text-to-speech API とは何ですか?

text-to-speech(TTS)APIは、書かれたテキストを音声に変換します。テキスト、音声、言語や速度などの設定を送信すると、APIは音声ファイルを返すか、音声をストリーミングして、文章全体が準備完了する前に再生を開始できるようにします。

モデルの種類

text-to-speechAPIが果たす役割

text-to-speech(TTS)APIは、合成音声でテキストを読み上げます。話すための言葉を送り、音声を選択すると、モデルはMP3やWAVなどの形式で音声を返します。モデルによっては、例えば平易な言語で配信を指示することも可能です。 温かく落ち着いた口調でゆっくり話してください、笑い声やため息などの効果のためのインラインタグを追加したり、2人以上の話者用のセリフを書いたり、話者の短い録音から声をクローンしたりします。

ほとんどのモデルは言語、話し速度、サンプルレートなどの設定も行います。名前や略語の発音オーバーライドや、キャプションやハイライトに使える単語単位のタイムスタンプを追加するものもあります。

リクエストの仕組み

完成したファイルの場合は送信 ポスト/v1/audio/speech モデル ID を 入力 そして、 声.レスポンスにはデフォルトでオーディオファイルのURLが保持されます。また、リクエストの 承諾する ヘッダーは音声を求めます。音声リストを提供するモデルでは、 出て/v1/voices Model ID を使用すると、使用できるボイスが返されます。

インタラクティブ用途には、ストリーミング回答に対応したモデルが ポスト/v1/audio/speech:stream.音声はモデルが合成している間、サーバー送信イベントとして届くため、パッセージ全体が準備完了する前に再生を開始できます。一部のモデルではテキストも受け付けています。 リアルタイム音声 WebSocket を使い、テキストがまだ届く途中、例えば言語モデルが返信を書いている間などにそれを読み上げます。

text-to-speech用途

  • ボイスエージェントやアシスタント。 Spokenはストリーミング出力を使って短い遅延を伴って返事をします。
  • ナレーション。 動画、解説、製品ツアー、eラーニングのボイスオーバー。
  • 長尺音声。 オーディオブック、朗読される記事、そして複数の声によるポッドキャスト風の対話。
  • アクセシビリティ。 インターフェーステキストや文書は、聞くことを好む人向けに音読されます。
  • ローカリゼーション。 同じ文字が多くの言語で使われ、同じ声をまたいで保つモデルで使われています。

音声モデル間を比較すべき点

  • 自然さ。 各候補者の同じ台本を聞きましょう。数字、名前、質問を含めて。
  • 声と言語。 ボイスライブラリの規模、言語やアクセント、そして声をクローンできるかどうか。
  • レイテンシ。 会話については、ストリーミングサポートや最初の音声がどれくらい早く届くかを確認してください。
  • コントロール。 伝え方、感情タグ、速度とピッチ、発音オーバーライド、複数話者による会話など。
  • 出力。 キャプション用のオーディオフォーマット、サンプルレート、タイムスタンプ。
  • プライス。 TTSモデルはテキスト量に応じて請求します:一部のモデルでは文字ごと、別のモデルではトークンごとで、入力テキストと生成された音声は別々のレートで計費されます。リクエストあたりの最低文字数を設定するものもあります。長いスクリプトほどコストがかかります。

モデルの並べ比較 2つのボイスモデルの機能と料金を一緒に表示します。

EmpirioLabs AIでTTSモデルを呼び出してみてはどうでしょうか。

閲覧する オーディオモデル そして、 Playground コードを書く前に。モデルを呼び出すには、ダッシュボードでAPIキーを作成し、テキストを送信します。 https://api.empiriolabs.ai/v1/audio/speech、またはライブ再生のためにストリーミングエンドポイントへ送ること。その スピーチ参照 そして、 ストリーミング音声参照 すべての分野を説明してください。

使った分だけ支払うか、週ごとの手当付きのプランを選べます。すべてのボイスモデルの現在の料金は プライシングページお問い合わせ.

EmpirioLabs AI のモデル

17 個のモデル。課金単位が同じものは安い順に並べています。各モデルのページに料金表の全体、パラメーター、コードがあります。

エンドポイント

POST /v1/audio/speech POST /v1/audio/speech:stream GET /v1/voices WEBSOCKET /v1/realtime

テキストの文字数に応じた料金

モデル最低料金適用対象
TTS 2 Flash Inworld$15.00$10.50 100万文字あたり合成
StepAudio 3 TTS StepFun$0.14 10,000文字あたり合成
Qwen Audio 3.0 TTS Alibaba Cloud$0.15 10,000文字あたりフラッシュ合成
SoulX Podcast Soul AI Lab$0.015 1,000文字あたり、最低700文字のリクエスト基地
TTS 1.5 Mini Inworld$25.00$17.50 100万文字あたり合成
TTS 2 Inworld$25.00$22.00 100万文字あたり合成
TTS 1.5 Max Inworld$35.00$29.75 100万文字あたり合成
Qwen Audio 3.1 TTS Plus Alibaba Cloud$0.60 10,000文字あたり合成
StepAudio 2.5 TTS StepFun$0.85 10,000文字あたり合成
GLM TTS Z.ai$0.20 1,000文字あたり、最低50文字をリクエストごとに速い(INT8)

その他のモデル: Gemini 2.5 Flash TTS, Gemini 2.5 Pro TTS, Gemini 3.1 Flash TTS, Gemini 3.8 Flash TTS, Gemini 3.8 Flash-Lite TTS, Qwen Audio 3.1 TTS, Qwen Audio 3.1 TTS Next

よくある質問

text-to-speechとspeech-to-textの違いは何ですか?

テキスト読み上げは、書かれたテキストを音声に変換します。音声読み上げはその逆で、話しかけられた音声を文字に書き起こします。

text-to-speech APIは声をクローンできますか?

一部のモデルは可能です。短くクリアな音声録音を提供し、一部のモデルではスピーカーが同意する録音をモデルがその声で話します。

text-to-speech価格はどうなっているのでしょうか?

テキスト量によっては、モデルによってはキャラクターごと、別のモデルではトークンごとで、長いスクリプトほどコストがかかります。EmpirioLabs AIでは、使い分を支払うか、週ごとの手当があるプランを選ぶことができます。

ストリーミングtext-to-speechとは何ですか?

ストリーミングでは、モデルがそれを合成する間、音声を小さなチャンクとして返すため、全文が準備完了する前に再生が始まる。これはボイスエージェントやその他のライブ会話に適しています。

より良いエンドポイントを使う準備はできていますか?

ご自身のモデルを当社のスタックに展開したい方は、ぜひご価格をご覧ください。