よくある質問
読み上げAPIはプログラミング知識が必要ですか?
必須ではありません。OpenAI SDKまたはHTTPリクエストで利用可能です。curlコマンド例も提供されており、特別なプログラミング知識なしで動画のナレーションを自動生成できます。エンドポイントはPOST https://api.playy53.com/v1/audio/speechで、JSONボディを送信するだけです。
APIを使ってどのような種類の音声を生成できますか?
mp3、wav、opus、flac、pcmの5形式に対応しています。8種類の音声プリセット(aria、novaなど)から選択可能で、速度は0.25〜4.0の範囲で調整できます。音声は合成音声として無音の透かしマークが埋め込まれます。
APIのエラーが発生した場合、どう対処しますか?
合成に失敗した場合は、請求が全額返金されます。エラー発生時に課金されないため、安心して再試行できます。エラーの詳細はHTTPレスポンスコードで確認できます。
読み上げAPIはリアルタイムで音声を提供しますか?
いいえ、リアルタイムストリーミングやWebSocketは提供していません。リクエストはキュー処理され、生成完了後に音声ファイルが返されます。長文の場合は分割合成され、処理には数秒〜数分かかる場合があります。
APIキーはどのように安全に保てますか?
AuthorizationヘッダーにBearerトークンとして設定します。アカウントには1つのアクティブキーのみが許可され、新しいキーを発行すると古いキーは即時無効化されます。これにより、キーの流出リスクを最小限に抑えられます。
読み上げAPIは商用利用できますか?
商用利用可能です。生成された音声ファイルには合成音声を示す透かしマークが埋め込まれますが、ライセンス制限は記載されていません。音声はレスポンスで返され、サーバーには保存されません。商用利用に特別な制限はありません。
APIのレートリミットを超えた場合、どうなりますか?
1分あたり60リクエストの制限があります(初回前は1分10リクエスト)。制限を超えると、リクエストはキューに追加され、順番に処理されます。負荷が高い場合は、処理に時間がかかる場合があります。
音声ファイルはどのくらい保存されますか?
生成された音声ファイルはレスポンスで返されるだけで、サーバーには保存されません。課金のためのメタデータ(時間、文字数、ステータス)のみが保持されます。音声ファイル自体は永続的に保存されません。
読み上げAPIは他のサービスと連携できますか?
HTTPベースのAPIなので、任意のプログラムやサービスと連携できます。OpenAI SDKのbase_urlを変更するだけで利用可能です。専用SDKやプラグインはありません。
音声の生成速度はどれくらいですか?
長文では実時間程度(1秒あたり約25文字)で生成されます。短文でも数秒程度です。リクエストは順番に処理されるため、混雑時はキュー待ちが発生する可能性があります。
APIはどのような言語をサポートしていますか?
23言語(英語、日本語、中国語、スペイン語など)をサポートしています。言語を指定しない場合はスクリプトから推測されますが、ラテン文字の非英語テキストには明示的な指定が必要です。ベトナム語やタイ語などは非対応です。
音声のスピードは後から変更できますか?
生成時にspeedパラメータ(0.25〜4.0)で指定します。生成後の音声ファイルの再生速度をAPI側で動的に変更する機能はありません。再生速度を変更したい場合は、再生ソフト側で調整してください。
音声ファイルには著作権がありますか?
音声はLibriTTS-R(CC BY 4.0)およびLibriVoxの公衆ドメイン素材に基づいています。生成された音声ファイル自体に独自の著作権は発生せず、合成音声として扱われます。商用利用は可能です。
APIの使用には月額料金が必要ですか?
