自動 音声 読み上げ 無料 APIの現実的な利用法

作成者 TTS Monitor編集部 · 更新日 2026-11-19

このページでは、SaaS通知やUIに音声合成をAPI経由で実装するインディー開発者向けに、KoeFlowの技術仕様とコスト構造をデータ駆動で解説します。OpenAI互換エンドポイントを活用したバッチ処理やレートリミットの現実的な運用例を提示し、技術選定に不可欠な数値的事実を網羅します。

8プリセットの音声特性、23言語のサポート状況、USDT決済の仕組みから、4096文字の制限やステータス管理まで、過度な宣伝を排した客観的なレビューを提供します。APIキーの発行からデバッグまで、即座に統合可能な実務レベルの情報を確認してください。

自動 音声 読み上げ 無料 APIの現実的な利用法

よくある質問

自動 音声 読み上げ 無料トライアルはどのように開始しますか?

Googleでサインインすると、有効期限7日の$0.50(約5万文字)の無料トライアルが提供されます。メールアドレスとパスワードで作成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のレートリミットはどのように適用されますか?

キーあたり1分あたり60リクエストが制限されます。最初のトップアップ前は1分あたり10リクエストです。リクエストはキューで処理されるため、負荷時には待機が発生する可能性があります。

音声ファイルのフォーマットは何が選択可能ですか?

mp3、wav、opus、flac、pcmの5つのフォーマットから選択可能です。response_formatパラメータで指定します。

4096文字を超えるテキストはどのように処理されますか?

4096文字ごとにテキストを分割し、それぞれを音声に変換します。その後、生成された音声ファイルを結合します。

生成された音声にはどのような透かしが含まれますか?

生成された音声ファイルには、合成音声であることを示す不可聴の透かしが含まれます。これにより、人工的に生成された音声であることが識別可能です。

音声の言語はどのように検出されますか?

言語を指定しない場合、スクリプトから推測されます。ラテン文字のテキストはデフォルトで英語として扱われます。非英語のラテン文字テキストには言語コードを明示的に設定してください。

課金は文字数ベースでどのように計算されますか?

100万文字あたり$10(1000文字あたり$0.01)です。空白や句読点も文字数に含まれます。失敗したリクエストは課金されません。

失敗したリクエストは課金対象外ですか?

はい、合成に失敗した場合は請求が全額返金されます。失敗したリクエストに対しては課金されません。

音声データはトレーニングに使用されますか?

入力テキストは音声生成のみに使用され、トレーニングには使用されません。生成された音声はレスポンスで返され、保存されません。

カスタム音声クローンは提供されていますか?

カスタム音声クローンは提供されていません。独自の音声をアップロードしたり、カスタムボイスデザインを行ったりする機能はありません。

SSMLタグはサポートされていますか?

SSMLタグはサポートされていません。音声の制御には速度パラメータのみを使用します。

リアルタイムストリーミングは可能ですか?

リアルタイムストリーミングはサポートされていません。WebSocketやリアルタイムの部分的な音声配信は提供されません。

サポートは電話で受けられますか?

電話番号は提供されていません。サポートはメールのみです。

SLAや稼働率保証はありますか?

SLAや稼働率保証はありません。エンタープライズ契約、オンプレミスインストール、SOC 2やHIPAAなどの認証も提供していません。

最初のリクエスト

curl

curl https://api.criex.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.mp3

SaaS通知への音声合成統合

の音声波形イラスト: SaaS通知への音声合成統合

SaaSアプリケーションにおけるSaaS通知やUIフィードバックへの音声合成統合は、API経由で自動化可能です。テキストを送信するだけで音声ファイルが生成され、ユーザー体験を強化します。

OpenAI互換のREST APIエンドポイントを採用しており、既存のOpenAI SDKをベースURLの変更だけで利用できます。これにより、インディー開発者は最小限のコード変更で音声機能を統合できます。

API経由での自動音声生成

API経由での自動音声生成

POSTリクエストでJSONボディを送信し、音声ファイルを受け取ります。最大4096文字のテキストを処理可能で、失敗したリクエストは課金されません。

生成速度は長文で約リアルタイム(1秒あたり25文字)、短文では数秒かかります。

OpenAI互換エンドポイント

エンドポイントは https://api.criex.info/v1/audio/speech です。認証には Authorization: Bearer ヘッダーを使用します。

