よくある質問
どの音声が一番人気ですか?
公式の人気ランキングデータは提供していません。8種類のプリセット(aria, nova, luna, sage, felix, milo, atlas, orion)は、ナレーションのトーンや用途に合わせて自由に選択可能です。動画の雰囲気に最も合う音声を手動で選定してください。
音声は後から変更できますか?
生成済みの音声ファイル自体の音声を変える機能はありません。音声を変更したい場合は、APIリクエストでvoiceパラメータを指定し、再度音声ファイルを生成する必要があります。既存のファイルが変更されるわけではなく、新しいファイルが作成されます。
音声のスピードを変更すると、音声の特徴は変わりますか?
speedパラメータ(0.25〜4.0)で再生速度を変更できますが、音声そのものの音色や特徴は変化しません。速度を変えても、ariaやatlasなどの音声プリセットが持つ本来のトーンや質感は維持されます。
音声は商用利用できますか?
生成された音声ファイルの商用利用に関する明確な制限はありません。ただし、元となる録音はLibriTTS-R(CC BY 4.0)およびLibriVoxの公衆ドメインオーディオブックに基づいています。商用利用の際は、元のライセンス条件をご確認ください。
音声のライセンスは誰が持っていますか?
音声プリセットはLibriTTS-R(CC BY 4.0)ライセンスおよびLibriVoxの公衆ドメインオーディオブックの録音に基づいています。
音声の生成はリアルタイムですか?
リアルタイムストリーミングやWebSocketによる逐次音声出力は提供していません。テキストを送信すると、処理が完了した後に音声ファイルが返されます。負荷が高い場合はキュー待ちが発生する可能性があります。
音声のファイルサイズはどのくらいですか?
ファイルサイズは選択したフォーマット(mp3, wav, opus, flac, pcm)と音声の長さによって異なります。mp3などの圧縮形式はファイルサイズが小さくなり、wavやflacは原音に近い大きなサイズになります。
音声の品質はどのように向上させますか?
modelパラメータに「tts-1-hd」を指定することで、高音質のエンジンを使用できます。これは「tts-1」と同じ価格で提供されています。
音声の言語は追加されますか?
現在、23言語(英語、日本語、中国語など)をサポートしています。ベトナム語やタイ語などは未対応です。今後言語が追加されるかどうかの情報は提供しておらず、現在のリストが変更の基準となります。
音声のプリセットは変更されますか?
8種類の音声プリセットは現在固定されています。新しい音声の追加や既存プリセットの変更に関する情報は提供されておらず、予告なく変更される可能性があります。現在のリストに基づいて音声を選択してください。
音声の著作権は誰にありますか?
生成された音声ファイル自体の著作権は明確に定義されていません。元となる音声データはLibriTTS-R(CC BY 4.0)およびLibriVoxの公衆ドメインに基づいているため、商用利用の際は元のライセンス条件を遵守してください。
音声の水印は目立ちますか?
生成される音声ファイルには、合成音声であることを示す不可聴の水印が含まれています。これは人間の耳にはほとんど感知できず、音声の品質や聞き取りやすさに影響を与えるものではありません。
音声の生成には時間がかかりますか?
長文テキストでは実時間並みの速度(1秒あたり約25文字)で生成されます。短文でも数秒かかります。負荷が高い場合はキュー待ちが発生し、生成にさらに時間がかかる可能性があります。
音声のフォーマットは変更できますか?
