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。
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。
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。
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。
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.
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
/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
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。
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。
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。