よくある質問
API音声はキャップカットで使えますか?
はい、MP3やWAV形式の音声ファイルとしてダウンロードできるため、キャップカットに簡単にインポートできます。APIから生成した音声は標準的なオーディオファイル形式で提供されるため、動画編集ソフトとの互換性は高いです。音声ファイルは生成直後に受け取るため、ローカルに保存して編集ワークフローに組み込むことができます。
音声ファイルのフォーマットは何が推奨されますか?
MP3、WAV、OPUS、FLAC、PCMの5形式から選択可能です。キャップカットでの一般的な利用にはMP3が推奨されます。ファイルサイズが小さく、編集ソフトとの互換性も高いです。高音質が必要な場合はWAVやFLACも利用できますが、データ転送量が増える点にご注意ください。
音声の生成に時間がかかりますか?
長文テキストでは実時間程度の生成速度ですが、短文は数秒かかります。リクエストは逐次処理されるため、負荷が高い場合はキュー待ちが発生する可能性があります。1リクエストあたり4096文字までで、分割して結合する必要がある場合は、処理時間が累積します。
音声ファイルは自動的に保存されますか?
いいえ、生成された音声はレスポンスで返されるのみで、サーバー側には保存されません。入力テキストも音声生成のみに使用され、トレーニングには利用されません。音声ファイルはクライアント側で管理する必要があり、請求用のメタデータのみが記録されます。
APIのレートリミットはありますか?
あります。1キーあたり1分間60リクエストが上限です。初回のチャージ前までは1分間10リクエストに制限されます。これを超えるとリクエストが拒否されるため、バッチ処理やキュー管理を適切に行う必要があります。キーの発行変更により制限はリセットされます。
音声のクローンはできますか?
カスタム音声クローンは提供していません。LibriTTS-RやLibriVoxの録音に基づいた8つのプリセットボイスのみを使用します。独自の声をアップロードしてクローニングする機能や、カスタム音声設計は現状では利用できません。既存のプリセットから目的のトーンに近いものを選択してください。
音声のフォーマットは制限がありますか?
MP3、WAV、OPUS、FLAC、PCMの5形式が利用可能です。これ以外の形式は指定できません。キャップカットなどの編集ソフトで広くサポートされているMP3やWAVが推奨されます。ファイル形式はリクエスト時に指定でき、生成された音声はその形式で返されます。
音声ファイルのサイズはどのくらいですか?
フォーマットによって異なりますが、MP3は圧縮されておりサイズが小さくなります。WAVやFLACは未圧縮または可逆圧縮のためファイルサイズが大きくなります。生成される音声の長さと選択したフォーマットに比例してサイズは変動しますが、具体的な数値は指定できません。
音声の遅延はありますか?
リクエストは逐次処理されるため、負荷が高い場合はキュー待ちによる遅延が発生する可能性があります。通常は実時間程度の生成速度ですが、短文でも数秒かかります。ストリーミングやWebSocketでのリアルタイム部分音声の提供はないため、完了まで待機する必要があります。
音声の著作権は誰にありますか?
音声には合成音声を示す不可視の透かしが埋め込まれています。ベースとなっている録音はLibriTTS-R(CC BY 4.0)やLibriVoxの公有書庫からのものです。カスタムクローンは提供していないため、特定の人物の声の権利問題は発生しませんが、商用利用の際はライセンスを確認してください。
音声の品質は保証されていますか?
SLAや稼働率の保証はありません。音声は8つのプリセットボイスから選択でき、透かし付きで生成されます。品質は一定ですが、サーバーの負荷状況によって生成速度や処理時間に影響を与える可能性があります。特定の品質保証やカスタム音声の品質保証は行っていません。
音声の速度は調整できますか?
はい、速度は0.25から4.0の範囲で調整可能です。デフォルト速度から遅くまたは速く設定できます。これにより、動画のタイミングに合わせて音声の長さを調整できます。速度変更は生成時に適用され、再生速度が変化した音声ファイルが返されます。
音声の言語は変更できますか?
23言語に対応しています。言語コードを指定しない場合、テキストの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は英語と認識されるため、明示的な指定が推奨されます。指定可能な言語は英語、日本語、中国語など多岐にわたります。
音声の透かしは確認できますか?
