よくある質問
APIキーはどのように取得しますか?
サイト内の/get-api-key/ページでGoogleまたはメールとパスワードを使ってアカウントを作成してください。アカウント作成後、ダッシュボードにAPIキーが表示されます。キーは1アカウントにつき1つ有効で、新しいキーを発行すると旧キーは即時無効になります。
OpenAI SDKは使えますか?
はい、公式OpenAI SDKを使用できます。base_urlをhttps://api.wk44.info/v1に変更し、サイト発行のAPIキーを認証情報として設定するだけで、同じリクエスト形状で音声合成エンドポイントにアクセス可能です。
base_urlはどこに設定しますか?
OpenAI SDKを使用する場合、base_urlはhttps://api.wk44.info/v1に設定します。これにより、標準的なspeechエンドポイントに対してPOSTリクエストを送信し、テキストから音声ファイルを取得することができます。
音声の速度はどのように調整しますか?
リクエストパラメータのspeedフィールドに0.25から4.0の範囲の数値を指定します。デフォルトは1.0で、これより低い値は遅く、高い値は速く読み上げられます。
言語コードは必須ですか?
必須ではありません。指定しない場合、文字から言語が推測されます(ラテン文字は英語として扱われます)。非英語のラテン文字テキストの場合は、明示的にlanguageパラメータを設定することを推奨します。
mp3とwavのどちらが推奨されますか?
特定の推奨形式は定義されていません。mp3、wav、opus、flac、pcmのいずれもresponse_formatとして指定可能です。用途に応じて適切な形式を選択してください。
1分間に何リクエストまで可能ですか?
1分あたり60リクエストまで可能です。最初のトップアップ前は1分あたり10リクエストの制限があります。これを超えるとキューに待機するか、レートリミットエラーが発生します。
エラー時に返金されますか?
はい、合成に失敗した場合は課金が全額返金されます。正常に処理されたリクエストのみが課金対象となります。
4096文字を超えるテキストはどうしますか?
4096文字ごとにテキストを分割し、それぞれを個別にリクエストして音声ファイルを取得します。その後、取得した音声ファイルを結合して1つのファイルにします。
音声ファイルは保存されますか?
生成された音声ファイルはレスポンスで返されるのみで、サーバーには保存されません。課金用のメタデータ(時刻、文字数、ステータス)のみ保持されます。
WebSocketでのストリーミングはありますか?
いいえ、ストリーミングやWebSocket、リアルタイムの部分的な音声配信は提供していません。テキストを送信すると、処理完了後に音声ファイルが返されます。
SSMLはサポートされていますか?
SSMLはサポートされていません。テキストを直接入力し、speedやvoiceなどのパラメータで制御します。カスタム発音辞書や感情タグも利用できません。
カスタム音声は作成できますか?
いいえ、カスタム音声クローニングや音声アップロードは提供していません。LibriTTS-RおよびLibriVoxの録音に基づく8つのプリセットボイスから選択します。
APIのドキュメントはどこにありますか?
ドキュメントはサイトの/docs/ページで確認できます。また、/get-api-key/ページにはcurlの例やキーの表示、残高確認などの機能があります。
最初のリクエスト
curl
curl https://api.wk44.info/v1/audio/speech \
-H "Authorization: Bearer $TTS_API_KEY" \
-H "Content-Type: application/json" \
-d '{"model":"tts-1","voice":"aria","input":"Hello from the API.","response_format":"mp3"}' \
--output hello.mp3Python (openai)
from openai import OpenAI
client = OpenAI(base_url="https://api.wk44.info/v1", api_key="tts-...")