response_formatパラメータでmp3、wav、opus、flac、pcmのいずれかを指定できます。動画編集に適したmp3やwav、または圧縮効率の高いopusを選択可能です。指定しない場合はデフォルトのフォーマットが使用されます。
女性ボイスの比較
TikTokやReelsのナレーションでは、声のトーンが視聴者の維持率に直結します。VoceReelのAPIでは、8種類のプリセット音声の中から、動画のトーンに最も適した女性ボイスを選択できます。
各音声はLibriTTS-R由来のライセンス済み録音に基づいています。ここでは、ナレーター、アップビート、物語的、教育的な4つの女性ボイスの特徴と、動画制作での適切な使い分けについて解説します。
aria:暖かくクリアなナレーター
ariaは、暖かみがありクリアなトーンを持つナレーター用音声です。解説動画や、視聴者に情報を丁寧に伝えるコンテンツに最適です。
自然な語り口調で、視聴者の注意を惹きつけたまま情報を提供できます。特に、製品紹介やステップバイステップのガイド動画で効果的です。
- 暖かくクリアなナレーション
- 情報提供や解説動画向け
- 自然な語り口調
nova:明るくアップビート
novaは、明るく元気なアップビートの音声です。若者向けコンテンツや、エネルギッシュな商品紹介、ショート動画のフック部分に最適です。
リズム感があり、動画のテンポを上げたい場合に適しています。単調なナレーションになりがちな部分を、novaで活気づけることができます。
- 明るく元気なトーン
- ショート動画やフック部分向け
- テンポを上げる効果
luna:柔らかく物語的
lunaは、柔らかく物語的な雰囲気を持つ音声です。ストーリーテリングや、感情を込めたナレーションが必要なコンテンツに適しています。
静かなトーンではなく、物語性を強調することで、視聴者の共感を誘導します。個人的な体験談や、ドラマチックな展開の動画で威力を発揮します。
音声の品質は一定で、背景ノイズはほぼありません。合成音声特有の水印は非音声部分に含まれます。
- 柔らかく物語的なトーン
- ストーリーテリング向け
- 感情を込めたナレーション
sage:落ち着いて教育的
sageは、落ち着きがあり教育的なトーンを持つ音声です。チュートリアルや、知識を伝えるプレゼンテーション動画に適しています。
聞き取りやすく、集中力を維持しやすいトーンです。複雑な情報を伝える際にも、sageなら視聴者の理解を助けることができます。
速度は0.25〜4.0の範囲で調整可能ですが、教育的コンテンツでは標準速度付近が推奨されます。
- 落ち着きのある教育的トーン
- チュートリアルやプレゼン向け
- 聞き取りやすい音声
男性ボイスの比較
動画のナレーションにおいて、男性ボイスは信頼性とエネルギーを両立させる重要な要素です。フェリックスやミロのような特徴的な声質を選ぶことで、視聴者の注目を引きつつ、メッセージを明確に伝えることができます。
各ボイスの性格に合わせた選択は、コンテンツのトーンを決定づけます。エネルギッシュなプロモーションから落ち着きのある解説まで、8種類のプリセットの中から動画の目的に最も適した声を選びましょう。
felix:エネルギッシュなプロモ
フェリックスは、エネルギッシュで活気のある声が特徴です。プロモーション動画や製品の宣伝、視聴者の注意を瞬時に惹きつけたいシーンで最適です。
アップビートなリズム感を重視する場合、フェリックスの声は視聴者の意欲を高める効果があります。短く力強いナレーションにも対応可能です。
- プロモーション動画や宣伝素材に適している
- 活気あるトーンで視聴者の注意を引く
- 短く力強いメッセージに効果的
milo:フレンドリーな会話
ミロは、フレンドリーで親しみやすい会話調の声です。チュートリアルや日常的な解説、視聴者与えに寄り添うトーンが必要な場合に適しています。
堅すぎない雰囲気で情報を伝えるため、初心者向けの内容や、親しみやすいブランドイメージの構築に役立ちます。
自然な会話の流れを再現するため、長文のナレーションでも退屈させにくい構成が可能です。
- 親しみやすいトーンで解説やチュートリアルに最適
- 堅すぎない雰囲気での情報提供に適する
