドです。成功すると、音声ファイルのバイナリデータがレスポンスとして返されます。これはMLデータセット作成において、生成された音声ファイルを即座にファイルシステムに保存できることを意味し、後処理の手間を大幅に削減します。
OpenAI SDKを利用すれば、より構造的なコードで統合できます。base_urlを変更するだけで既存のコードベースと互換性があり、エラーハンドリングも標準的な例外処理で対応可能です。これにより、インディー開発者は複雑なHTTP通信を気にせずにデータ生成パイプラインを構築できます。
curlコマンドの実行
POSTリクエストでJSONボディを送信し、音声データを取得します。以下の例は、英語のテキストをAriaボイスでmp3形式に変換する基本的なコマンドです。
curl -X POST "https://api.playsx888.com/v1/audio/speech" \ -H "Authorization: Bearer tts-your-api-key" \ -H "Content-Type: application/json" \ -d '{"model": "tts-1", "input": "This is a test.", "voice": "aria", "response_format": "mp3"}' \ -o output.mp3
- AuthorizationヘッダーにAPIキーを設定
- response_formatでmp3、wav、opus、flac、pcmを指定可能
- 音声データは標準出力ではなくファイル出力 (-o) で保存
OpenAI SDKの使用
公式SDKをbase_urlを指定して使用することで、PythonやNode.js環境で簡単に統合できます。これはHTTPクライアントのラッパーとして機能し、バイナリデータを直接扱えるため、MLパイプラインへの組み込みが容易です。
from openai import OpenAI client = OpenAI(base_url="https://api.playsx888.com/v1", api_key="tts-your-api-key") with client.audio.speech.with_streaming_response.create( model="tts-1", voice="nova", input="Machine learning dataset generation", response_format="wav" ) as response: response.stream_to_file("output.wav")
- base_urlをAPIエンドポイントに変更
- stream_to_fileメソッドでファイルに直接保存
- 標準的なtry-exceptブロックでエラーを捕捉
エラーハンドリング
音声生成失敗時は課金が返却されるため、リトライロジックを構築しても安全です。ネットワークエラーや無効なパラメータなど、一般的なHTTPエラーコードに応じて適切な処理を実装してください。
エラーレスポンスには原因がJSONで含まれるため、ログに記録してデバッグに活用できます。特に文字数制限(4096文字)を超えた場合は、事前にテキストを分割するロジックを実装することをお勧めします。
- 400: パラメータエラー(無効なvoice等)
- 401: APIキーが無効または期限切れ
- 429: レート制限超過(1分間60リクエスト)
- 500: サーバー内部エラー(リトライ推奨)
コスト最適化の方法
コスト最適化の核心は、文字数ベースの課金(100万文字で$10)をいかに効率よく処理するかです。空白や句読点も文字数にカウントされるため、テキストの前後の余分な空白を削除し、必要な情報だけを残すことが最初のステップです。
また、音声ファイル形式の選択も重要です。データセット作成ではWAVやFLACのような無圧縮・ロスレス形式が好まれますが、 storageコストを抑えるならOPUSやMP3も検討できます。各形式のトレードオフを理解し、用途に合わせた選択を行いましょう。
文字数ベースの課金
課金は100万文字あたり$10で計算されます。これにはスペースや句読点も含まれるため、テキストの長さを正確に把握することが重要です。また、失敗したリクエストは課金されないので、無駄な送信を避けるためにバリデーションを事前に実施しましょう。
- 100万文字で$10(1000文字あたり$0.01)
- スペース、句読点も1文字としてカウント
- 失敗リクエストは返金対象
テキストの分割
1回のリクエストで送れるテキストは最大4096文字です。これを超える文章は、クライアント側で適切に分割し、生成された音声ファイルを結合する必要があります。分割ロジックを工夫することで、音声の自然な流れを保ちつつ効率的に処理できます。
分割処理を自動化することで、大量のテキストを効率的に音声化できます。各パートの生成時間を考慮し、バッチ処理を活用すると、より効率的なデータセット作成が可能になります。
音声ファイルの形式
MP3、WAV、OPUS、FLAC、PCMの5つの形式から選択できます。データセットの用途に応じて最適な形式を選びましょう。例えば、機械学習のトレーニングにはPCMやWAVが適しており、ストレージを節約するにはOPUSやMP3が有効です。
各形式の特性を理解し、データセットの品質とストレージコストのバランスを取ることが重要です。音声ファイルの形式を選択する際は、最終的な利用目的を明確にすることが鍵となります。