生成された音声ファイルには不可視の透かしが埋め込まれています。これは合成音声であることを示すもので、耳で確認することはできません。透かしの有無や内容を確認するための専用ツールは提供していません。音声ファイル自体に透かしが含まれていることのみが事実です。
API音声の生成準備
キャップカットで高品質なナレーションを使用するには、まずAPIキーの取得とパラメータ設定が必要です。Googleアカウントでサインアップすると、無料トライアルとして0.50ドルのクレジットが付与されます。キーは管理画面で確認でき、セキュリティのため必要に応じて再発行可能です。
パラメータはモデル、音声、言語、形式を指定します。text-to-speech APIはOpenAI SDKと互換性があるため、既存のツールでも簡単に連携できます。初期レートは1分あたり60リクエストまでで、十分な容量を確保してから本格的な作業に取り掛かりましょう。
APIキーの取得
サイト「get-api-key」にアクセスし、Googleまたはメールアドレスでサインアップします。認証キーはアカウントページで確認でき、新しいキーを発行すると古いキーは直ちに無効化されます。
- Googleアカウントでサインアップすると無料トライアル(0.50ドル分)が適用されます
- キーは管理画面でいつでも再発行可能
音声パラメータの設定
リクエストにはモデル(tts-1またはtts-1-hd)、音声名、入力テキスト、言語コードを指定します。音声は8種類から選択可能で、各音声は異なるトーンを持っています。
- モデル: tts-1 または tts-1-hd
- 音声: aria, nova, luna, sage, felix, milo, atlas, orion
- 形式: mp3, wav, opus, flac, pcm
リクエストの実行
設定したパラメータをPOSTリクエストとしてAPIエンドポイントに送信します。JSON形式でデータを渡し、認証ヘッダーにAPIキーを含めます。
- エンドポイント: POST https://api.wk44.info/v1/audio/speech
- 認証: Authorization: Bearer tts-...
音声ファイルのダウンロード
API音声生成後、レスポンスにはオーディオファイルのバイナリデータが含まれます。テキスト形式ではなく、指定したresponse_formatに従った実際の音声データが返却されるため、これを正しく解析してファイルとして保存する必要があります。
生成された音声は即座にダウンロード可能ですが、長文の場合は複数のチャンクに分割されるため、それぞれのファイルを順序通りに結合する必要があります。
レスポンスの解析
APIからのレスポンスは、指定した音声形式のバイナリデータを含みます。テキスト形式ではなく、実際の音声ファイルとして処理する必要があります。
特に長文の場合、4096文字ごとに分割され複数のファイルが返されるため、これらを順序通りに結合する必要があります。
ファイルの保存形式
mp3は圧縮形式で扱いやすく、ファイルサイズが小さく済みます。wavは非圧縮で編集精度が高く、キャップカットでの品質維持に適しています。
opus、flac、pcmも指定可能です。用途に合わせて適切な形式を選択してください。
音声の品質確認
生成された音声ファイルには合成音声を示す不可視の透かしが含まれます。これは著作権やライセンスの確認に役立ちます。
キャップカットにインポートする前に、音声のクリアさや速度の調整が適切か確認してください。
キャップカットへのインポート
生成された音声ファイル(mp3やwav)をキャップカットのプロジェクトにドラッグ&ドロップするか、インポート機能を使用して読み込みます。音声は自動的に新しいトラックとして追加され、視覚的な波形が確認できる状態になります。
テキストと音声の同期は、キャップカットの字幕機能または手動でタイムライン上のクリップを調整することで実現します。音声の長さや区切り位置を正確に合わせ、視聴者の理解を助ける構成を作成します。
音声トラックの追加
生成された音声ファイル(mp3やwav)をキャップカットのプロジェクトにドラッグ&ドロップするか、インポート機能を使用して読み込みます。音声は自動的に新しいトラックとして追加され、視覚的な波形が確認できる状態になります。
- mp3、wav、opus、flac、pcm形式に対応
- ドラッグ&ドロップまたはインポートボタンで追加
- 波形表示で音の開始と終了を確認可能
テキストとの同期