いいえ、月額料金は不要です。従量課金制で、100万文字あたり10ドルです。サブスクリプションや最小利用料はなく、残期限定で利用できます。残有效期はなしで、必要に応じてTRONネットワークでUSDTを追加できます。
読み上げAPIの基本概念
VoceReelは、テキストデータを入力すると音声ファイルが返されるクラウド型TTS APIです。特別なプログラミング知識がなくても、動画のナレーションを自動生成できます。
テキストから音声ファイルへの変換
JSON形式のリクエストを送信するだけで、指定したテキストに基づいた音声ファイルが生成されます。入力テキストは最大4096文字まで処理可能で、音声ファイルの形式や速度を細かく設定できます。
- テキスト入力から音声ファイル出力までを自動化
- 最大4096文字までのテキスト処理に対応
APIエンドポイントの役割
主要なエンドポイントPOST https://api.playy53.com/v1/audio/speechは、音声合成の中心です。また、GET /v1/voicesで利用可能な音声や価格を確認できます。
- 音声合成: POST /v1/audio/speech
- 音声一覧: GET /v1/voices
クラウドベースの処理方式
処理はすべてクラウド上で行われるため、ローカル環境に重い負荷がかかりません。生成された音声はレスポンスとして返され、外部に保存されることはありません。
ショート動画制作での活用
VoceReel APIを活用すれば、スクリプトをテキストとして送信するだけでナレーションを自動生成できます。特別なプログラミング知識が不要で、TikTokやReels、Shortsの動画制作に最適です。
ナレーションの自動生成
テキストを入力するだけで音声ファイルが生成されます。長文は4096文字ごとに分割して処理され、音声ファイルが結合されます。
生成速度は実時間とほぼ同等です。ショート動画のナレーション作成に最適です。
- 4096文字ごとの分割処理
- 音声ファイルの自動結合
多言語コンテンツの作成
23言語に対応しています。英語、日本語、中国語など、多様な言語でコンテンツを作成できます。
言語を指定しない場合は、文字コードから自動判断されます。ラテン文字の非英語テキストは言語指定が必要です。
- 23言語対応
- 自動言語判断
動画のスクリプトと音声の同期
生成された音声ファイルは、動画編集ソフトにインポートして使用できます。ナレーションと映像の同期は手動で行います。
速度を0.25〜4.0の範囲で調整できます。動画のテンポに合わせた音声調整が可能です。
- 速度調整機能
- 手動での同期作業
APIキーの取得手順
APIキーは、動画ナレーション生成の認証情報です。Googleアカウントまたはメールアドレスとパスワードで登録し、認証を完了させてください。
アカウント作成後は、専用ページでAPIキーを確認できます。
サインアップと認証
Googleアカウントまたはメールアドレスとパスワードでアカウントを作成します。Googleアカウントでのサインアップには、0.50ドルのトライアルクレジットが付与されます(有効期間7日間)。
メールアドレス登録の場合、トライアルクレジットは付与されません。
APIキーの生成と表示
認証完了後、専用ページでAPIキーを表示できます。キーは「tts-」で始まります。
新しいキーを発行すると、以前のキーは直ちに無効になります。
キーのセキュリティ管理
APIキーはアカウントごとに1つ有効です。キーを失効させるには、新しいキーを発行します。
キーを外部に公開しないよう注意してください。
最初のAPIリクエスト
APIキーを取得したら、まず基本的な音声生成リクエストを送信して動作を確認します。Cloud TTS APIは、テキストを指定して音声ファイルを取得するシンプルな仕組みです。
ここでは、公式SDKやcURLを使って最初の音声生成を試す手順を解説します。具体的なJSON構造と、返される音声データの処理方法を確認してください。
cURLコマンドの実行
ターミナルでcURLコマンドを実行し、APIエンドポイントに接続します。認証にはAuthorization: BearerヘッダーにAPIキーを指定します。
コマンドラインから直接リクエストを送信できるため、スクリプト化や自動化にも適しています。
- エンドポイント: POST https://api.playy53.com/v1/audio/speech
- 認証:
Authorization: Bearer tts-...
JSONボディの作成
リクエストボディにはmodel、input、voice、response_formatなどの必須パラメータを含めます。
テキストは最大4096文字まで指定可能で、音声プリセットや音声速度も調整できます。
JSON形式でデータを整形し、APIサーバーに送信します。
レスポンスの処理
成功した場合、APIは音声ファイル(mp3、wav、opusなど)をバイナリデータとして返します。
このファイルをローカルに保存するか、動画編集ソフトにインポートしてナレーションとして使用します。
エラーが発生した場合は、ステータスコードとメッセージを確認して原因を特定します。
音声ファイルの形式と選択
動画のナレーションには、MP3が最も一般的です。ファイルサイズが小さく、YouTubeやTikTokなどのプラットフォームで広くサポートされています。