レート制限とスケール
APIの利用効率を最大化するには、レート制限と課金メカニズムの理解が不可欠です。KoeMakuのTTS APIは、1分間あたり60リクエストの制限があり、特に大量のテキストを音声に変換するデータセット作成時には、この上限がボトルネックになる可能性があります。
制限を超えた場合、リクエストはキューに入れられ、順次処理されます。短くても合成には数秒かかるため、キューの待機時間が生じます。効率的なスケールアップには、リクエストの分散やバッチ処理の最適化が重要です。
1分間のリクエスト数
APIキーごとに1分間あたり最大60リクエストが許可されています。これは、短くても合成処理に時間がかかるため、実際のスループットはさらに制限される可能性があります。大量のテキストを処理する際は、文字列を4096文字ごとに分割し、効率的にリクエストを送信することが重要です。
レート制限は、キーごとに適用されるため、複数のAPIキーを使用することで、並列処理の効率を上げることができます。ただし、キーあたりの制限は変わらないため、適切なバランスを見つける必要があります。
- 1分間あたり60リクエスト/キー
- キュー方式でリクエストを処理
- キーごとの独立した制限
トップアップ前の制限
トップアップを行う前は、1分間あたり10リクエストの制限が適用されます。これは、無料トライアルのアカウントや、課金情報のないアカウントに適用されます。制限を超えると、リクエストはキューに入れられ、処理待ちになります。
トップアップを行うことで、レート制限が1分あたり60リクエストに引き上げられます。特に、大量のテキストを音声に変換する場合は、トップアップ後の制限緩和が重要です。
スケールアップの方法
スケールアップには、複数のAPIキーの使用や、リクエストの分散が有効です。また、APIキーの追加や、リクエストの最適化を通じて、より多くのリクエストを処理することができます。
スケールアップを進める際には、レート制限や課金メカニズムを常に確認し、効率的なAPI利用を心がけましょう。特に、大量のテキストを処理する場合は、キューの待機時間を考慮することが重要です。
データセットの品質と整合性
機械学習モデルの学習データとして合成音声を使用する場合、音声の質と一貫性はモデルの性能に直結します。KoeMakuのTTS APIは、8種類の预设音声と23言語のサポートにより、多様な声質と言語環境を模擬したデータセットの作成を可能にします。
生成された音声は、学習用途に最適化された安定した品質を提供します。ただし、ストリーミングやSSMLには対応していないため、バッチ処理による大量の音声ファイル生成に適しています。
合成音声の品質
各音声ファイルは合成音声であることを示す不可視のウォーターマークを内蔵しています。これにより、データセット内で人工的な音声を識別・フィルタリングすることが容易になります。音声の自然さは、LibriTTS-RおよびLibriVoxのライセンス済み録音に基づいており、学習データとしての信頼性を確保します。
速度パラメータ(0.25〜4.0倍速)を調整することで、異なる発話速度のデータを生成できます。これにより、音声認識モデルのロバスト性を高めるための多様な訓練データを作成できます。
- 不可視のウォーターマークで合成音声を識別可能
- 速度パラメータで発話速度を細かく制御
- 8種類の音声で多様な声質をカバー
音声ファイルの検証
生成された音声ファイルは、指定されたフォーマット(MP3、WAV、OPUS、FLAC、PCM)で返されます。ファイルの整合性を確認するには、メディアプレイヤーや音声分析ツールを使用して、音声の開始・終了および音声の明瞭さを確認してください。
音声ファイルはサーバーに保存されず、レスポンスとして直接取得されます。そのため、生成直後の検証が推奨されます。失敗したリクエストは課金されませんので、品質が低い音声もコストを気にせず再生成できます。
データセットの生成
4096文字までのテキストを一度に処理できます。より長いテキストの場合は、クライアント側で分割して複数のリクエストを送信し、生成された音声ファイルを結合します。これにより、大規模なテキストデータセットを効率的に音声に変換できます。
生成された音声ファイルは、機械学習パイプラインに直接組み込むことができます。ファイル名やメタデータを適切に管理することで、学習データのラベリングと整理を簡素化できます。

APIのライセンスとデータ使用
生成された音声は合成音声として識別可能ですが、ライセンスは明確です。また、データ使用制限により学習データとして再利用される心配がありません。
インディー開発者として、データの法的クリアランスを迅速に確認できるのは大きな利点です。
LibriTTS-Rライセンス
音声はLibriTTS-R(CC BY 4.0)とLibriVoxの公衆著作権データに基づいています。これにより、機械学習データセット作成時のライセンス要件が簡素化されます。
- CC BY 4.0ライセンスに基づく
- LibriVoxの公衆著作権音声を含む
合成音声のウォーターマーク
生成される音声ファイルには、不可視のウォーターマークが埋め込まれます。これは合成音声であることを示す目的で、データセットの品質管理に役立ちます。
データの使用制限
入力テキストは音声生成のみに使用され、モデル学習には再利用されません。生成音声も応答で返された後、保存されません。
インディー開発者への支援
インディー開発者向けに、APIキーの取得から最初の音声生成までを迅速に完了させる方法をご紹介します。
