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 |
|---|---|---|---|---|
model | string | – | ✅ | 使用するモデル名(sarashina3.2-tts) |
input | string | – | ✅ | 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。 |
voice | string | – | ✅ | 使用する音声。音声一覧 から選択してください。 |
response_format | string | wav | – | 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。 |
speed | float | 1.0 | – | 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。 |
seed | integer | 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_format | Content-Type |
|---|---|
wav | audio/wav |
pcm | audio/pcm |
flac | audio/flac |
mp3 | audio/mpeg |
opus | audio/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。