テキストと音声の同期は、キャップカットの字幕機能または手動でタイムライン上のクリップを調整することで実現します。音声の長さや区切り位置を正確に合わせ、視聴者の理解を助ける構成を作成します。
- 字幕ツールで自動同期または手動調整
- タイムラインでのクリップ移動による精密な位置合わせ
- 音声の区切りとテキストの一致確認
編集ソフトでの処理
キャップカット内で音量調整、フェードイン・アウト、効果音の追加などを行います。生成された音声には合成音声を示す不可視の透かしが含まれています。
- 音量調整と効果音の追加
- フェードイン・アウトでの自然なつなぎ
- 透かしの確認と視覚要素との調和
ワークフローの自動化
API音声の生成は、Pythonスクリプトで自動化できます。OpenAI SDKのbase_urlをhttps://api.wk44.info/v1に変更し、標準的なaudio/speechエンドポイントにPOSTリクエストを送信するだけです。認証にはAPIキーをヘッダーに付与します。
バッチ処理では、最大4096文字のテキストを分割し、順次リクエストを送信します。生成された音声ファイルは自動でローカルに保存され、後続のキャップカット編集ワークフローに連携できます。
スクリプトでの自動化
標準的なOpenAI互換SDKを使用することで、複雑なHTTP通信を簡素化できます。Pythonのrequestsライブラリでも同等の実装が可能です。APIキーは環境変数から取得し、セキュリティを確保します。
バッチ処理の実装
大量のテキストを処理する際、1リクエストあたりの文字数制限(4096文字)を考慮して分割します。生成された音声ファイルは、元のテキストの順序に合わせて自動的に結合または管理されます。
- 1リクエストあたり最大4096文字
- 分割された音声は後で結合可能
- レートリミット(60リクエスト/分)を考慮したスリープ処理
API連携のメリット
手動での音声生成と比較し、時間を大幅に短縮できます。生成された音声ファイルは、キャップカットへのインポート前に既にローカルに保存されているため、編集作業の効率化が図れます。
バッチ処理により、長尺の動画用ナレーションも効率的に作成可能です。APIの仕様に基づき、必要な音声パラメータをプログラムで制御できます。
音声の品質とタイミング
API音声の品質とタイミングは、動画制作の精度を左右します。正確な長さと同期を理解し、編集ワークフローを最適化しましょう。
生成された音声の特性を把握することで、キャップカットでのシームレスな統合が可能になります。
音声の長さの計算
音声の長さは、生成速度が約25文字/秒であることから推定できます。4096文字の制限内でテキストを分割し、合計長さを計算しましょう。
セリフとの同期
テキストの分割単位を調整し、字幕やテロップの表示タイミングと音声の開始・終了を合わせます。速度パラメータ(0.25〜4.0)を調整して、リズムを制御しましょう。
遅延の考慮
負荷が高い場合、リクエストはキューで待機することがあります。短くても数秒、長文ではリアルタイム生成速度が遅延を生む可能性があるため、バッファを持たせて編集しましょう。
エラーとトラブルシューティング
API音声の生成では、リクエストのパラメータ不備やレート制限が失敗の原因になります。ステータスコード400はリクエストボディの形式またはパラメータエラー、401はAPIキーが無効、429はレートリミット(1分間60リクエスト)超過を示します。これらはすべてAPIキーの有効性や仕様違反が原因です。
音声生成失敗時の対応
失敗時はエラーレスポンスを確認し、原因を特定してください。APIキーが無効な場合は、ダッシュボードから再発行が必要です。レートリミット超過時は、60リクエスト/分の制限を超えていないか確認し、必要に応じて待機するか、バッチ処理で調整してください。
- ステータスコード400: リクエストボディの形式またはパラメータエラー
- ステータスコード401: APIキーが無効
- ステータスコード429: レートリミット(1分間60リクエスト)超過
フォーマットの問題
mp3、wav、opus、flac、pcmのいずれかを指定します。キャップカットで直接読み込めるのはmp3やwavが一般的です。opusやflacは変換が必要な場合があります。音声ファイルの形式が正しくない場合、インポート時にエラーが発生することがあります。
ネットワークエラー
一時的なネットワーク障害により、リクエストがタイムアウトすることがあります。この場合、APIキーの課金は発生しません。ネットワーク環境を確認し、再度リクエストを送信してください。安定した接続環境で作業を行うことを推奨します。
