はじめに
一つのプロンプトで音声シーン全体を書いてください。誰が、どのように話すか、そのセリフを引用符で、さらに音楽、環境音、効果音も。タスクは、書いたすべてを含む最大約 2 分の音声ファイルを 1 本返します。複数の話者の対話も含みます。output_format を指定しない場合は MP3 です。声を再利用するには、reference_audio_urls に参照クリップを最大 3 本アップロードし、プロンプトで @Audio1 から @Audio3 と名付けてください。または image_url に参照画像を 1 枚渡しても構いません。speed、pitch、volume で話し方を微調整できます。SpicyAPI はコンテンツフィルターをかけません。すべてのプロンプトは書かれたとおりに読み上げられます。リクエストごとの料金は一律です。
| 項目 | 値 |
|---|---|
| 入力 | テキスト |
| 出力 | 音声 |
| 必須フィールド | prompt — 1〜2,000 文字 |
| オプションフィールド |
|
| 結果 | 音声ファイル 1 つ、最長約 2 分 (既定は MP3、WAV・Ogg Opus・PCM も可) |
| 話者 | 複数。プロンプトで説明するか、最大 3 つの参照クリップから取る。音声リストはなし |
| 課金単位 | リクエストごとに定額料金 1 つ |
| 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 |
|---|---|---|
prompt | はい | 最大 2,000 文字でシーン全体を説明します。各話者とその声の特徴、引用符で囲んだ正確なセリフ、そして音楽・環境音・効果音です。 1 文字以上 · 2000 文字以内 |
reference_audio_urls | いいえ | 参考にする MP3 または WAV クリップを最大 3 つまで指定します (アップロードまたは公開 URL)。1 クリップあたり 30 秒、10 MB までです。 3 件以内 |
image_url | いいえ | 音声の手がかりにする参考画像です (任意、アップロードまたは公開 URL)。写っている人物が何を話すか、場面がどう聞こえるかを prompt に書きます。 1 文字以上 |
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 0.5 から 2 の範囲で指定します。1 が標準の音量です。 |
output_format | いいえ | ファイル形式です。mp3 (既定)、wav、opus (Ogg Opus)、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、24000、32000、44100、48000 から選べます。 |
料金
$0.36 / リクエスト
リクエストごとに 1 つの定額料金で、最長約 2 分のクリップ 1 本です。
ユースケース
複数キャラクターのオーディオドラマ
2 人以上の話者を説明し、そのセリフを引用符で囲むと、モデルが同じクリップ内でそれぞれに個別の声を割り当てます。キャラクターごとに別の音声モデルを用意する必要はありません。
サウンドデザインされたシーン
1 つのプロンプトでセリフ・BGM・環境音・効果音をまとめて指定できるため、1 回のリクエストで単なる音声セリフではなく完成したシーンが返ってきます。
無検閲のオーディオフィクション
プロンプトは書かれたとおりに、コンテンツフィルターなしで読み上げられます。当社のテストでは、一人称の独白、語りの小説、雨の環境音を伴う場面など、他のサービスが受け付けない内容まで書かれたプロンプトも、すべての語が話された状態で返ってきました。
動画用の音声トラック
ここでシーンを生成し、その MP3 をトーキングアバターやリップシンクのモデルに渡せば、顔がそれを演じます。
プロンプトガイドと実践のヒント
話者を説明する
誰が、どのように話すか (息を切らしたささやきなのか、温かみのあるナレーターなのかなど) を伝え、正確な言葉を引用符で囲んでください。
サウンドスケープを加える
セリフと一緒に鳴らしたい音楽・環境音・効果音 (雨嵐、時計の秒針の音、盛り上がるスコアなど) を書いてください。
2,000 文字以内に収める
1 つのプロンプトは最長約 2 分のシーン 1 つ分です。より長いストーリーは複数のリクエストに分割する必要があります。
返されるもの
タスクごとに、最長約 2 分の音声ファイルを 1 つ返します。output_format を変えなければ MP3 です。ファイルは SpicyAPI のストレージにコピーされ、14 日間保存されます。
プロンプトの書き方
Seed Audio 1.0 は、シーン全体を説明する prompt フィールド 1 つ (最大 2,000 文字) を受け取ります。
- 誰が、どのように話すか — ささやき声、温かみのあるナレーター、叫ぶようなセリフなど。
- その正確な言葉を、引用符で囲んで。
- セリフと一緒に鳴らしたい音楽・環境音・効果音。
このモデルは同じクリップ内に複数の話者を入れられます。各キャラクターとそのセリフを説明すると、それぞれに個別の声を割り当てます。
参照音声と参照画像
音声リストはありません。声や音を再利用するには、reference_audio_urls にクリップを最大 3 つアップロードし、プロンプトでアップロード順に @Audio1、@Audio2、@Audio3 と呼びます (例:「@Audio1 の声で、男性が…と言う」)。または image_url に画像を 1 枚渡し、写っている人物が何を話すか、場面がどう聞こえるかを説明します。2 つの入力は併用できません。使用する権利のある声と画像だけを使ってください。
読み方と形式
speed (0.5〜2)、pitch (-12〜12 半音)、volume (0.5〜2) で読み方を細かく調整できます。output_format で mp3 (既定)、wav、opus (Ogg Opus)、pcm を選び、sample_rate は 8000〜48000 Hz です。pcm はヘッダーのない 16 ビット・リトルエンディアンのステレオ生サンプルなので、ブラウザーでは再生できません。同じサンプルを再生できるファイルで受け取るなら wav を選んでください。いずれも料金は変わりません。
課金
プロンプトの長さにかかわらず、リクエストごとに 1 つの定額料金です。失敗したリクエストには課金されません。
コンテンツ
SpicyAPI はコンテンツフィルターを加えません。当社のテストでは、他のサービスが拒否する三つのプロンプト（一人称の独白、語りの小説、雨の環境音を伴う場面）はいずれも、すべての語が話された状態で返ってきました。
SpicyAPI はコンテンツフィルターを加えません。プロンプトは、何が含まれていても書かれたとおりに読み上げられます。描写するシーンと、生成された音声の利用方法（実在の人物の発言として偽らないことを含む）について、責任は利用者にあります。
API クイックスタート
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "bytedance/seed-audio-1.0/text-to-audio",
"input": {
"output_format": "mp3",
"prompt": "Calm ambient pads with a slow rising motif"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$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。