- 自然な会話調で視聴者の親密度を高める
atlas:ニュートラルなニュース
アトラスは、ニュートラルで中立的なニュース調の声です。事実を客観的に伝えたい場合や、バイアスのない情報提供に適しています。
感情の起伏を抑えた落ち着いたトーンは、信頼性を重視するコンテンツや、ビジネス向けの動画ナレーションに適合します。
明確で明瞭な発音により、複雑な情報でも聞き取りやすく、視聴者の理解を助けます。
- ニュートラルなトーンで客観的な情報提供に適す
- ビジネス向けや信頼性を重視するコンテンツに最適
- 明確な発音で複雑な情報の伝達を支援
orion:深みのあるドキュメンタリー
オリオンは、深みがあり重厚感のある声です。ドキュメンタリー風の内容や、物語性のあるナレーション、深い思考を促すコンテンツに最適です。
低音域の豊かな音色は、視聴者に静寂や重厚な印象を与え、内容の深さを際立たせます。
ゆっくりとしたペースでも、その重厚感が視聴者の記憶に残りやすい特徴を持っています。
- 重厚感のあるトーンでドキュメンタリーや物語性に適す
- 深い思考を促すナレーションに最適
- 低音域の音色で静寂や重厚な印象を与える
音声の選択基準
動画のトーンに合った音声を選ぶことで、視聴者の没入感を高めます。例えば、ポジティブなコンテンツには「nova」のような明るくアップビートなボイスが適しており、物語的なナレーションには「luna」の柔らかいトーンが効果的です。
ターゲットオーディエンスの年齢層や好みに合わせてボイスを選択することも重要です。若年層向けのショート動画では「felix」のエネルギッシュなトーンが注目度を上げ、教育コンテンツでは「sage」の落ち着いたトーンが信頼性を構築します。
コンテンツのトーンに合わせる
動画のトーンに合った音声を選ぶことで、視聴者の没入感を高めます。例えば、ポジティブなコンテンツには「nova」のような明るくアップビートなボイスが適しており、物語的なナレーションには「luna」の柔らかいトーンが効果的です。
- ポジティブなコンテンツには「nova」
- 物語的なナレーションには「luna」
ターゲットオーディエンスへの配慮
ターゲットオーディエンスの年齢層や好みに合わせてボイスを選択することも重要です。若年層向けのショート動画では「felix」のエネルギッシュなトーンが注目度を上げ、教育コンテンツでは「sage」の落ち着いたトーンが信頼性を構築します。
動画のジャンルとの整合性
ニュースや情報提供には「atlas」のニュートラルなトーンが適しています。ドキュメンタリー風の内容には「orion」の深みのあるボイスが重厚感を演出し、対話形式のコンテンツには「milo」のフレンドリーなトーンが親しみやすさを増します。
- ニュースには「atlas」
- ドキュメンタリーには「orion」
- 対話形式には「milo」
音声の言語対応
VoceReelのTTS APIは、23言語に対応しています。英語、日本語、中国語、韓国語、スペイン語、フランス語、ドイツ語など、主要な言語からアラビア語、スワヒリ語、マレー語まで幅広くサポートします。
すべての音声プリセットは、指定された言語をすべて話せます。特定の音声に言語の制限はなく、ariaでもfelixでも、あらゆる言語で自然な発音を実現します。
23言語の完全対応
対応言語は以下の通りです:アラビア語、中国語、デンマーク語、オランダ語、英語、フィンランド語、フランス語、ドイツ語、ギリシャ語、ヘブライ語、ヒンディ語、イタリア語、日本語、韓国語、マレー語、ノルウェー語、ポーランド語、ポルトガル語、ロシア語、スペイン語、スワヒリ語、スウェーデン語、トルコ語。
リスト外の言語(ベトナム語、インドネシア語、タイ語、ウクライナ語、ルーマニア語、チェコ語、ベンガル語など)は現時点でサポートしていません。
音声ごとの言語適応
8種類の音声プリセット(aria, nova, luna, sage, felix, milo, atlas, orion)は、すべて23言語すべてを話せます。特定の音声は特定の言語に限定されません。
そのため、動画のトーンやキャラクターに合わせて音声を選び、その音声で必要な言語を自由に使用できます。音声の変更と言語の変更は独立しています。
