はじめに
読み上げるテキストと、システム音声、感情を送ってください。任意で言語のヒントも送れます。タスクは、その声と感情で台本を読んだ音声ファイルを 1 つ返します。output_format、sample_rate、bitrate、audio_channels を指定しない限り、32 kHz モノラルの MP3 です。speed、pitch、volume で話し方を調整し、pronunciation_dict で特定の語の読み方を固定できます。テキスト中の (sighs) や (laughs) のような括弧付きの効果音タグは、読み上げられずに音として演じられます。SpicyAPI はコンテンツフィルターを適用せず、送った台本がそのまま読まれます。課金は送ったテキストの 1,000 文字単位です。
| 項目 | 値 |
|---|---|
| 入力 | テキスト |
| 出力 | 音声 |
| 必須フィールド | text — 1〜5,000 文字 |
| 任意フィールド |
|
| 結果 | 音声ファイル 1 つ (既定は MP3・32 kHz・モノラル、WAV・FLAC・PCM も可) |
| 課金対象の数量 | 送信した text の文字数 (1,000 文字ごと) |
| 標準的な時間 | 300 文字で約 8 秒 |
| 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 | 実際に話す言葉を、書いたとおりに指定します。(sighs) や (laughs) のようなかっこ付きのサウンドタグは、音として演じられ、読み上げられることはありません。 1 文字以上 · 5000 文字以内 |
voice_id | いいえ | 472 種類のシステムボイスのいずれかを指定します。既定値は Calm_Woman です。 |
emotion | いいえ | 7 種類の固定された感情 (neutral、happy、sad、angry、fearful、disgusted、surprised) のいずれかを、読み上げ全体に適用します。既定値は neutral です。 |
speed | いいえ | 話す速さを 0.5 (遅い) から 2 (速い) の範囲で指定します。1 が声の標準の速さです。 |
pitch | いいえ | 音の高さを半音単位で -12 から 12 の範囲でずらします。0 で声本来の高さのままです。 |
volume | いいえ | 音量の倍率を 0.1 から 10 の範囲で指定します。1 が標準の音量です。 |
language | いいえ | 40 言語のいずれかについて発音を改善するヒントです。既定値は auto で、台本から言語を自動検出します。 |
output_format | いいえ | ファイル形式です。mp3 (既定)、wav、flac、pcm から選べます。 |
sample_rate | いいえ | 音声のサンプリングレート (Hz) です。8000、16000、22050、24000、32000、44100 から選べます。 |
bitrate | いいえ | MP3 のビットレート (ビット/秒) です。32000、64000、128000、256000 から選べます。 |
audio_channels | いいえ | 出力のチャンネルです。mono (既定) か stereo を選びます。 |
english_normalization | いいえ | オンにすると、英語テキスト中の数字・日付・略語を人が読むとおりに読み上げます (1990 を「nineteen ninety」と読むなど)。既定はオフです。 デフォルト値: |
pronunciation_dict | いいえ | {alias, pronunciation} の組を最大 100 個まで指定します。text 中の alias はすべて pronunciation として読まれます。 100 件以内 |
料金
$0.072 / 1,000 文字
送信したテキストの 1,000 文字ごとに課金され、スペースや句読点も文字数に含まれます。実行前に表示される見積もりが最終価格です。
ユースケース
短編動画のナレーション
解説動画、商品クリップ、SNS 投稿向けのナレーションです。価格は台本の長さで決まるため、開始前にまとめての費用がわかります。
多言語コンテンツ
対応する 40 言語のいずれかを language で指定して同じ台本を読み上げるか、auto のままにして台本に判断を任せます。
無検閲のオーディオストーリー
台本にコンテンツフィルターはありません。当社のテストでは、試した最も大胆なモノローグとナレーションのシーンを、モデルがすべての言葉を読み上げ、呼吸や効果音の指示は読み上げずに演じました。
感情表現つきキャラクターボイス
リクエストごとに 7 種類の感情 (happy、sad、angry、fearful、disgusted、surprised) から 1 つを選び、台本中の (sighs)、(laughs)、(breath) といったタグに演技を委ねます。
プロンプトガイドと実践のヒント
台本を text で送信する
ポーズ用の句読点や、演じてほしい箇所に (sighs) のようなかっこ付きのサウンドタグを含め、実際に話してほしいとおりに書きます。最大 5,000 文字まで対応します。
ボイスと感情を選ぶ
voice_idの既定値は Calm_Woman、emotion の既定値は neutral で、7 種類の固定値から選べます。必要に応じて言語のヒントを追加する
language を auto のままにすると台本から自動検出されます。短い台本や複数言語が混在する台本の発音を補いたい場合は、40 言語のいずれかを指定してください。
返される内容
タスクごとに音声ファイルを 1 つ返します。output_format、sample_rate、bitrate、audio_channels を変えなければ 32 kHz モノラルの MP3 です。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。
ボイスを選ぶ
voice_id には Calm_Woman、Deep_Voice_Man、Lively_Girl、Elegant_Man など 472 種類のシステムボイスのいずれかを指定でき、既定値は Calm_Woman です。クローンや参照音声のアップロードは提供していません。
感情を設定する
emotion には 7 種類の固定値 neutral、happy、sad、angry、fearful、disgusted、surprised のいずれかを指定でき、読み上げ全体に適用されます。既定値は neutral です。
サウンドタグ
text 内に括弧で入れた (sighs)、(laughs)、(breath)、(gasps) などのタグは、読み上げられずに音として演じられます。当社のテストでは、これは通常の台本と同じように最も大胆な台本でも成り立ちました。
言語
言語は台本から自動検出されます。language を使うと、中国語、広東語、英語、アラビア語、ロシア語、スペイン語、フランス語、ポルトガル語、ドイツ語、日本語、イタリア語、韓国語、ポーランド語など 40 言語のいずれかをヒントとして指定でき、短い台本や複数言語が混在する台本の発音を改善できます。
読み方の調整
speed (0.5〜2)、pitch (-12〜12 半音)、volume (0.1〜10) で読み方を調整できます。料金は変わりません。pronunciation_dict には {alias, pronunciation} の組を最大 100 個まで指定でき、名前・略語・外来語を常に思いどおりの読み方にできます (普通の単語でも、括弧で囲んだ IPA でも指定できます)。english_normalization をオンにすると、英語テキスト中の数字・日付・略語を人が読むとおりに読み上げます。
出力形式
output_format で mp3 (既定)、wav、flac、pcm を選べます。sample_rate は 8000〜44100 Hz、bitrate は MP3 のビットレート、audio_channels はステレオへの切り替えです。pcm はヘッダーのない 16 ビット・リトルエンディアンの生サンプルなので、ブラウザーでは再生できません。同じサンプルを再生できるファイルで受け取るなら wav を選んでください。
課金
text のスペース、句読点、改行を含む 1,000 文字ごとに課金されます。文字数はタスクの開始前にわかっているため、見積もりがそのまま最終的な請求額になります。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追加しません。当社のテストでは、どれほど強くても台本はすべて一語一句そのまま読まれ、効果音タグは書かれたとおりに演じられ、飛ばされたものはありませんでした。
SpicyAPI はコンテンツフィルターを一切追加しておらず、NSFW のスクリプトも書かれたとおりに読み上げられます。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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "minimax/speech-2.8-turbo/text-to-speech",
"input": {
"text": "Welcome back. Your files finished rendering a minute ago and are ready to download.",
"emotion": "neutral",
"language": "auto",
"voice_id": "Calm_Woman",
"output_format": "mp3"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$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。
