はじめに
読み上げるテキストと、任意で 9 種類のボイスのいずれか、読み方についての短いメモ、言語を送信します。タスクは、その音声で台本を読み上げた MP3 ファイル (24 kHz、モノラル) を 1 つ返します。instructions にはトーン、感情、テンポなどの演出を平易な言葉で指定でき、音声として読み上げられることはありません。SpicyAPI はコンテンツフィルターを一切適用しません。NSFW のスクリプトも書かれたとおりに読み上げられます。課金は送信したテキストの 1,000 文字ごとで、1 回のリクエストにつき最低 100 文字からです。
| 項目 | 値 |
|---|---|
| 入力 | テキスト |
| 出力 | 音声 |
| 必須フィールド | text — 1〜2,000 文字 |
| 任意フィールド |
|
| 結果 | MP3 ファイル 1 つ (24 kHz、モノラル) |
| 課金対象の数量 | 送信した text の文字数 (1,000 文字ごと、最低 100 文字) |
| 標準的な時間 | 300 文字で約 30 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。1,000 文字ごとに課金され、1 回のリクエストにつき最低 100 文字からです。 1 文字以上 · 2000 文字以内 |
voice_id | いいえ | 9 種類のプリセットボイスのいずれかを指定します。既定値は Serena です。 |
instructions | いいえ | トーン、感情、テンポについての平易な言葉による指示です。読み方を決めるだけで読み上げられることはありません。 1000 文字以内 |
language | いいえ | 読み上げ言語を指定します。auto に設定すると台本から自動検出されます。 |
料金
$0.068 / 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、1 回のリクエストにつき最低 100 文字からの課金となります。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
キャラクターと相棒のボイス
明るく尖った声から低く落ち着いた声まで、9 種類の異なるボイスがあり、それぞれ話し方についての短いメモを付けてシリーズ全体を通して同じまま使い続けられます。
中国語、日本語、韓国語のセリフ
Dylan と Eric は北京語と四川語 (成都方言) を話し、Ono_Anna と Sohee はネイティブの日本語・韓国語話者のボイスなので、これらの言語のセリフはアクセントが付かず自然に聞こえます。
無検閲のオーディオストーリー
NSFW のスクリプトも書かれたとおりに読み上げます。当社のテストでは、送った独白とナレーションの一語一句をモデルが読み上げ、何も飛ばさず、クリップを途中で切ることもありませんでした。
動画用の音声トラック
ここでセリフを生成し、その MP3 を talking-avatar モデルや lip-sync モデルに渡せば、顔がそのセリフを演じます。
プロンプトガイドと実践のヒント
台本を text で送信する
ポーズ用の句読点も含め、実際に話してほしいとおりに書きます。最大 2,000 文字まで対応し、100 文字未満は 100 文字分として課金されます。
ボイスを選ぶ
voice_idの既定値は、温かく穏やかな女性ボイスの Serena です。Ryan と Aiden は英語の男性ボイス、Ono_Anna と Sohee は日本語と韓国語のボイス、Dylan と Eric は北京語と四川語 (成都方言) を話すボイスです。読み方を説明する
instructions に 1〜2 文を書きます。例:「息を切らしながら、からかうように、マイクに近づいて」。この文自体は読み上げられません。
返される内容
タスクごとに MP3 ファイルを 1 つ返します: 24 kHz、モノラル。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。
ボイスを選ぶ
voice_id には 9 種類のプリセットボイスのいずれかを指定でき、既定値は Serena です。
Serena— 温かく穏やかな若い女性ボイスVivian— 明るく少し尖った若い女性ボイスUncle_Fu— 低く落ち着いた声色のベテラン男性ボイスRyan— 力強いリズム感のあるダイナミックな男性ボイスAiden— 爽やかなアメリカ人男性ボイスOno_Anna— 茶目っ気のある日本語女性ボイスSohee— 温かく感情豊かな韓国語女性ボイスDylan— 北京語 (北京方言) を話す若々しい男性ボイスEric— 四川語 (成都方言) を話す快活な男性ボイス
読み方を演出する
instructions には、トーン、感情、テンポなど読み方についての 1〜2 文を平易な言葉で指定できます。これは演技のニュアンスを決めるだけで、読み上げられることはありません。速度とピッチのスライダーは用意されていないため、instructions で指定してください。
言語
language の既定値は auto で、台本から言語を自動検出します。短い台本や複数言語が混在する台本が誤った言語で読み上げられた場合は、zh、en、de、fr、es、it、pt、ru、ja、ko のいずれかを設定してください。
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、1 回のリクエストにつき最低 100 文字からで、instructions は無料です。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一切追加していません。当社のテストでは、フィルターなしの台本が一語一句読み上げられ、飛ばされる部分も、途中で終わるクリップもありませんでした。
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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "alibaba/qwen-3-tts/text-to-speech",
"input": {
"text": "Welcome back. Your files finished rendering a minute ago and are ready to download.",
"language": "auto",
"voice_id": "Serena"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$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。
