TTS APIはOpenAI互換か?カスタム音声クローンは?

作成者 TTS Monitor編集部 · 更新日 2026-11-19

このページでは、KoeFlowのTTS APIがOpenAI互換の仕様をどのように採用し、カスタム音声クローンやストリーミングといった一般的な機能の提供状況について、具体的な仕様と数値を交えて解説します。SaaS通知やUI音声合成のAPI統合を計画しているインディー開発者向けに、エンドポイントの互換性からライセンス要件まで、実装に不可欠な事実のみを整理しています。

プリセット音声8種類、23言語のサポート範囲、そしてデータ使用のルールなど、API利用前に必ず確認すべき詳細を整理しています。OpenAI SDKの変更だけで利用可能な点から、音声の透かしやサポート体制に至るまで、あなたのプロジェクトに適合するかどうかを判断するためのリファレンスとしてご利用ください。

TTS APIはOpenAI互換か?カスタム音声クローンは?

よくある質問

OpenAI互換APIとは何ですか?

エンドポイントはPOST https://api.criex.info/v1/audio/speechで、JSONボディの形状はOpenAIのspeechエンドポイントと同じです。base_urlを変更し、APIキーを指定するだけで公式OpenAI SDKがそのまま利用可能です。

カスタム音声クローンは提供されていますか?

いいえ、提供されていません。顧客向けのカスタム音声クローンはなく、独自の音声をアップロードしたり、感情タグを付けたりすることもできません。8つのプリセットボイスから選択します。

SSMLはサポートされていますか?

サポートしていません。SSMLやフォネム辞書、カスタム発音辞書は利用できません。テキストをそのまま送信し、速度やボイスで制御します。

ストリーミングは可能ですか?

ストリーミング、WebSocket、リアルタイムの部分的なオーディオは提供されていません。テキストを送信すると、生成されたオーディオファイルがレスポンスとして返されます。

音声に透かしは入りますか?

はい、生成されるすべてのファイルには、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。

どの言語がサポートされていますか?

23言語(英語、日本語、中国語、韓国語、ドイツ語、フランス語、スペイン語など)をサポートしています。言語を指定しない場合、ラテン文字は英語として処理されます。

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。生成されたオーディオはレスポンスで返され、保存されません。請求用のメタデータのみ保持されます。

モバイルSDKはありますか?

いいえ、公式のモバイルSDKは提供されていません。OpenAI SDKまたはプレーンHTTPを使用してください。独自SDK、ブラウザ拡張機能、WordPressプラグインもありません。

WordPressプラグインは提供されていますか?

提供されていません。独自SDKやモバイルSDK、ブラウザ拡張機能、WordPressプラグインは存在しません。APIを直接呼び出す必要があります。

音声のライセンスはどのようなものですか?

ボイスはLibriTTS-R(CC BY 4.0)およびLibriVoxのパブリックドメイン朗読に基づいています。これはライセンスされた録音に基づくプリセットです。

感情タグは使用できますか?

使用できません。感情タグやカスタム発音辞書はサポートされていません。8つのボイスプリセットから選択するか、速度パラメータで調整します。

非対応言語は何がありますか?

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、およびリスト外のすべての言語は非対応です。

サポートは電話ですか?

いいえ、電話番号やライブチャットはありません。サポートはメールのみです。SLAやアップタイム保証、エンタープライズ契約も提供されていません。

SLAは提供されていますか?

提供されていません。SLA、アップタイム保証、エンタープライズ契約、オンプレミスインストール、データセンターの選択、SOC 2やHIPAAなどの認証はありません。

OpenAI互換APIの仕組み

の音声波形イラスト: OpenAI互換APIの仕組み

KoeFlowのTTS APIは、OpenAIのspeechエンドポイントと互換性のあるリクエスト形状を採用しています。基盤となるモデルは同じエンジンを使用しており、クライアント側でbase_urlをapi.criex.info/v1に変更するだけで、既存のOpenAI互換SDKをそのまま利用できます。これにより、SDKの変更コストを最小限に抑えられます。

認証にはBearerトークンを使用し、APIキーの管理は各アカウントで1つのアクティブキーに制限されています。リクエストはJSON形式で送信し、モデル、音声、速度などのパラメータを指定することで、必要な音声ファイルを生成します。

エンドポイントの互換性

KoeFlowのTTS APIは、OpenAIのspeechエンドポイントと互換性のあるリクエスト形状を採用しています。基盤となるモデルは同じエンジンを使用しており、クライアント側でbase_urlをapi.criex.info/v1に変更するだけで、既存のOpenAI互換SDKをそのまま利用できます。これにより、SDKの変更コストを最小限に抑えられます。