WAVは非圧縮形式で高音質ですが、ファイルサイズが大きくなります。OPUSは効率的な圧縮を提供します。FLACは完全な品質を保持しつつサイズを削減します。
MP3とWAVの違い
MP3は圧縮された形式で、帯域幅を節約できます。短尺の動画ナレーションには最適です。
WAVはデータ損失がありませんが、サイズが約5倍になります。編集時の素材として適しています。
- MP3: 軽量、汎用性が高い
- WAV: 高品質、編集向け
OPUSとFLAの用途
OPUSは効率的な圧縮を提供し、ストリーミングに適しています。
FLACは完全な品質を保持しつつサイズを削減します。
PCMの生データ
PCMは未圧縮の生データです。
処理コストがかかりますが、後処理が容易です。
音声のプリセット選択
VoceReelでは、動画の雰囲気に合わせて8種類の音声プリセットから選べます。特にTikTokやReelsでは、視覚的なインパクトと音声の相性が重要です。
各音声は明確な性格を持ち、スクリプトのトーンに合わせて選定できます。
適切な音声選択により、視聴者の離脱を防ぎ、エンゲージメントを向上させます。
8種類の音声の特徴
女性ボイスには、語り口が明確な「aria」、活気のある「nova」、物語的な「luna」、教育的な「sage」があります。男性ボイスでは、プロモーション向けの「felix」、会話的な「milo」、ニュース調の「atlas」、ドキュメンタリー調の「orion」が用意されています。
これらの音声はLibriTTS-Rデータセットに基づいており、自然な発音を実現しています。
- aria: 暖かみのある明確なナレーター
- nova: 明るく活気のあるトーン
- luna: 柔らかい物語語り
- sage: 落ち着いた教育的な音声
- felix: エネルギー溢れるプロモーション調
- milo: 親しみやすい会話体
- atlas: ニュースのような中立的な音声
- orion: 深みのあるドキュメンタリー調
音声によるトーンの変化
音声を変えるだけで、同じスクリプトでも全く異なる印象を与えます。例えば、felixを使用するとプロモーション動画の緊迫感が増し、miloを使用すると視聴者との距離感が近くなります。
音声のパラメータ(速度など)を調整することで、さらに細かなニュアンスを制御できます。
音声の適したコンテンツ
ショート動画では、novaやfelixのように活気のある音声が見込み顧客の注意を引きつけます。一方、lunaやorionは、ストーリー性のあるコンテンツや解説動画に適しています。
コンテンツの性質に合わせて音声を選択し、視聴者の没入感を高めてください。
- プロモーション: felixやnova
- ストーリー: lunaやaria
- 解説: sageやatlas
- ドキュメンタリー: orion
言語の指定と自動判断
動画制作では、適切な言語設定が音声の自然さに直結します。VoceReel APIは、リクエスト本文にlanguageパラメータを指定することで、音声エンジンの発話言語を明示的に制御できます。
ISO言語コードの設定
対象言語のISOコード(例: ja、en)をリクエストに含めることで、音声の発音ルールを正確に適用できます。特に多言語対応動画では、言語ごとのアクセントやリズムを最適化するために必須です。
- 対応言語: 23言語(英語、日本語、中国語、韓国語など)
- 指定例:
"language": "ja"
自動言語判断の仕組み
languageフィールドを省略した場合、APIは入力テキストの文字コードから言語を自動推測します。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、日本語や中国語の場合は必ず明示的な指定が必要です。
非英語ラテン文字の処理
フランス語やスペイン語などのラテン文字を含むテキストでも、自動判断が英語と誤認する可能性があります。正確な発音を得るには、languageパラメータで母国語を明示してください。タイ語はサポート対象外です。

レートリミットとスケーラビリティ
読み上げAPIは1分間に60リクエストまで処理可能です。ただし、初回利用時は1分あたり10リクエストに制限されます。これは最初のチャージ前に適用される制限です。
大量のテキストを処理する際、リクエストはキューで順次処理されます。短時間の生成には数秒、長文では実時間速度で処理されます。
1分あたりのリクエスト制限
標準では1分間に60リクエストまで処理できます。アカウント作成直後は1分あたり10リクエストの制限がかかります。これは最初のチャージ完了後に解除されます。
- 標準制限: 60リクエスト/分
- 初回制限: 10リクエスト/分
- 解除条件: 最初のチャージ後
キューでの待機処理
リクエストは順番に処理されるため、混雑時はキューに待機する場合があります。短く簡単なテキストでも、数秒の生成時間が必要になることがあります。
長時間のテキストでは、リアルタイム速度(約1秒間に25文字)で処理されます。ただし、キューの混雑状況によって遅延が発生する可能性があります。
バッチ処理の最適化
4096文字を超えるテキストは、複数のリクエストに分割して処理します。生成された音声ファイルを結合することで、完全なナレーションを作成します。
効率的なバッチ処理のため、テキストを適切に分割し、連続した音声ファイルとして結合することを推奨します。これにより、一貫性のあるナレーションが生成されます。
エラーとデバッグ