with client.audio.speech.with_streaming_response.create(
model="tts-1", voice="nova", input="Hello from Python.", response_format="mp3"
) as response:
response.stream_to_file("hello.mp3")Node.js (openai)
import OpenAI from "openai";
import fs from "node:fs";
const client = new OpenAI({ baseURL: "https://api.wk44.info/v1", apiKey: process.env.TTS_API_KEY });
const res = await client.audio.speech.create({ model: "tts-1", voice: "milo", input: "Hello from Node.js." });
fs.writeFileSync("hello.mp3", Buffer.from(await res.arrayBuffer()));| voice | |
|---|---|
aria | 女性 |
nova | 女性 |
luna | 女性 |
sage | 女性 |
felix | 男性 |
milo | 男性 |
atlas | 男性 |
orion | 男性 |
| language | |
|---|---|
ar | العربية |
zh | 中文 |
da | Dansk |
nl | Nederlands |
en | English |
fi | Suomi |
fr | Français |
de | Deutsch |
el | Ελληνικά |
he | עברית |
hi | हिन्दी |
it | Italiano |
ja | 日本語 |
ko | 한국어 |
ms | Bahasa Melayu |
no | Norsk |
pl | Polski |
pt | Português |
ru | Русский |
es | Español |
sw | Kiswahili |
sv | Svenska |
tr | Türkçe |
APIキーの取得と管理
VoiceCap APIの初期設定では、まずAPIキーの取得が必要です。アカウント作成はGoogle認証またはメールアドレスとパスワードによる登録から行えます。Google認証でサインインすると、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。これにより、約5万文字の音声合成を試すことができます。
取得したキーは、APIリクエストの認証に不可欠です。後述する通り、キーの管理はシンプルで、必要に応じて既存キーを無効化し新規発行することも可能です。
Google認証でのサインイン
Googleアカウントを使って簡単にサインインできます。この方法では、登録と同時に0.50ドルのトライアルクレジットが提供され、すぐにAPIの使用を開始できます。対して、メールアドレスとパスワードのみで登録したアカウントには、トライアルクレジットは付与されません。
APIキーの生成と表示
ダッシュボードの「/get-api-key/」ページで、現在のAPIキーと残高、使用状況を確認できます。キーは各アカウントにつき1つ有効です。
キーは Authorization: Bearer tts-... の形式でリクエストヘッダーに設定します。
既存キーの無効化と新規発行
キーが漏洩した場合やセキュリティを高めるために、新しいキーを即時発行できます。新しいキーが発行されると、既存のキーは即座に無効化され、使用できなくなります。
最初の音声生成リクエスト
APIキーの取得後、最初の音声生成へ進みます。ここでは、テキストを音声に変換する基本的なリクエスト構造を確認します。
curlコマンドまたはOpenAI SDKを用いて、指定されたエンドポイントへデータを送信します。
cURLコマンドの実行
以下のコマンドを実行して、音声ファイルを生成します。認証情報は環境変数から取得するか、直接指定します。
`curl -X POST "https://api.wk44.info/v1/audio/speech" \\ -H "Authorization: Bearer $YOUR_API_KEY" \\ -H "Content-Type: application/json" \\ -d '{"model":"tts-1","input":"Hello world.","voice":"nova","response_format":"mp3"}' \\ --output speech.mp3`
- エンドポイント:
https://api.wk44.info/v1/audio/speech - メソッド:
POST - レスポンス: 音声ファイルバイナリ
JSONボディの構造
リクエストボディはJSON形式です。必須フィールドはmodel、input、voice、response_formatです。
inputには最大4096文字のテキストを指定します。これを超えるとエラーになります。
model: "tts-1" または "tts-1-hd"input: 変換対象のテキストvoice: 8種類のプリセットから選択response_format: mp3, wav, opus, flac, pcm
必須パラメータの設定
voiceはaria, nova, luna, sage, felix, milo, atlas, orionのいずれかを指定します。
response_formatはmp3, wav, opus, flac, pcmから選択します。
- 音声プリセット: 8種類
- フォーマット: 5種類対応
- 文字数制限: 4096文字
OpenAI SDKとの互換性
VoiceCap APIはOpenAIの音声エンドポイントと同一のJSON構造を採用しています。基盤となるモデルは「tts-1」および「tts-1-hd」で、リクエスト形状が共通のため、既存のOpenAI SDKをそのまま流用可能です。
base_urlの変更方法
SDKの初期化処理で、APIのベースURLを当サービスのエンドポイントに指定します。base_urlを https://api.wk44.info/v1 に変更し、認証キー(tts-...形式)を設定するだけで連携が完了します。
公式SDKの適用
PythonやNode.jsなどの公式SDKを利用できます。リクエストボディのフィールド名はOpenAIの仕様と一致するため、コードの大幅な修正は不要です。modelにはtts-1またはtts-1-hdを指定してください。
エラーハンドリング
認証エラーやレートリミット超過時は、標準的なHTTPステータスコードが返されます。SDKが返すエラーオブジェクトを適切にキャッチし、再試行ロジックを実装してください。失敗したリクエストは課金されません。
音声パラメータの詳細
APIリクエストでは、voiceとspeed、languageのパラメータを指定することで、生成される音声の特性を細かく制御できます。これらはTTSエンジンの挙動を最適化する上で重要です。
