APIリファレンスAudio API (TTS)

Audio API (TTS)

テキストを入力として、日本語の音声を生成する Text-to-Speech(TTS)API です。生成した音声は、指定した形式の音声ファイルとして取得できます。

API キーによる認証方法、エラーレスポンスの仕様は はじめに、レート制限の詳細は レート制限 をあわせてご確認ください。


エンドポイント

POST https://api.sarashina.ai/v1/audio/speech

リクエストボディは JSON 形式で指定し、Content-Type: application/json ヘッダーを設定してください。


サポートモデル


音声一覧

voice パラメータには、以下のいずれかを指定してください。

voice説明
ja_f_1日本語 女性音声 1
ja_f_2日本語 女性音声 2
ja_m_1日本語 男性音声 1

リクエストパラメータ

以下に定義されていないパラメータは無視されます。定義済みパラメータの型、必須項目、許可値、値の範囲が正しくない場合は 400 Bad Request を返却します。

パラメータ型デフォルト必須説明
modelstring–✅使用するモデル名(sarashina3.2-tts)
inputstring–✅音声に変換するテキスト。2文字以上、最大700文字。入力仕様の詳細は 入力テキストの仕様 を参照してください。
voicestring–✅使用する音声。音声一覧 から選択してください。
response_formatstringwav–出力音声の形式。wav、pcm、flac、mp3、opus のいずれかを指定してください。未指定の場合は wav として扱われます。
speedfloat1.0–発話速度(倍率)。0.25 以上 4.0 以下の値を指定してください。未指定の場合は 1.0 として扱われます。
seedinteger自動–音声合成に使用するシード値。符号付き64bit整数で指定してください。再現性が必要な場合は ±2^53 の範囲で指定してください。省略した場合は自動で決定されます。パラメータを指定すると、同じ入力テキストとシード値で近い結果が得られやすくなります。

入力テキストの仕様

input パラメータには、1件のテキストを文字列で指定します。配列による複数テキストの一括指定はサポートしていません。

文字数と対応文字

  • 下限文字数: 2文字
  • 上限文字数: 700文字。全角・半角に関わらず、Unicode コードポイント単位でカウントします。
  • 対応文字: 以下の文字を指定できます。
    • ひらがな、カタカナ(半角カナを含む)
    • 漢字(々、〇 を含む)
    • 半角・全角の英数字
    • 空白文字(半角空白、全角空白、タブ、改行)
    • 記号: ! $ % & ' , - . / : ?、! $ % & ' , - . / : ? ~ 、 。 〜 〆
    • 括弧: 「」 『』 【】 〈〉 《》 〔〕 ()、「」 ()
  • 未対応文字: 上記以外の文字が含まれる場合は 400 Bad Request を返却します(例: 絵文字、※、…、♪、☆、丸囲み数字(①〜⑩)、㈱、×、°、¥、丸囲みカタカナ(㋐ など)、組文字(㌔ など)、単独の濁点(゛)・半濁点(゜))。

文字種・文字数の検証は、下記の正規化処理を行った後のテキストに対して行います。未対応文字の判定も正規化後のテキストが対象です。空白文字のみで構成された入力は正規化後に空となるため、400 Bad Request を返却します。

正規化処理

音声合成前に、入力テキストへ以下の処理を行います。

  • Unicode NFC による正規化
  • CRLF 改行(\r\n)から LF 改行(\n)への変換
  • 先頭の空白文字の削除(末尾の空白文字は削除しません)

基本的な利用例

リクエスト(cURL)

以下の例では、WAV形式の音声を speech.wav として保存します。

curl https://api.sarashina.ai/v1/audio/speech \
  -H "Authorization: Bearer ${SARASHINA_API_KEY}" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "sarashina3.2-tts",
    "input": "こんにちは。Sarashina の音声合成 API です。",
    "voice": "ja_f_1",
    "response_format": "wav"
  }' \
  --output speech.wav

レスポンス

成功時には 200 OK を返し、レスポンスボディに音声データをバイナリ形式で直接返却します。JSON のメタデータやトークン使用量は含みません。

レスポンスの Content-Type には、出力音声の形式に応じたメディアタイプが設定されます。

response_formatContent-Type
wavaudio/wav
pcmaudio/pcm
flacaudio/flac
mp3audio/mpeg
opusaudio/ogg

pcm を指定した場合、レスポンスは 16bit 符号付き整数・リトルエンディアン・インターリーブ形式の生音声データです。現在提供している sarashina3.2-tts では 24kHz・モノラルで出力されます。 出力音声のサンプリングレートは、wav , pcm, flac ,mp3の各形式が24kHz、opusが48kHzでいずれもモノラルです。

エラー時のレスポンス形式については はじめに を参照してください。


SB Intuitions Corp. All Rights Reserved. © 2026