はじめに
読み上げるテキストと、任意でプリセットの声、話し方に関する短いメモ、言語を送ってください。タスクは、その声で台本を読んだ音声ファイルを 1 つ返します。output_format または sample_rate を指定しない限り、24 kHz モノラルの MP3 です。speed、pitch、volume で話し方を調整します。instructions には、口調、感情、速さ、音量などを平易な言葉で書けます。これは読み上げられません。SpicyAPI はコンテンツフィルターを適用しないので、送った台本がそのまま聞こえます。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・24 kHz・モノラル、Ogg Opus 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。スペースや句読点を含む 1,000 文字ごとに課金されます。 1 文字以上 · 5000 文字以内 |
voice_id | いいえ | 41 種類のプリセットボイスのいずれかを指定します。接尾辞はそのボイスが対応する言語を示します。 |
instructions | いいえ | トーン、感情、テンポ、音量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 |
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。 |
language | いいえ | 読み上げ言語を強制的に指定します。空欄のままにすると台本から自動検出されます。 |
output_format | いいえ | ファイル形式です。mp3 (既定) か、同じ品質でサイズが小さい Ogg Opus ファイルの opus を選べます。 |
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、48000 から選べます。 |
料金
$0.072 / 1,000 文字
送信したテキストの 1,000 文字ごとに課金され、スペースや句読点も文字数に含まれます。実行前に表示される見積もりが最終価格です。
ユースケース
短編動画のナレーション
解説動画、商品クリップ、SNS 投稿向けのナレーションです。価格は台本の長さで決まるため、開始前にまとめての費用がわかります。
多言語コンテンツ
同じ台本を英語、日本語、スペイン語、ドイツ語などで読み上げます。複数のボイスが同じ音色のまま複数言語を話せるように作られています。
無検閲のオーディオストーリー
台本は、どれほど大胆でも書かれたとおりに音声になります。当社のテストでは、送った最も強いモノローグとナレーションのシーンを、モデルがすべての言葉を読み上げ、飛ばしたり途中で切ったりしませんでした。
キャラクターボイス
各キャラクターにプリセットボイスと、話し方についての一行メモ (息切れ気味、眠そう、からかうようになど) を割り当て、シリーズ全体を通して同じまま使い続けられます。
プロンプトガイドと実践のヒント
台本を text で送信する
ポーズ用の句読点も含め、実際に話してほしいとおりに書きます。最大 5,000 文字まで対応します。
ボイスを選ぶ
voice_idの既定値はstokie_enです。各ボイス名の接尾辞は、そのボイスが対応する言語を示します (例: _en、_ja_es)。読み方を説明する
instructions に一文か二文を書いてください（例：「ゆっくり、低く、近くで、一人に話すように」）。これは読み上げられません。
返される内容
タスクごとに音声ファイルを 1 つ返します。output_format や sample_rate を変えなければ 24 kHz モノラルの MP3 です。ファイルは SpicyAPI のストレージにコピーされ、14 日間保存されます。結果に単語単位のタイミング情報や字幕は含まれません。
ボイスを選ぶ
voice_id には 41 種類のプリセットボイスのいずれかを指定でき、既定値は stokie_en です。各ボイス名の接尾辞は対応する言語を示します。tim_en は英語、minimi_ja は日本語、sven_de はドイツ語、jess_ja_es_id_pt_en_zh は複数言語に対応します。複数言語対応のボイスは、言語が変わっても同じ音色を保ちます。
読み方を演出する
instructions には、トーン、感情、テンポ、音量など読み方についての 1〜2 文を平易な言葉で指定できます。これは演技のニュアンスを決めるだけで、読み上げられることはありません。正確な値を指定したい場合は、speed (0.5〜2)、pitch (-12〜12 半音)、volume (0.5〜2) の専用スライダーを使えます。
出力形式
output_format で mp3 (既定) か、同じ品質でサイズが小さい Ogg Opus ファイルの opus を選べます。sample_rate は 8000〜48000 Hz です。いずれも料金は変わりません。
言語
言語は台本から自動検出されます。短い台本や複数言語が混在する台本が誤った言語で読み上げられた場合は、language で zh、en、ja、es-mx、id、pt-br、ko、it、de、fr のいずれかを強制できます。
課金
text のスペース、句読点、改行を含む 1,000 文字ごとに課金され、instructions は無料です。文字数はタスクの開始前にわかっているため、見積もりがそのまま最終的な請求額になります。失敗したリクエストには課金されません。
コンテンツ
SpicyAPI はコンテンツフィルターを追加しません。当社のテストでは、最も強い台本でも一語一句そのまま音声になり、飛ばされたものも、途中で終わったクリップもありませんでした。
SpicyAPI はコンテンツフィルターを一切追加しておらず、NSFW のスクリプトも書かれたとおりに読み上げられます。送信する台本と、生成された音声の使い方 (実在の人物の発言であるかのように見せないことを含む) についての責任はユーザーにあります。
API クイックスタート
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "bytedance/seed-speech-2.0/text-to-speech",
"input": {
"text": "Welcome back. Your files finished rendering a minute ago and are ready to download.",
"voice_id": "stokie_en",
"output_format": "mp3"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$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。