  • エンドポイント: POST https://api.criex.info/v1/audio/speech
  • リクエスト形状: OpenAIのspeechエンドポイントと同一
  • 認証: Authorization: Bearer tts-...

base_urlの変更のみで利用可能

互換性を利用するには、base_urlをapi.criex.info/v1に変更するだけです。これにより、既存のOpenAI互換SDKをそのまま利用できます。これにより、SDKの変更コストを最小限に抑えられます。

公式SDKとの連携

認証にはBearerトークンを使用し、APIキーの管理は各アカウントで1つのアクティブキーに制限されています。リクエストはJSON形式で送信し、モデル、音声、速度などのパラメータを指定することで、必要な音声ファイルを生成します。

カスタム音声クローンの有無

の音声波形イラスト: カスタム音声クローンの有無

KoeFlowのTTS APIはカスタム音声クローンを提供していません。音声の生成には、LibriTTS-RおよびLibriVoxの録音データに基づく8つのプリセット音声のみが利用可能です。独自に録音した音声をアップロードしてカスタム音声を作成する機能も、既存のプリセットから音声デザインを行う機能も実装されていません。

この仕様により、APIの統合は常に一定の音声品質とトーンを保証します。特定のキャラクターやブランド固有の音声が必要ないインディー開発者や、SaaS通知などの標準的な用途には、このプリセット音声のラインナップで十分に対応可能です。

8つのプリセット音声のみ

KoeFlowでは、aria、nova、luna、sage、felix、milo、atlas、orionの8つの音声プリセットから選択します。これらはすべて、LibriTTS-R(CC BY 4.0)およびLibriVoxの録音データを基にしており、商用利用も許諾範囲内です。

これらの音声は、SaaSの通知やUIの音声合成に使用できます。特定の個人の声や有名人の声の模倣は行われていません。

  • aria: 暖かくクリアなナレーター
  • nova: 明るく元気なトーン
  • luna: 柔らかく物語的な語り
  • sage: 落ち着きのある指示音声
  • felix: エネルギーあふれるプロモーション
  • milo: フレンドリーな会話調
  • atlas: ニュース的な中立な声
  • orion: 深みのあるドキュメンタリー調

独自の音声アップロード不可

ユーザーが独自の音声データをアップロードして、その音声をAPIで生成する音声として使用することはできません。カスタム音声クローンは提供されていないため、ユーザー固有の声や、特定のブランドのためのカスタマイズされた音声は作成できません。

音声のアップロードやトレーニングは提供されていないため、シンプルでコスト効率の高いAPI運用を実現しています。

音声デザイン機能の有無

既存のプリセット音声を微調整して、新しいトーンや音色の音声を作成する音声デザイン機能も実装されていません。また、感情タグや特定の発音の強調などのカスタマイズもできません。

音声のトーンや感情を細かく制御したい場合は、プリセット音声の中から最も近いものを選択するか、テキストの構成で調整する必要があります。

SSMLとカスタム発音

の音声波形イラスト: SSMLとカスタム発音

当APIは標準的なOpenAI互換エンドポイントを採用していますが、SSML(Speech Synthesis Markup Language)タグはサポートしていません。複雑な音声強調や読み上げ速度の細かな制御が必要な場合、APIリクエストのspeedパラメータやテキストの分割で対応する必要があります。

フォネム辞書やカスタム発音辞書も未実装です。特定の固有名詞や略語の発音を独自に定義することはできません。生成される音声は、指定された8つのプリセット音声のモデルに依存するため、発音の微調整はできません。

SSMLタグの非サポート

SSMLによる<emphasis>や<prosody>タグの付与はできません。音声の感情やリズムを細かく制御したい場合は、テキストそのものやspeedパラメータで調整する必要があります。

フォネム辞書の欠如

内部のフォネム辞書への直接アクセスは提供されていません。音声の生成アルゴリズムはブラックボックスであり、個々の音素レベルでの制御は不可能です。

カスタム発音辞書の未実装

独自の発音ルールやカスタム辞書をアップロードできません。一般的なテキストの読み上げには問題ありませんが、特殊な固有名詞や造語の正しい読み上げを保証する仕組みはありません。

ストリーミングとリアルタイム処理

の音声波形イラスト: ストリーミングとリアルタイム処理

当TTS APIは、ストリーミングやリアルタイム処理には対応していません。WebSocket接続を用いた部分的な音声データの逐次配信はなく、すべての音声は生成完了後にバッチ処理として一括で返却されます。これは、OpenAI互換の仕様に基づく設計であり、リアルタイム性を求めるユースケースには適していません。

