はじめに
最大 1,000 文字までの英語のテキストと、任意でどれだけ表現豊かに、バリエーション豊かに、忠実に読み上げるかを送信します。タスクは、Chatterbox の内蔵音声か、reference_audio_url で送った短いクリップの声で読み上げた WAV ファイル (24 kHz、16 ビット、モノラル) を 1 つ返します。 のようなタグは声に出して読み上げられるため、代わりに音をスペルアウトしてください。SpicyAPI はコンテンツフィルターを一切適用せず、規制のないスクリプトも書かれたとおりに読み上げられます。どのリクエストも同じ定額料金です。
| 項目 | 値 |
|---|---|
| 入力 | テキスト |
| 出力 | 音声 |
| 必須フィールド | text — 英語 1〜1,000 文字 |
| 任意フィールド | exaggeration (0–1)、temperature (0.05–2)、 |
| 結果 | WAV ファイル 1 つ (24 kHz、16 ビット、モノラル) |
| 音声 | 内蔵音声、または |
| 課金対象の数量 | リクエストごとの定額料金 |
| 保存期間 | 生成された音声は 14 日間保存されます |
リクエストパラメーター
| パラメーター | 必須 | 説明 |
|---|---|---|
text | はい | 最大 1,000 文字までの英語を、書いたとおりに読み上げます。 のようなタグは声に出して読み上げられるため、代わりに音をスペルアウトしてください。 1 文字以上 · 1000 文字以内 |
reference_audio_url | いいえ | まねしたい声の MP3 または WAV クリップです (任意)。アップロードするか公開 URL を指定します。 1 文字以上 |
exaggeration | いいえ | 読み上げがどれだけ感情的かを 0 (フラット) から 1 (ドラマチック) の範囲で指定します。既定値は 0.5 です。 |
temperature | いいえ | テイク間のバリエーションを 0.05 から 2 の範囲で指定します。既定値は 0.7 です。 |
guidance_scale | いいえ | 読み上げがテキストの自然な間合いにどれだけ忠実に従うかを 0.1 から 1 の範囲で指定します。既定値は 0.5 です。 |
料金
$0.036 / リクエスト
最大 1,000 文字までのリクエストごとの定額料金です。
ユースケース
ゲームやアニメーションのセリフ
音色の選択よりもエネルギーが重要な、短くインパクトのあるキャラクターのセリフに。叫び声や笑い声、息切れしたセリフには exaggeration を上げてください。
プロトタイプ音声
最終的な音声を決める前に、デモやストーリーボード、チャットボットに声を付けられます。1 行あたりの定額料金です。
無検閲のオーディオストーリー
規制のないスクリプトは書かれたとおりに読み上げられます。テストでは、送った独白とナレーションの一語一語をモデルが読み上げ、スペルアウトされた音も声に出しました。
動画用の音声トラック
ここでセリフを生成し、その WAV をトーキングアバターやリップシンクのモデルに渡せば、顔がそれを演じます。
プロンプトガイドと実践のヒント
台本をテキストで送信する
ポーズ用の句読点も含め、最大 1,000 文字までの英語で書きます。笑い声やため息は綴りで書いてください。タグは声に出して読まれます。
エネルギーを設定する
exaggeration の既定値は 0.5 です。ドラマチックなセリフや息切れしたセリフでは上げ、落ち着いたナレーションでは下げてください。
必要に応じて微調整する
せわしない読み上げを遅くするには
guidance_scaleを下げ、テイク間のバリエーションを増やすには temperature を上げてください。
返される内容
タスクごとに WAV ファイルを 1 つ返します: 24 kHz、16 ビット、モノラル PCM。ファイルは SpicyAPI のストレージにコピーされ、14 日間保存されます。結果に単語単位のタイミング情報や字幕は含まれません。
音声について
Chatterbox は Resemble AI のオープンソース英語モデルです (MIT ライセンス)。参照がなければ内蔵音声で読み上げます。音声リストはありません。reference_audio_url に短い MP3 または WAV クリップを送ると声をクローンでき、読み上げはクリップの言葉ではなく声質を引き継ぎます。音楽のない、1 人のクリアな声を数秒用意すると最もうまくいきます。その声を使う権利が必要です。
コントロール
exaggeration(0–1、既定値 0.5): 読み上げがどれだけ感情的かを指定します。temperature(0.05–2、既定値 0.7): テイク間のバリエーションを指定します。guidance_scale(0.1–1、既定値 0.5): 読み上げがテキストの間合いにどれだけ忠実に従うかを指定します。0.3 前後にすると、速くドラマチックな読み上げを遅くできます。
テストでは、<laugh>、<sigh>、[gasp] のようなタグは単語としてそのまま声に出して読み上げられました。代わりに音をスペルアウトしてください: 「ha…」「mmm…」「ahh…」。
長さ
text は最大 1,000 文字まで対応します。テストでは、270 文字の段落が約 15 秒の音声になり、ほとんどのタスクは 10〜30 秒で完了しました。
課金
リクエストごとの定額料金です。失敗したリクエストには課金されません。
コンテンツ
SpicyAPI はコンテンツフィルターを一切追加していません。テストでは、規制のないスクリプトが一語一語そのまま読み上げられ、省略されることも、クリップが途中で終わることもありませんでした。
SpicyAPI はコンテンツフィルターを追加せず、スクリプトは書かれたとおりに、一切和らげずに読み上げます。送信する台本と、生成された音声の使い方 (実在の人物の発言であるかのように見せないことを含む) についての責任はユーザーにあります。
API クイックスタート
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${SPICY_IDEMPOTENCY_KEY:-$(uuidgen)}"
curl -X POST https://api.spicyapi.ai/api/v1/jobs/createTask \
-H "Authorization: Bearer $SPICY_API_KEY" \
-H "Content-Type: application/json" \
-H "Idempotency-Key: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "resemble-ai/chatterbox-v1/text-to-speech",
"input": {
"text": "Welcome back. Your files finished rendering a minute ago and are ready to download."
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
認証、完全なスキーマ、ポーリング、エラー処理は API リファレンスを参照してください。