音声プリセットの選択
8種類のプリセットから目的に合った声質を選べます。例えば、ナレーションには「aria」、ニュースには「atlas」が適しています。すべての音声は全23言語に対応しています。
- aria: 暖かく明確な語り部
- nova: 明るく活気のあるトーン
- felix: エネルギーあふれるプロモーション風
- atlas: ニュース用の中立なトーン
速度の調整範囲
speedパラメータで読み上げ速度を0.25倍から4.0倍まで調整可能です。学習用には低速が、クイックコンテンツには高速が有効です。
言語コードの指定
ラテン文字でも英語でない場合は、languageパラメータでISOコードを明示してください。省略時はスクリプトから推測されますが、誤認識を防ぐため指定が推奨されます。
音声ファイルの形式と品質
音声合成APIは、mp3、wav、opus、flac、pcmの5つの出力形式をサポートしています。これにより、ブラウザでの再生や高品質な録音、編集用データなど、用途に応じて最適な形式を選択できます。
各フォーマットは圧縮方式やビット深度が異なり、ファイルサイズと品質のバランスが変化します。MP3は軽量で広く互換性が高く、FLACはロスレス圧縮で無劣化保存に適しています。
mp3, wav, opus, flac, pcm
mp3は汎用性が高く、wavは非圧縮の原音データとして利用されます。opusは効率的な圧縮で、flacは品質を損なわずにデータを保存します。pcmは生データとして処理や加工に適しています。
- mp3: 汎用性が高く、ブラウザ再生に最適
- wav: 非圧縮、高品質な録音用
- opus: ストリーミング向けに効率的
- flac: ロスレス圧縮で無劣化保存
- pcm: 生データとして処理に適す
音声ファイルのサイズ比較
ファイルサイズはフォーマットによって大きく異なります。mp3やopusは圧縮によりサイズが小さくなり、wavやpcmは uncompressed なためファイルが重くなります。flacはmp3より大きくなりますが、wavより軽量です。
例えば、同じ長さの音声でも、mp3とwavでは数倍の差が生じます。大容量の音声データを扱う場合は、mp3やopusを選択するとストレージの節約になります。
フォーマットの違い
各フォーマットは圧縮方式やビット深度が異なり、用途に応じて選択します。mp3は圧縮率が高く、wavは非圧縮で原音に近い音質を実現します。opusはflacは品質を損なわずにデータを保存します。
pcmは生データとして処理や加工に適しており、特定の用途や環境に合わせてフォーマットを選ぶことが重要です。

レートリミットとキュー
VoiceCap APIのレートリミットは、APIキーごとに1分間あたり60リクエストまでです。初期状態や最初のトップアップ前には、この制限が1分間10リクエストに低下します。
音声合成は順次処理されるため、キューの待機時間が生じる場合があります。通常はリアルタイム速度で生成されますが、負荷が高い場合は処理待ちが発生します。
1分間のリクエスト制限
基本制限は1分間60リクエストです。これはAPIキーごとに適用されます。
新規作成やトップアップ前のアカウントでは、1分間10リクエストの制限が適用されます。これを過ぎると、自動的に60リクエストに緩和されます。
キューの待機時間
音声生成はリクエストが処理される順番に行われます。そのため、キューに溜まることで待機時間が生じることがあります。
短時間のテキストでも、キューの状態によっては数秒待機することがあります。これはAPIサーバーの負荷に応じて変動します。
負荷時の処理順序
負荷が高い場合、リクエストは順次処理されます。つまり、キューに並んだ順番で処理が進行します。
並列処理は行われないため、大量のリクエストが同時に送信されると、処理完了までに時間がかかることがあります。
エラーコードと対応
API実行時に発生するエラーは、主に認証、レートリミット、パラメータの不正に分類されます。各エラーは具体的な原因を示すため、ログを確認して適切に対応することで、音声生成の継続を容易にします。
一般的なエラーメッセージ
リクエストボディの形式が正しくない場合や、無効なパラメータが指定されると、HTTP 400エラーが返されます。JSON構造の確認と、指定可能なvoiceおよびresponse_formatの値が適切か再確認してください。
認証エラーの対処法
Authorizationヘッダーに誤ったキーが含まれている場合、401エラーが発生します。ダッシュボードでAPIキーが有効か、あるいは新しいキーが発行されていないかを確認してください。
レートリミット超過時の対応
1分間に60リクエストを超える要求を送信すると、429エラーが返されます。キューは順次処理されるため、リトライロジックを実装するか、バッチ処理を調整してください。
長文テキストの処理
VoiceCap APIでは、1回のリクエストで送信できるテキストの上限は4096文字です。これを超過する長文の音声合成を行う場合は、クライアント側でテキストを適切なサイズに分割する必要があります。
APIは各リクエストに対して独立した音声ファイルを返すため、分割したテキストを順番に処理し、得られた音声ファイルを結合することで、完全な長文オーディオを生成します。
4096文字の制限
APIリクエストのinputフィールドには、最大で4096文字(スペースや句読点を含む)まで設定できます。この制限を超えるテキストを送信すると、エラーが発生するため注意が必要です。
テキストの分割方法
長文を処理するには、文節や段落の境界を目安にテキストを4096文字未満のチャンクに分割します。各チャンクを個別のAPIリクエストとして送信し、音声ファイルを取得します。
分割時は、意味の切れ目で行うことで、結合後の音声の不自然さを最小限に抑えることができます。
- 文や段落の末尾で分割する
- 各チャンクを4096文字以内に収める
音声ファイルの結合
取得した複数の音声ファイルは、FFmpegなどのツールを使用して結合します。すべてのファイルが同じフォーマット(mp3やwavなど)で生成されている場合、シームレスに結合できます。
結合後は、元の長文テキストに対応する単一の音声ファイルとして利用可能です。
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。
出典および参考資料
- Wikipedia
- LibriVox public-domain audiobooks
- openai-node on GitHub
- IETF RFC 7845: Ogg Opus
- Tether (USDT)
- OpenAI API reference: create speech
- LibriTTS-R paper (arXiv 2305.18802)
- FFmpeg documentation
- Python documentation
- MDN: Web Speech API
- LibriTTS-R corpus (OpenSLR 141)
- W3C WAI: making audio and video accessible