自動言語判断の設定
リクエストでlanguageパラメータを指定しない場合、システムはテキストの文字(スクリプト)に基づいて言語を自動判断します。
ラテン文字のテキストはデフォルトで英語として処理されるため、英語以外のラテン文字テキスト(ドイツ語など)を使用する場合は、明示的にlanguageパラメータを設定してください。これにより、発音の正確性が保たれます。
- ラテン文字テキストはデフォルトで英語として判断されます
- 非英語のラテン文字テキストには
languageパラメータの設定を推奨します
音声のフォーマット比較
動画編集では、生成した音声ファイルの形式选择合适的ことが重要です。MP3は汎用性が高く、ファイルサイズも小さく、TikTokやReelsなどのプラットフォームへのアップロードに最適です。
WAVは非圧縮形式で高音質を保証しますが、ファイルサイズが大きくなります。動画の最終出力前に編集を行う場合や、高品質なナレーションが必要なシーンに適しています。
MP3:汎用性とサイズ
MP3は最も一般的な音声形式で、ほとんどの動画編集ソフトやプラットフォームで直接再生できます。データサイズが小さいため、ネットワーク経由での転送やストレージの節約に役立ちます。
TikTokやYouTube Shortsへのアップロードでは、MP3形式の音声ファイルは問題なく処理されます。編集作業をスムーズに進めたい場合は、まずMP3形式を選択してください。
- ファイルサイズが小さく、転送が高速
- ほとんどのデバイスで再生可能
- 動画プラットフォームとの互換性が高い
WAV:高音質とファイルサイズ
WAVは非圧縮の音声形式であり、音質の劣化がありません。編集ソフトで音声のトリミングや効果追加を行う場合、再圧縮による品質低下を防げます。
ただし、同じ時間の音声でもMP3よりもファイルサイズが大きくなります。ストレージ容量に制限がある場合や、転送速度を重視する場合は注意が必要です。
- 音質の劣化がない
- 編集時の再圧縮リスクがない
- ファイルサイズが大きい
OPUSとFLACの用途
音声の速度調整
APIの速度パラメータは0.25から4.0の範囲で調整可能です。デフォルト速度は1.0ですが、動画のテンポやナレーションの長さに合わせて細かく設定できます。
速度変更は音声のピッチを変えずに再生速度のみを変更します。これにより、音声の自然な響きを維持しつつ、コンテンツのペースに最適化できます。
0.25〜4.0の範囲
速度パラメータは浮動小数点数で指定し、非常にゆっくりから非常に速いまで幅広く制御できます。
短いテキストでは速度変化が顕著になりやすく、長文ではリズムの変化として感じられます。
速度による音声の変化
速度を上げると文章が圧縮され、情報の密度が高まります。逆に下げると、各音節が明確になり、聞き取りやすさが向上します。
音声のトーンや感情は速度によっても変化しますが、ボイスプリセットの特性は維持されます。
動画との同期調整
TikTokやReelsの短い動画では、速めの速度(1.2〜1.5)が効果的です。視聴者の注意を惹きつけ、退屈さを防ぎます。
説明やストーリーテリングの動画では、ゆっくりめの速度(0.8〜0.9)が適しています。視聴者が情報を確実に理解できるよう配慮します。
音声の著作権とライセンス
生成される音声は、LibriTTS-Rデータセット由来のライセン付き録音と、LibriVoxのパブリックドメインaudiobook readingを基にしています。これらはCC BY 4.0ライセンスの下で提供されており、著作権のクリアな状態を保証します。
商用利用の許可 CC BY 4.0ライセンスにより、YouTube、TikTok、Reels、Shortsなどの動画コンテンツで生成音声を自由に使用できます。
LibriTTS-RとLibriVoxの由来
音声データは、CC BY 4.0ライセンスのLibriTTS-Rと、パブリックドメインのLibriVoxオーディオブック読み上げに基づいています。これにより、独自の音声クローニングとは異なり、明確なライセンス由来が保証されます。
CC BY 4.0ライセンス