コスト管理と効率化
API利用では、文字数ベースの従量課金制を採用しています。100万文字あたり10ドル(1000文字あたり0.01ドル)で、スペースや句読点も1文字としてカウントされます。リクエストが正常に完了したか、失敗したかを細かく追跡することで、予期せぬコストの発生を防ぎ、予算を正確に管理できます。
失敗したリクエストは課金対象外となるため、無駄なコストを抑えられます。また、Googleアカウントでのサインイン時に付与される0.50ドルのトライアルクレジット(約5万文字分)を活用し、APIの動作を確認しながら効率的にワークフローを構築できます。
使用量の追跡
ダッシュボードでは、残高、トライアル期間、使用済み文字数、および履歴を確認できます。各リクエストのステータスと文字数を記録することで、どの音声生成がコストに見合っているかを評価できます。
音声生成は実時間速度で処理されるため、長文のテキストほど効率的にコストを回収できます。ただし、キュー待ちによる遅延が発生する場合があるため、バッチ処理のタイミングを考慮してください。
トライアルの活用
Googleサインインによる新規登録者には、7日間有効の0.50ドルのトライラルクレジットが付与されます。これは約5万文字分に相当し、APIのエンドポイントや音声品質を実際に試すのに適した量です。
メールアドレスとパスワードで登録したアカウントにはトライアルクレジットが付与されません。そのため、本格的な利用に移行する前に、まずトライアル環境でフォーマット(mp3, wavなど)や速度設定をテストすることを推奨します。
USDTチャージの効率
残高のチャージはUSDT(TRC-20)のみで行えます。最小チャージ額は5ドルで、トランザクション完了後数分で自動的に残高に反映されます。カードやPayPal、請求書(VAT込みなど)での支払いとは異なり、手続きが簡素化されています。
残高は有効期限がなく、必要に応じていつでも追加チャージ可能です。月額プランや追加の seat 管理が不要なため、小規模なプロジェクトから大規模なコンテンツ制作まで、使用量に応じて柔軟にコストを調整できます。

音声の著作権とライセンス
API音声は、LibriTTS-R(CC BY 4.0)とLibriVoxの公衆領域データを基にしています。生成された音声ファイルは合成音声として識別可能ですが、著作権上の制限は極めて限定的です。
LibriVoxのライセンス
基盤データはクリエイティブ・コモンズ表示4.0およびパブリックドメインです。これは商用利用を原則許可しています。
- LibriTTS-R: CC BY 4.0
- LibriVox: パブリックドメイン
商用利用の可否
生成音声の商用利用は可能です。ただし、音声そのもののクローンは提供していないため、特定の著名人の声似と主張する場合は注意が必要です。
音声ファイルには不可視の透かしが埋め込まれており、合成音声であることを示します。これにより、AI生成コンテンツとしての透明性が確保されます。
透かしの確認
透かしは人間の耳には聞こえませんが、アルゴリズムで検出可能です。著作権の帰属は、生成物の利用形態に応じて判断されます。
単にテキストを読み上げるサービスとしては、特別なライセンス契約は不要です。
代替手段との比較
API音声は、キャップカット内蔵のテキスト読み上げ機能とは異なり、8種類の preset voice を選択可能で、音声のトーンや話速(0.25〜4.0)を細かく調整できます。内蔵機能では不可能な、特定の言語設定や高速バッチ処理による効率的なワークフロー構築が可能です。
キャップカット内蔵音声との違い
APIを利用すれば、ARIAやFELIXなど8種類の preset voice から選べるため、動画のトーンに合わせた声質の統一が可能です。キャップカットの自動生成音声は選択肢が限られますが、API音声はスピードやフォーマット(mp3, wav, opus など)を細かく制御できます。
他社APIとの比較
本APIはOpenAIのspeechエンドポイントと互換性があり、既存のSDKを流用できます。価格も100万文字あたり10ドルで、失敗したリクエストは無料となります。USDTによるチャージは最小5ドルから可能で、月額課金やサブスクリプションの縛りがない点も特徴です。
手動録音との比較
手動録音に比べ、API音声は録音環境や体調に依存せず、常に一定の品質で音声を作成できます。ただし、声のクローンは提供されていないため、オリジナルの声質を完全に再現するわけではありません。また、リアルタイム性は手動録音の方が優れますが、API音声は生成に数秒〜数分を要します。