APIリクエスト時にJSON形式やパラメータの誤りがあると、音声生成が失敗します。エラーが発生した場合、請求は全額返金されるため、コストの心配はありません。
デバッグでは、送信するテキストの文字数制限や、有効な音声プリセットの指定を確認しましょう。
一般的なエラーコード
不正なAPIキーや期限切れのキーが使用されると、認証エラーが発生します。また、リクエストボディの形式がJSONでない場合や、必須フィールドが欠けている場合にもエラーが返されます。
- 401 Unauthorized: APIキーが無効または期限切れ
- 400 Bad Request: JSON形式の誤りや必須フィールド不足
- 429 Too Many Requests: 1分間60リクエストの制限超過
リクエストの検証
リクエストを送信する前に、APIキーが有効なことを確認してください。テキストは4096文字以内であるか、モデル「tts-1」または「tts-1-hd」が指定されているか検証します。
- APIキーのプレフィックス「tts-」を確認
- モデル名が「tts-1」または「tts-1-hd」か確認
- inputフィールドにテキストが含まれているか確認
レスポンスのチェック
成功時は音声ファイル(mp3、wavなど)がレスポンスボディとして返されます。エラー時は、エラーメッセージの内容を確認し、原因を特定してリクエストを修正します。
- ステータスコード200: 音声ファイルの受信成功
- エラーレスポンス: JSON形式のエラーメッセージを確認
- Content-Typeヘッダーでファイル形式を確認
コスト管理と課金
VoceReelのAPIは、生成された音声の長さではなく、「文字数」を基準に課金されます。文字にはスペースや句読点も含まれるため、正確なコスト計算が重要です。失敗したリクエストの場合は課金されません。
文字数ベースの課金
基本料金は100万文字あたり10ドル(1,000文字あたり0.01ドル)です。月々の基本料金や最小利用額、契約プランはありません。利用した分だけ請求されるため、コストを細かく制御しやすい構造です。
トライラルの利用
Googleアカウントでサインアップすると、7日間有効の0.50ドル分の無料クレジットが提供されます。これは約5万文字分に相当します。メールアドレスでの登録では、このトライアルクレジットは自動的に付与されません。
残高が不足している場合、音声生成ができなくなります。アカウントのダッシュボードで現在残っているクレジットと、生成済みの文字数を確認できます。
USDTでのチャージ
残高を追加するには、TRONネットワーク(TRC-20)のUSDTのみを使用します。カードやPayPalでの決済は行っていないため、仮想通貨の送金が必要です。
最小チャージ額は5ドルです。送金後、数分以内に残高に反映されます。請求書や付加価値税(VAT)の請求は行われません。残高は期限切れせず、永遠に有効です。
- 最小チャージ額:5ドル
- 対応通貨:USDT (TRC-20のみ)
- 反映時間:数分以内
データのプライバシー
VoceReel APIでは、入力テキストは音声ファイルの生成専用に使われ、モデルのトレーニングには利用されません。生成された音声はレスポンスとして返されるのみで、サーバー側には保存されません。
入力テキストの使用用途
入力されたテキストは、音声合成エンジンが音声データを生成するためにのみ使用されます。生成が完了すると、元のテキストはそのまま削除されるため、作成したナレーションのコンテンツが継続的に分析されることはありません。
生成音声の保存状況
APIリクエストのレスポンスとして返された音声ファイルは、サーバーに永続的に保存されません。クライアント側でダウンロードまたは保存しない限り、音声データは保持されません。
メタデータの保持期間
課金の正確性を保つため、リクエストの時刻、文字数、ステータスなどのメタデータが保持されます。これらは請求処理のみを目的として使用され、コンテンツの分析には用いられません。
音声の著作権とライセンス
VoceReelの音声は、LibriVoxの公衆ドメイン録音およびLibriTTS-R(CC BY 4.0)に基づいています。これにより、著作権上のリスクを低減しつつ、高品質な読み上げ音声を提供します。
生成される音声ファイルには、合成音声を示す不可視のウォーターマークが埋め込まれています。これは音声の生成元を特定するための技術的標識です。
LibriVoxのライセンス
音声プリセットは、LibriVoxの公衆ドメインオーディオブックの読み上げを基にしています。これにより、安定した品質と多様なトーンを実現しています。
CC BY 4.0の意味
LibriTTS-RデータセットはCC BY 4.0ライセンスの下で提供されます。これは、適切な帰属表示を行う限り、商用利用を含む改変や再配布を許可するライセンスです。
- 商用利用可
- 改変・再配布可
- 帰属表示が必要
水印(ウォーターマーク)の説明
生成されたすべての音声ファイルには、聴覚的には気づきにくい不可視のデジタルウォーターマークが埋め込まれています。
このマークは、その音声がAIによって生成された合成音声であることを示すための標識です。
著作権の帰属や出典の明示において、音声の性質を明確にするのに役立ちます。
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。