CC BY 4.0ライセンスは、商用・非商用を問わず、ソースの明記を条件に自由に音声を利用できる柔軟なライセンスです。これにより、TikTokやReelsのようなSNS動画でも安心して音声素材として組み込めます。
商用利用の許可
生成音声は、YouTube、TikTok、Reels、Shortsなどの動画コンテンツで自由に使用できます。商用利用も許可されており、著作権侵害のリスクが低く設計されています。

音声の品質と特徴
生成される音声ファイルには、人間には聴こえない不可視の水印が埋め込まれています。これは音声が生合成されたものであることを示す技術的シグナルであり、コンテンツの真正性を保証するための仕組みです。
音声の明瞭さは、APIのエンジン性能によって担保されます。文字化けや不自然な途切れがなく、クリアな発音でナレーションが提供されるため、動画の視聴体験を損ないません。
合成音声の水印
すべての生成ファイルには、不可視のデジタル水印が埋め込まれています。これは音声がAIによって合成されたことを示すシグナルであり、生成履歴の検証や、コンテンツの真正性を確認するために役立ちます。
水印は音声の音質や再生性能には影響を与えません。視聴者からは検知できず、バックグラウンドで情報を保持し続けます。
- 不可視のデジタル水印を全ファイルに埋め込み
- 合成音声であることを裏付けるシグナルとして機能
- 視聴品質には影響しない
音声の明瞭さ
音声はクリアで明瞭な発音が特徴です。キャラクターごとのトーン(暖かみ、明るさ、深みなど)が維持されつつ、文字の読み上げミスや不自然な途切れが最小限に抑えられています。
特にナレーション動画では、聞き取りやすさが重要です。適切な速度設定(0.25〜4.0)と組み合わせることで、視聴者の理解を妨げない滑らかな音声を提供します。
- キャラクター固有のトーンを維持したクリアな発音
- 文字化けや途切れの少ない安定した音声品質
- 動画ナレーションに適した聞き取りやすさ
背景ノイズの有無
生成される音声には、背景ノイズや雑音が含まれていません。録音環境の違いによるノイズ混入の心配がなく、動画編集ソフトに読み込んだ際に、追加のノイズリダクション処理が不要です。
クリーンな音声データは、BGMや効果音とのミキシングを容易にします。音声ファイル自体が単一音源として扱えるため、編集ワークフローが効率化されます。
- 背景ノイズや雑音が混入していないクリーンな音声
- 追加のノイズリダクション処理が不要
- BGMや効果音とのミキシングが容易
音声の生成速度
音声生成は、長文テキストの場合、概ねリアルタイム速度(生成された音声1秒あたり約25文字)で処理されます。ただし、短めのフレーズでは数秒かかる場合があり、リクエストは順次処理されるため、負荷がかかる時間帯にはキューに待機する可能性があります。
この速度は、4096文字以内の1リクエストあたりの処理基準です。音声合成エンジンは一度に一つのリクエストを処理するため、大量の音声生成が必要な場合は、生成完了まで少し時間がかかることがあります。
リアルタイム生成の目安
音声生成の標準的な速度は、生成された音声1秒あたり約25文字のテキスト処理速度です。これは、長文のナレーションを生成する際の目安となります。例えば、100文字のテキストを生成するには、約4秒間の音声データが作成される計算になります。
- 生成速度:音声1秒あたり約25文字
- 短文の生成には数秒かかる場合あり
- 負荷状況によりキュー待機が発生する可能性
キューでの待機時間
音声合成リクエストは、1つずつ順次処理されます。そのため、サーバーに複数のリクエストが殺到している場合、処理待ちのキューに並ぶことがあります。特に、短いテキストの大量生成や、ピークタイムには待機時間が長くなる傾向があります。
キューの待機時間は、現在のサーバー負荷によって変動します。通常は数秒から数十秒程度ですが、混雑時はそれ以上かかる場合もあります。リアルタイム性が重要な用途では、この待機時間を考慮して音声生成のタイミングを調整することをお勧めします。
短文と長文の処理時間
短文(数文字〜数百文字)の生成には、通常数秒から十数秒程度を要します。これに対して、長文(4096文字以内)の生成は、音声の長さに対してリアルタイム速度で処理されます。例えば、1000文字のテキストを生成するには、音声の長さ(約40秒)に比例した時間が掛かります。