実際の使用例
API音声合成を活用すれば、言語学習やナレーション制作のワークフローが効率化します。例えば、特定の言語で正確な発音が必要な学習教材や、長時間のポッドキャスト配信など、多様な用途に対応可能です。
言語学習動画の例
ISOコードを指定して英語や中国語の音声を生成し、キャップカットで字幕と同期させます。最大4096文字まで一度に処理できるため、短く区切って音声ファイルを作成・結合する手順がシンプルになります。
- 英語や中国語など23言語に対応
- 文字数制限4096文字での分割生成
ナレーション動画の例
「aria」や「nova」などの声優プリセットを使い、説明文のトーンを調整します。1分あたりの文字数に見合った音量調整や、テキストの区切りごとに音声を分割して編集ソフトにインポートします。
- 8種類の音声プリセットから選択
- 速度0.25〜4.0で調整可能
ポッドキャストの例
長文の原稿を複数回に分けてAPIリクエストを送信し、生成された音声ファイルを結合して一つのトラックにします。背景音と合成する前に、各セグメントの品質を確認し、一貫した音量に調整します。
- 複数ファイルの結合による長文対応
- 合成前の品質確認が容易
よくある質問
API音声の生成はリクエスト実行時に行われ、音声ファイルはレスポンスとして即時に返されますが、サーバー上には自動保存されません。生成後の音声はユーザー側で管理する必要があります。
レートリミットは1分間あたり60リクエストまでです。トライアル中は1分間10リクエストに制限されます。バッチ処理ではキュー待ちが発生する点に注意してください。
音声ファイルは自動的に保存されますか?
生成された音声ファイルはレスポンス本体として返されますが、当APIサーバー上には自動保存されません。クライアント側でファイルとしてダウンロード・保存する必要があります。
APIのレートリミットは?
1分間あたり60リクエストが制限です。トライアル利用時は1分間10リクエストに制限されます。大量テキストは分割して処理するため、キュー待ちが発生する場合があります。
レートリミットを超えるとエラーとなります。バッチ処理では、リクエストの待機時間を考慮した設計が推奨されます。
音声のクローンはできますか?
カスタム音声クローンは提供していません。8つのプリセットボイスから選択するか、既存の録音データからのクローンは行えません。
音声はLibriTTS-RやLibriVoxの録音データに基づいており、独自の声の模倣やカスタマイズは不可能です。
音声のフォーマットは制限がありますか?
mp3、wav、opus、flac、pcmの5形式に対応しています。用途に合わせて選択できます。
フォーマットによってファイルサイズや音質が異なりますが、基本的な再生環境では互換性があります。
音声ファイルには合成音声を示す不可視の透かしが埋め込まれています。
将来の展望
現在のアピアイベントの記録はありませんが、入力文字数上限の4096文字を超える長文音声の生成処理は、よりシームレスな単一ファイル出力へ向けて改善される可能性があります。
また、レートリミットの緩和や、バッチ処理時のキューイング速度の向上により、大量のコンテンツクリエーター向けワークフローがより安定して稼働する環境が期待されます。
APIのアップデート
エンドポイントの仕様変更や、既存のOpenAI互換SDKとの互換性維持が継続されます。
音声合成エンジンの更新により、生成速度や音声の自然さが微調整される可能性があります。
- レート制限の動的調整
- レスポンス形式の最適化
新しい音声の追加
現在8つのプリセットが用意されています。
言語サポートの拡大は、現在サポートされていない言語(ベトナム語など)への対応も含む可能性があります。
機能の拡張
SSMLやカスタム発音辞書などの高度な制御機能は現在ありませんが、将来的な拡張性も視野に入れています。
キャップカット連携のためのメタデータ埋め込みや、より詳細な速度制御機能の追加も検討されます。
- メタデータ連携
- 速度制御の細分化
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。 編集チームは、ユーザーの実際の利用シーン(例:ポッドキャスト制作や語学学習アプリの開発)に即したフィードバックを反映し、記事の精度を高めます。
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。