WebSocket非対応

APIエンドポイントではWebSocket接続がサポートされていないため、音声データのストリーミング配信は不可能です。接続確立後のデータ転送は標準的なHTTPレスポンスに依存し、接続の維持やリアルタイムなデータフローの制御は行われません。

部分的な音声の返却なし

生成途中の音声データや、部分的な音声チャンクを逐次返却する機能はありません。音声ファイルの生成が完全に完了するまで待機し、最終的な音声ファイル全体をレスポンスとして受け取ります。これにより、ネットワークの不安定な環境でも破損しない音声ファイルが得られます。

バッチ処理による生成

すべての音声生成はバッチ処理として実行されます。リクエストがキューに積まれ、処理が完了次第、音声ファイルが返却されます。短めのフレーズでも数秒、長いテキストでは生成に時間を要する場合がありますが、音声ファイルの完全性を保証します。

  • リクエストはキュー方式で処理される
  • 生成完了後の一括レスポンスとなる

音声の品質と透かし

の音声波形イラスト: 音声の品質と透かし

生成された音声ファイルには、人間に知覚できない合成音声の透かしが埋め込まれています。これは、音声の生成元が人工知能によるものであることを示す技術的証拠であり、音声の真正性を検証するための重要な要素です。

これにより、商用利用時の法的リスクを最小限に抑え、透明性の高い利用環境を実現します。

合成音声の透かし

すべての生成音声ファイルには、聴覚では認識できないデジタル透かしが自動的に付加されます。これにより、音声の合成元がTTSエンジンであることを明確に区別できます。

透かしは音声の波形に埋め込まれており、編集やフォーマット変換でも消去されにくい設計となっています。監査やコンプライアンス対応において、音声の真正性を証明する手段として機能します。

  • 不可聴覚周波数帯域に埋め込み済み
  • 編集や変換にも耐性あり
  • コンプライアンス対応に有効

ライセンストレーシング

音声ファイルには、使用許可の履歴やライセンス情報がメタデータとして保持されます。これにより、音声の流通経や使用許諾の範囲を明確に追跡できます。

特にバッチ処理で大量の音声を生成・配布する場合に、効率的な管理が可能です。

シンプルな実装で、信頼性の高いライセンス管理を実現します。

音声の録音元

音声の元データは、LibriTTS-R(CC BY 4.0ライセンス)およびLibriVoxの公衆利用音声から取得されています。これらの録音元は、著作権のクリアされた公開素材です。

録音元は多様な話者から収集されており、自然な発音やイントネーションを再現しています。商用利用も可能なライセンスに基づき、音声の再利用や改変が可能です。

録音元はLibriVoxの朗読オーディオブックを基にしています。

  • LibriTTS-R(CC BY 4.0)
  • LibriVoxの公衆利用音声
  • 商用利用が許諾済み

言語サポートの範囲

の音声波形イラスト: 言語サポートの範囲

KoeFlowのAPIは23言語の音声合成に対応しています。英語、日本語、中国語、スペイン語、フランス語、ドイツ語、韓国語、イタリア語、ポルトガル語、ロシア語、アラビア語、ヒンディー語、オランダ語、スウェーデン語、ノルウェー語、ポーランド語、フィンランド語、デンマーク語、ギリシャ語、ヘブライ語、マレー語、スワヒリ語、トルコ語を指定可能です。

すべての音声プリセットは、指定された言語で話せます。languageパラメータを省略した場合、ラテン文字は英語として、それ以外は文字スクリプトから言語を推測します。ただし、英語のラテン文字テキストでも意図しない言語で生成される可能性があるため、明示的な指定が推奨されます。

23言語のリスト

対応言語は英語、日本語、中国語、スペイン語、フランス語、ドイツ語、韓国語、イタリア語、ポルトガル語、ロシア語、アラビア語、ヒンディー語、オランダ語、スウェーデン語、ノルウェー語、ポーランド語、フィンランド語、デンマーク語、ギリシャ語、ヘブライ語、マレー語、スワヒリ語、トルコ語の23言語です。

  • 英語、日本語、中国語、韓国語
  • スペイン語、フランス語、ドイツ語、イタリア語
  • ポルトガル語、ロシア語、アラビア語、ヒンディー語
  • オランダ語、スウェーデン語、ノルウェー語、ポーランド語
  • フィンランド語、デンマーク語、ギリシャ語、ヘブライ語
  • マレー語、スワヒリ語、トルコ語