公式OpenAI SDKの base_url をこのエンドポイントに変更するだけで、互換性のあるコードが動作します。

バッチ処理とキュー管理

1リクエストあたり最大4096文字の制限があるため、長文は分割して結合する必要があります。

リクエストは順次処理され、負荷時にはキューに待機する場合があります。レートリミットは60リクエスト/分です。

開発者向け基本機能レビュー

の音声波形イラスト: 開発者向け基本機能レビュー

APIにPOSTリクエストを送信するだけで、テキストから音声ファイルが生成されます。入力テキストは最大4096文字まで対応し、JSON形式のレスポンスとして音声データが返されます。OpenAI互換の仕様により、既存のSDKをそのまま利用可能で、開発環境への統合コストが最小限に抑えられます。

テキストから音声ファイルへ

エンドポイントはPOST https://api.criex.info/v1/audio/speechです。modelパラメータでtts-1またはtts-1-hdを選択し、inputにテキストを指定します。生成された音声はmp3、wav、opus、flac、pcmのいずれかの形式で返却され、要件に合わせて形式を指定できます。

文字列の長さに制限があるため、長いテキストは4096文字ごとに分割して複数のリクエストを送信し、最終的に音声ファイルを結合するワークフローが必要です。

  • エンドポイント: POST /v1/audio/speech
  • 対応フォーマット: mp3, wav, opus, flac, pcm
  • 最大入力文字数: 4096文字/リクエスト

8つのプリセット音声

8つのプリセット音声から選択可能です。女性声はaria、nova、luna、sageの4種類、男性声はfelix、milo、atlas、orionの4種類があります。それぞれ異なるトーンや用途に最適化されており、SaaSの通知やUI音声として適切な声を選ぶことができます。

これらの音声はLibriTTS-R(CC BY 4.0)およびLibriVoxの公聴音源に基づいています。

  • aria: 暖かくクリアなナレーター
  • nova: 明るく活気のある音声
  • luna: 柔らかく物語的な音声
  • sage: 落ち着いた指示音声
  • felix: エネルギーに満ちたプロモーション音声
  • milo: フレンドリーな会話音声

23言語のサポート

23言語をサポートしており、日本語を含む多言語環境での利用が可能です。各音声はすべての言語で話すことができます。languageパラメータでISOコードを指定することで、正確な発話が可能になります。

言語を指定しない場合、ラテン文字は英語としてデフォルトで処理されます。それ以外の言語の場合は明示的に言語を指定することが推奨されます。

  • Arabic, Chinese, Danish, Dutch, English, Finnish, French, German, Greek, Hebrew, Hindi, Italian, Japanese, Korean, Malay, Norwegian, Polish, Portuguese, Russian, Spanish, Swahili, Swedish, Turkishの23言語
  • 言語を指定しない場合、ラテン文字は英語として処理
  • 非サポート言語: ベトナム語、インドネシア語、タイ語、ウクライナ語、ルーマニア語、チェコ語、ベンガル語など

料金体系とコスト管理

の音声波形イラスト: 料金体系とコスト管理

KoeFlowのAPIは文字数ベースの従量制課金を採用しており、100万文字あたり10ドル(1,000文字あたり$0.01)が標準料金です。括弧や半角スペースも文字数にカウントされるため、通知文の最適化がコスト管理の鍵となります。

文字数ベースの課金

課金は実際の処理文字数に基づき、100万文字ごとに10ドルが適用されます。スペースや句読点も含むため、APIリクエストのペイロード設計が費用対効果に直結します。

失敗リクエストの無料化

音声合成の処理に失敗した場合、そのリクエストに対する課金は全額返還されます。エラー発生時のコストリスクを排除し、開発者は試行錯誤を安心して行うことができます。

USDTによるトップアップ

残高チャージはTRONネットワーク(TRC-20)上のUSDTのみに対応しています。最低チャージ額は5ドルで、送金後数分で自動的に残高に反映されます。クレジットカードやPayPal、請求書払いのオプションは存在しません。

  • TRC-20 USDTのみでチャージ可能
  • 最小チャージ額:$5
  • 反映まで数分を要する場合があります
  • 定期プランや-seatは提供していません

音声スタイルと品質

の音声波形イラスト: 音声スタイルと品質

音声スタイルは8つのプリセットから選択可能で、SaaSの通知やUI音声に適した多様なトーンを提供します。各音声はLibriTTS-Rのライセンスに基づき、明確な用途に合わせた設計がなされています。