エラー時の対応や、データセット作成で常见的な問題を解決するヒントを提供します。
APIキーの取得
サイト上部の「APIキーの取得」ページにアクセスし、Googleアカウントまたはメールアドレスでサインインしてください。
サインインすると、ユニークなAPIキー、現在の残高、および生成可能な文字数がダッシュボードに表示されます。
- Googleサインインで無料トライアル(0.50ドル分)が適用されます
- メールアドレス登録ではトライアルクレジットは付与されません
最初のリクエストの実行
提供されるcurlコマンド例をターミナルで実行し、テキストを音声ファイルに変換してみましょう。
成功すると、JSONレスポンス内に音声ファイルのURLまたはデータが含まれて返されます。
生成された音声は、機械学習データセットの検証にすぐご利用いただけます。
トラブルシューティング
「429 Too Many Requests」エラーが発生した場合は、レート制限(1分間60リクエスト)を超えています。
バッチ処理でテキストを4096文字ごとに分割し、並列または逐次処理を行うことで効率化できます。
不明な点があれば、サポートページからメールでご連絡ください。
コミュニティとフィードバック
KoeMakuはインディー開発者のコミュニティを重視しています。開発者フォーラムでは、APIの利用事例やトラブルシューティングの情報が共有される予定です。
開発者フォーラム(準備中)
今後の活動に期待してください。
フィードバックの投稿
改善のヒントを大切にしています。メールやフォームから直接意見を送ってください。
あなたの声が製品に反映される可能性があります。
機能リクエスト
要望があれば随時受け付けます。
多くのリクエストを評価し、優先順位をつけて検討します。
よくある質問と回答
APIはOpenAIの仕様に準拠しており、既存のSDKをそのまま利用可能です。まずはcurlコマンドで簡易テスト、その後Python SDKでの実装が一般的です。
課金は文字数制で、失敗時の返金保証付きです。初期クレジットで試し、TRON経由でのチャージでスケール。シンプルで透明なコスト構造です。
APIの使用は複雑ですか?
リクエスト形状はOpenAI Speechエンドポイントと同じです。base_urlのみ変更すれば、公式SDKがそのまま動きます。認証はBearerトークン、モデルはtts-1またはtts-1-hdの選択です。
8種類の音声プリセットから選べば、特別な設定は不要です。速度や言語コードの指定もシンプルで、機械学習用のバッチ処理にも適しています。
- OpenAI互換のJSON形式
- 8種類のプリセット音声
- 速度0.25〜4.0で調整可能
コストはどのくらいですか?
100万文字あたり10ドル(1文字あたり$0.00001)です。失敗したリクエストは課金されません。Googleサインインで50ドル分の初期クレジットが得られます。
チャージはTRON(TRC-20)のUSDTのみ対応です。最小チャージ額は5ドルで、送金後数分で残高に反映されます。月会費や基本料金はありません。
- 100万文字で$10
- 失敗時は全額返金
- TRON USDTのみ対応
サポートはありますか?
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。技術的な質問やバグ報告は、ドキュメントのコンタクトフォームから行ってください。
迅速な返信を目指していますが、保証はありません。コミュニティフォーラムで他の開発者と知見を交換することも推奨します。
次のステップとリソース
APIドキュメントを確認して、エンドポイントやリクエストパラメータの詳細を確認しましょう。
コミュニティに参加して、他の開発者と情報を共有しましょう。
APIドキュメントの確認
公式ドキュメントでは、音声生成の要件やエラーコードについて詳しく解説しています。
具体的なcurlコマンドやPythonコード例も記載されているので、すぐに実装を開始できます。
- /docs/ にアクセス
コード例のダウンロード
主要なプログラミング言語に対応したコード例をダウンロードできます。
OpenAI SDKを使用した実装例も提供しているので、参照してください。
- GitHubリポジトリから取得
コミュニティへの参加
開発者フォーラムでは、APIの利用事例やトラブルシューティングの情報が共有されています。
フィードバックや機能リクエストも気軽に投稿できるので、製品改善に役立てましょう。
- フォーラムに参加
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。
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
- Wikipedia
- Creative Commons Attribution 4.0
- LibriTTS-R corpus (OpenSLR 141)
- Tether (USDT)
- LibriVox public-domain audiobooks
- LibriTTS-R paper (arXiv 2305.18802)
- MDN: Web Speech API
- TRON developer hub: TRC-20
- W3C WAI: making audio and video accessible
- IETF RFC 7845: Ogg Opus
- openai-node on GitHub
- curl documentation