非対応言語の確認

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、ベンガル語は未サポートです。これらの言語を指定すると、エラーまたは意図しない音声出力が発生する可能性があります。

  • 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

言語自動検出の限界

languageパラメータを指定しない場合、APIは入力テキストのスクリプトから言語を推測します。ラテン文字のテキストはデフォルトで英語として処理されるため、他のラテン文字言語(例:ドイツ語、オランダ語)を使用する場合は明示的な言語指定が必要です。

データ使用とトレーニング

の音声波形イラスト: データ使用とトレーニング

当TTS APIは、送信されたテキストを音声に変換する専用リソースとして機能します。入力テキストは音声合成プロセスのみに使用され、モデルの学習や改善のために再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レスポンスとして返却され、サーバー側には保存されません。請求と課金の目的で、リクエストのメタデータ(時間、文字数、ステータス)のみが記録されます。

入力テキストの保存ルール

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。

トレーニングデータとしての使用なし

お客様の入力データはモデルの改善やトレーニングに使用されないため、プライバシー懸念が最小限に抑えられます。

生成音声の保存状況

生成された音声ファイルはサーバーに保存されません。ただし、課金の正確性を確保するため、リクエストのメタデータ(時刻、文字数、ステータス)は請求のために保持されます。

データ使用とトレーニング

サポートとインフラ

の音声波形イラスト: サポートとインフラ

KoeFlowのサポートはメールのみです。電話番号やライブチャット、電話対応は提供していません。技術的な質問や課金に関する不明点も、すべてメールで受け付けます。

インフラ面では、SLA(サービスレベル合意)やアップタイム保証、データセンターの選択権もありません。SOC 2やHIPAAなどの認定も未取得です。

メールサポートのみ

電話やライブチャットは提供していません。すべての問い合わせはメールで行います。

  • 電話番号なし
  • ライブチャットなし

SLAとアップタイム保証

SLAやアップタイム保証はありません。認定も未取得です。

データセンターの選択肢

データセンターの選択権はありません。

モバイルSDKとプラグイン

の音声波形イラスト: モバイルSDKとプラグイン

当APIは公式のモバイルSDKやWordPressプラグイン、ブラウザ拡張機能を提供していません。ネイティブアプリやCMSでの実装には、OpenAI互換のHTTPクライアントまたは標準的なHTTPライブラリを使用してください。

iOSやAndroidのネイティブ開発では、REST APIを直接呼び出すか、既存のHTTPライブラリを介してアクセスしてください。WordPressやブラウザ拡張機能への直接統合機能は現時点で提供されていません。

公式モバイルSDKの欠如

独自のモバイルSDKは提供していません。公式のOpenAI SDKを使用し、base_urlを https://api.criex.info/v1 に変更するだけで統合可能です。

ネイティブアプリ開発では、各プラットフォームの標準的なHTTPライブラリを用いてREST APIを呼び出す必要があります。

  • OpenAI SDKのbase_url変更で利用可能
  • 標準HTTPライブラリでの直接アクセス対応

WordPressプラグインの有無

WordPress用プラグインは提供していません。

任意のプラグイン開発は可能ですが、当サイトから直接提供される機能ではありません。

ブラウザ拡張機能の提供

ブラウザ拡張機能も提供していません。

JavaScriptのfetch APIなどでAPIエンドポイントにアクセスすることで、Webアプリケーションや拡張機能に統合可能です。

音声の著作権とライセンス

の音声波形イラスト: 音声の著作権とライセンス

KoeFlowの音声は、LibriVoxの公衆利用オーディオブックからライセンスされた録音データを基にしています。各音声プリセットはLibriTTS-R(CC BY 4.0)ライセンスの下で提供されるデータを基盤としており、合成エンジン自体が独自に構築されたものではありません。

LibriTTS-Rのライセンス

LibriTTS-RはCC BY 4.0ライセンスの下で公開されています。これは、元の録音者やLibriVoxコミュニティへの帰属表示を条件に、商用利用を含む改変や再配布を許可するライセンスです。

LibriVoxの公衆利用

LibriVoxはボランティアによる朗読オーディオブックのプロジェクトです。ここで録音された音声は原則的にパブリックドメインまたはクリエイティブ・コモンズで公開されており、私たちが音声合成の基盤データとして自由に使用できる法的根拠を持っています。

商用利用の許諾範囲

生成された音声ファイル自体は合成物ですが、基盤データのライセンス準拠が必要です。API利用規約に従い、適切な帰属表示を行う限り、商用利用は許可されています。ただし、元の朗読者個人の人格権が侵害されない範囲での利用が前提です。