長文を生成する場合は、4096文字ずつ分割して処理することも可能です。この場合、各パートの生成が完了次第、音声ファイルが結合されます。分割処理を追加で行うことで、大量のテキストでも効率的に音声化できます。
- 短文:数秒〜十数秒で処理完了
- 長文:音声1秒あたり約25文字の速度で処理
- 4096文字以内のリクエストが最適
音声のトラブルシューティング
音声生成で問題が発生した場合、まず入力テキストと設定を確認してください。文字数制限や無効な文字コードが原因で失敗することがあります。
音声の不明瞭さの原因
テキストの区切りが悪いと読み上げが不自然になることがあります。4096文字以内で適切に分割してください。
音声の再生エラー
フォーマットが対応していない場合、再生エラーが発生します。MP3やWAVなど標準形式を確認してください。
音声の形式の問題
OPUSやFLACは特定の環境で再生できない場合があります。汎用性の高いMP3形式の使用を推奨します。
音声のアップグレードと変更
APIキーを発行または更新すると、それまで有効だったキーは即座に無効化されます。これにより、複数のデバイスやスクリプトで同じキーを使い回している場合でも、セキュリティを確実に保つことができます。
アカウントページで新しいキーを生成するだけで、既存の接続設定を引き継ぎつつ、認証情報を最新の状態に維持可能です。
音声の変更方法
生成済みの音声ファイル自体を変更することはできません。ただし、新しいAPIキーを発行することで、認証レベルでの「変更」を実現します。旧キーは即時失効するため、意図しない利用を防げます。
音声の削除と追加
プリセット音声は8種類固定で、削除や追加はできません。必要な音声を選び、APIリクエストのvoiceパラメータで指定してください。
キーの再発行は「追加」ではなく「更新」として扱われ、古いキーのアクセス権限が完全に切れる仕組みです。
音声のカスタマイズ
カスタムボイスのクローニングや、独自の発音辞書のアップロードはサポートしていません。8つのプリセットから、動画のトーンに最も適したものを選んでください。
速度(0.25〜4.0)やフォーマット(mp3, wavなど)は生成時に指定するため、音声そのものの性質を変えるカスタマイズではありません。
音声のサンプル再生
APIエンドポイントにテキストを送信し、JSON形式で音声データを取得します。各プリセットのサンプルテキストを入力することで、実際の音声生成結果をプレビューできます。
動画のナレーションとして使用する前に、生成された音声の質を個別に確認することが可能です。
各音声のサンプルテキスト
aria、nova、luna、sageの女性ボイスと、felix、milo、atlas、orionの男性ボイスの代表テキストを準備しています。4096文字以内のテキストで試すことをお勧めします。
各ボイスの特徴を体感するために、短いフレーズから長文まで様々なパターンのテキストサンプルを用意しました。
- aria: 暖かくクリアなナレーター調のテキスト
- nova: 明るくアップビートなプロモーション調のテキスト
- atlas: ニュートラルなニュース読み上げ調のテキスト
音声の比較リスト
8種類のプリセットを一覧で比較できます。速度やフォーマットの違いを考慮して、最適なボイスを選択してください。
言語設定を明示しない場合、ラテン文字は英語として判断されるため、非英語のラテン文字テキストではlanguageパラメータの設定が必要です。
- 女性ボイス: aria, nova, luna, sage
- 男性ボイス: felix, milo, atlas, orion
- 対応フォーマット: mp3, wav, opus, flac, pcm
音声のデモ動画
実際の音声生成結果を確認するためのデモ動画リンクを提供しています。
8つの音声を確認
以下の各サンプルは、同じ文章をこのAPIで生成したものです。 キャラクターごとのトーン(暖かみ、明るさ、深みなど)が維持されつつ、文字の読み上げミスや不自然な途切れが最小限に抑えられています。
23言語
どの音声でも、これらの言語のいずれかを話します。