女性4声の特性

Ariaは暖かく明瞭なナレーター、Novaは明るく活気のあるトーン、Lunaは柔らかく物語的な表現、Sageは落ち着いた指示用音声です。用途に応じて最適なものを選択してください。

男性4声の特性

Felixはエネルギッシュなプロモーション向け、Miloは親しみやすい会話型、Atlasはニュートラルなニュース用、Orionは深みのあるドキュメンタリースタイルです。開発者のニーズに合わせた音声選定が可能です。

合成音声の透かし

生成される音声ファイルには、合成音声であることを示す不可聴の透かしが含まれます。これは外部の聴覚特徴とは異なる、データ层面的な識別子です。

技術仕様と制限事項

の音声波形イラスト: 技術仕様と制限事項

API経由で音声合成を行う際、1リクエストあたりの入力テキストは最大4096文字に制限されます。それを超える文章を音声化する場合は、クライアント側で適切に分割し、生成された音声ファイルを結合する処理が必要です。

4096文字の制限

単一リクエストで処理できるテキストの上限は4096文字です。これを超える長文を扱う場合、アプリケーション側で文字列を分割し、複数のリクエストを送信して生成された音声データを連結する必要があります。

  • 1リクエストあたり最大4096文字
  • 超えた場合は分割・結合が必要

レートリミット(60 req/min)

認証キーあたり毎分60リクエストの制限があります。新規アカウントやトップアップ前までは1分あたり10リクエストに制限されます。需要が高まるとリクエストがキューに並び、生成に時間がかかる場合があります。

大量のテキストを処理する際は、レートリミットを超過しないようバッチ処理のタイミングを調整してください。

フォーマット対応状況

出力フォーマットとしてmp3、wav、opus、flac、pcmが選択可能です。用途に応じて適切なフォーマットを選択し、APIリクエストに指定してください。

音声ファイルはレスポンスとして直接返され、サーバー側には保存されません。

技術仕様と制限事項

データの取り扱いとプライバシー

の音声波形イラスト: データの取り扱いとプライバシー

KoeFlowの音声合成APIでは、入力テキストは音声生成の目的以外に使用されません。学習用データとして蓄積・利用されることはありません。

生成された音声ファイルは、APIレスポンスとして返された後にサーバー上に保持されません。これにより、一時的な処理に留まります。

学習用データとしての使用なし

ユーザーが入力したテキストは、音声ファイルの生成プロセスにおいてのみ使用され、その後のモデル学習やデータ分析には利用されません。これにより、機密性の高いSaaS通知文も安心してAPIに送信できます。

  • テキストは音声生成専用で利用される
  • 学習データとして蓄積されない

生成音声の保存ルール

APIレスポンスで返された音声ファイルは、サーバー側では永続的に保存されません。クライアント側で受信・保存されたデータは、ユーザーの管理下にあります。

メタデータの保持期間

課金目的のため、リクエストの時刻、文字数、ステータスなどのメタデータが保持されます。これは請求検証のために必要不可欠な情報です。

  • 課金用メタデータのみ保持
  • 音声データ自体は保存されない

インディー開発者への推奨事項

の音声波形イラスト: インディー開発者への推奨事項

KoeFlowのAPIをSaaS通知やUIに統合するには、まずcriex.info/get-api-key/でGoogleまたはメール認証によるアカウント登録が必要です。ダッシュボード上でAPIキーが発行され、新しいキーを発行すると旧キーは即時失効します。

開発環境では、OpenAI互換のSDKまたは単純なHTTPクライアントを使用して接続します。キーはAuthorizationヘッダーにBearer形式で設定し、base_urlをhttps://api.criex.info/v1に指定することで、標準的なエンドポイントにアクセスできます。

APIキーの発行手順

アカウント作成後、ダッシュボード画面にAPIキーと残高が表示されます。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化されます。これにより、ログ流出時のリスクを最小限に抑えられます。

  • Googleアカウントまたはメール認証で登録可能
  • ダッシュボードでキーを即時発行・ローテーション可能
  • 旧キーは新発行と同時に即時失効

cURLとSDKの使用例

テストにはcURLが最も確実です。POST https://api.criex.info/v1/audio/speech に対して、model、input、voice、response_formatをJSONボディで送信します。OpenAI SDKを使用する場合は、base_urlをKoeFlowのAPIエンドポイントに変更するだけで動作します。