音声の多様性と制限

の音声波形イラスト: 音声の多様性と制限

男女8種のプリセット音声から選択可能ですが、感情タグは非対応です。各音声は明確なトーンで設計されており、ユーザーが独自に感情表現を付与する機能はありません。

音声のトーン調整は、速度パラメータ(0.25–4.0)のみです。 pitch(ピッチ)や volume(音量)の個別指定はできず、生成後の音声ファイルに対して後処理を行う必要があります。

男女の声のバリエーション

合計8つの音声プリセットが提供されます。女性向けには「aria」「nova」「luna」「sage」の4種類、「男性」向けには「felix」「milo」「atlas」「orion」の4種類があります。これらは特定の用途(ナレーション、ニュース、会話など)に合わせて最適化されています。

例えば、SaaS通知には「felix」のエネルギッシュなトーンが適しており、カスタマーサポートの案内には「milo」の口調が適しています。ただし、同じ言語でも音声によって印象が異なるため、開発時には実際の生成テストが不可欠です。

  • 女性: aria, nova, luna, sage
  • 男性: felix, milo, atlas, orion

感情タグの非サポート

SSMLやカスタム発音辞書と同様に、音声生成エンジンには感情タグ(例: 喜び、怒り、悲しみ)が含まれていません。テキスト内に「!」や「?」が入っていても、音声のトーンは標準的な読み上げスタイルを維持します。

このため、特定の感情を表現したい場合は、速度を調整するか、生成された音声ファイルの波形編集ソフトウェアを使用して、後処理で変化をつける必要があります。

音声のトーンの調整

トーン調整の唯一の手段は speed パラメータです。0.25倍速から4倍速まで設定可能で、これにより音声の高低やリズムが変化します。ただし、ピッチ(声の高さ)そのものを制御する機能はありません。

速度を変更すると、音声のニュアンスも変わります。最適なトーンを得るには、各速度でのサンプル生成が推奨されます。

競合他社との違い

の音声波形イラスト: 競合他社との違い

KoeFlowのTTS APIはOpenAIと完全な互換性を持ち、base_urlの変更だけでSDK連携が可能です。ただし、それはプロトコルの一致のみを示し、モデルや音声の同一性を意味するものではありません。

ElevenLabsとは異なり、カスタム音声クローンや感情タグ、SSMLは提供されません。その代わり、明確な価格体系とTRC-20による即時課金、そして8種類のプリセット音声に特化した設計が特徴です。

OpenAIとの互換性

エンドポイント構造とJSONボディの形状はOpenAIのspeechエンドポイントと同一です。公式SDKのbase_urlをhttps://api.criex.info/v1に変更するだけで、既存のワークフローを維持したまま統合できます。

ただし、内部的にはLibriTTS-RとLibriVoxのデータに基づく独自エンジンを使用しています。OpenAIの音声と音色や品質が同じである保証はありません。

  • エンドポイント互換: POST /v1/audio/speech
  • base_url変更のみでSDK利用可能
  • 内部エンジンはOpenAIとは無関係

ElevenLabsとの違い

ElevenLabsがカスタムクローニングや感情制御を強化するのに対し、KoeFlowはシンプルさを重視します。カスタム音声のアップロードや個別の声デザインは行いません。

代わりに、8つのプリセット音声(aria, nova, lunaなど)の品質を最適化し、透明なレート(100万文字あたり$10)と即時課金システムを提供します。

音声生成には不可視の透かしが埋め込まれ、合成音声であることが明確に区別されます。

  • カスタムクローニング: なし
  • プリセット音声: 8種類
  • 透かし: 不可視透かし埋め込み

独自の価値提案

独立したインディー開発者向けに、複雑なサブスクリプションやSLA、認定証明書を持たないシンプルな課金モデルを提供します。

USDT(TRC-20)による即時の残高追加と、失敗リクエストの無料返金により、コストの予測可能性を重視しています。

OpenAI互換の利便性と、独自エンジンによる明確なライセンス(LibriTTS-R / LibriVox)を両立させた、実用的なAPIです。

  • USDT(TRC-20)即時課金
  • 失敗リクエストは無料
  • 明確なライセンス表記

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. openai-python on GitHub
  4. IETF RFC 7845: Ogg Opus
  5. Python documentation
  6. Tether (USDT)
  7. openai-node on GitHub
  8. LibriVox public-domain audiobooks
  9. W3C WAI: making audio and video accessible
  10. FFmpeg documentation
  11. Node.js documentation
  12. LibriTTS-R corpus (OpenSLR 141)

このサイトに関するその他の情報