  • base_urlをapi.criex.info/v1に変更するだけでSDK利用可能
  • 標準的なJSONリクエスト形式を採用

デバッグとエラー処理

リクエストが失敗した場合は課金されません。ただし、レートリミット(60 req/min)を超えるとエラーが発生するため、キュー管理を実装してください。長文テキストは4096文字ごとに分割し、生成された音声ファイルを結合するロジックが必要です。

競合他社との比較ポイント

の音声波形イラスト: 競合他社との比較ポイント

当APIはOpenAIの音声生成エンドポイントと互換性を持ち、SDKのbase_url変更のみで統合可能です。ただし、独自のエンジンであり、他社との機能や品質が同一であることを意味しません。

比較対象とする際は、互換性のあるエンドポイント構造と、提供される8種類のプリセット音声、23言語のサポート範囲を基準に評価してください。

OpenAI APIとの互換性

エンドポイント構造はOpenAIのspeech APIと同一の形状です。開発者はOpenAI SDKをそのまま利用し、base_urlを当APIのドメインに変更するだけで動作します。認証キーの形式も類似しています。

これは互換性のあるインターフェースを提供していることを示すものであり、裏側のエンジンや音声の質がOpenAIと同じであることを意味するものではありません。

音声クローン機能の有無

カスタム音声クローン機能は提供していません。ユーザーが独自の音声データをアップロードして、自分自身の声をモデルとして作成したり、他者の声を模倣したりする機能は存在しません。

利用可能な音声は、LibriTTS-Rデータセットに基づいた8種類のプリセットに限定されます。特定の人物や有名人の声に類似する可能性はありますが、個別のクローニング機能はありません。

SSMLとカスタム発音

SSMLやカスタム発音辞書はサポートしていません。音声の制御は、音声の選択と速度パラメータのみです。

特定の単語の読み方を変更したり、意図的な停顿や強調をXMLタグで細かく指定したりすることはできません。テキストのテキストそのものだけが音声生成の対象となります。

TTS Monitorのレビュー基準

の音声波形イラスト: TTS Monitorのレビュー基準

TTS Monitorは、KoeFlow APIのレビューにおいて、事実と数値に厳格に拘束されます。過度な宣伝や主観的な優位性を排除し、開発者が判断できる具体的な仕様のみを抽出します。

この基準により、OpenAI互換エンドポイントの実装コストや、レートリミットなどの技術的制約を正確に把握できます。

事実ベースの比較

他社との比較は、公開された仕様に基づき、誤解を招く表現を避けます。

「最速」や「最高」などの形容詞を排し、文字単価やサポート言語数といった客観的事実のみを記載します。

  • OpenAI SDKとの互換性確認
  • 23言語の正確なリスト検証

数値による検証

課金単位(100万文字あたり$10)やレートリミット(60 req/min)など、数値で示される仕様を優先します。

生成速度の目安(1秒あたり約25文字)も、実際の開発計画に役立てるための基準として提示します。

  • 文字数カウントの正確性
  • 失敗リクエストの課金ゼロ確認

過度な宣伝の排除

「最高品質」のような主観的な評価は避け、ライセンス音声に基づく事実のみを伝えます。

存在しない機能(ストリーミング、SSML)についても、明確に「非対応」として記載し、期待値を調整します。

  • 過剰な主張の排除
  • 非機能の明確化

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。 テキストは音声生成の処理中にのみ使用され、永続的なデータベースに格納されて学習データとして再利用されることはありません。

音声のアバター aria
aria女性
音声のアバター nova
nova女性
音声のアバター luna
luna女性
音声のアバター sage
sage女性
音声のアバター felix
felix男性
音声のアバター milo
milo男性
音声のアバター atlas
atlas男性
音声のアバター orion
orion男性

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

  1. Wikipedia
  2. curl documentation
  3. Node.js documentation
  4. IETF RFC 7845: Ogg Opus
  5. openai-python on GitHub
  6. Tether (USDT)
  7. ISO 639 language codes
  8. TRON developer hub: TRC-20
  9. Python documentation
  10. W3C WAI: making audio and video accessible
  11. LibriVox public-domain audiobooks
  12. FFmpeg documentation

このサイトに関するその他の情報