クイックスタート
5分以内にSpeech to Speech AI APIを使い始める。
ベース URL
https://api.speechtospeechai.com/v1
1. ジョブを開始
どのツールもAPIキーを付けた POST リクエストです。レスポンスは音声ではなくジョブIDです。
cURL
curl -X POST https://api.speechtospeechai.com/v1/tts/ \
-H "Authorization: Bearer YOUR_API_KEY" \
-F "text=Hello! Welcome to Speech to Speech AI." \
-F "model=kokoro" \
-F "voice_id=af_heart" \
-F "format=mp3"
{"uuid": "3f2c...", "job_id": "...", "status": "queued"}
2. 結果をポーリング
status が completed になるまで数秒ごとにジョブを確認し、result_url をダウンロードします。
cURL
curl "https://api.speechtospeechai.com/v1/speech/results/?uuid=3f2c..." \
-H "Authorization: Bearer YOUR_API_KEY"
{"status": "completed", "result_url": "https://.../output.mp3"}
認証
すべてのAPI要求は、APIキーを使用して認証を必要とします。 Authorization ヘッダー
ヘッダ
Authorization: Bearer YOUR_API_KEY
あなたのアカウントから API キーを取得します。 会計データの表示.
音声クローン
POST
/v1/voice-clone/
短い参照録音の声でテキストを読み上げます。
リクエストボディ (マルチパート/フォームデータ)
| パラメータ | タイプ | 必要 | 説明 |
|---|---|---|---|
reference_audio |
file | はい | クローンする声の録音 (推奨10-30秒、最大60秒) |
text |
string | はい | その声で読み上げるテキスト |
model |
string | いや | chatterbox、openvoice、tortoise、gpt-sovits |
language |
string | いや | 言語コード (デフォルト: en) |
応答
ジョブID (uuid)。status が completed になるまで GET /v1/speech/results/?uuid= をポーリングし、result_url をダウンロードします。
テキストから音声を生成
POST
/v1/tts/
テキストを音声に変換します。
リクエストボディ (マルチパート/フォームデータ)
| パラメータ | タイプ | 必要 | 説明 |
|---|---|---|---|
text |
string | はい | 変換するテキスト (最大5000文字) |
model |
string | いや | kokoro (デフォルト)、piper、vits、bark |
voice_id |
string | いや | GET /v1/speech/voices/?model= で取得した音声ID |
language |
string | いや | 言語コード (デフォルト: en) |
speed |
float | いや | スピード倍率 (0.5-2.0, 標準値 1.0) |
format |
string | いや | wav (デフォルト)、mp3、ogg、flac。SSML タグは合成前に削除されます。 |
応答
ジョブID (uuid)。status が completed になるまで GET /v1/speech/results/?uuid= をポーリングし、result_url をダウンロードします。
音声変換
POST
/v1/transcribe/
タイムスタンプ付きのオーディオをテキストに転写します。
リクエストボディ (マルチパート/フォームデータ)
| パラメータ | タイプ | 必要 | 説明 |
|---|---|---|---|
file |
file | はい | 転写するオーディオ/ビデオファイル |
model |
string | いや | large-v3 (デフォルト) または turbo |
language |
string | いや | 言語コード、または自動検出する場合は auto (デフォルト) |
enable_word_timestamps |
bool | いや | 各単語に開始時刻と終了時刻を付ける |
callback_url |
string | いや | ジョブ完了時に結果を POST で受け取るURL |
応答
ジョブID (uuid)。status が completed になるまで GET /v1/transcribe/results/?uuid= をポーリングします。完了するとレスポンスに text、language、segments が含まれます。
利用可能なモデル
テキスト読み上げモデル
| モデルID | 説明 | こんな用途に最適 |
|---|---|---|
kokoro |
高速多言語TTS | 一般用途、低遅延 |
piper |
軽量多言語TTS (商用ライセンス音声のみ) | 11言語での高速レンダリング |
vits |
LJSpeech と 108 人の VCTK 英語話者 | 英語アクセント |
bark |
生成的TTS、13言語で130プレセット | 多彩な表現力(ゆっくり) |
openvoice |
音声クローンとオプションの音声変換 | Chatterbox の代替 |
chatterbox |
23言語に対応したゼロショット音声クローン。デフォルトの音声変換モデル | 短サンプルからのクローン化 |
音声認識モデル
| モデルID | 説明 | こんな用途に最適 |
|---|---|---|
whisper-large-v3 |
OpenAI Whisper Large v3 | 最高精度、多言語 |
whisper-turbo |
スピードに最適化された Whisper | 高速転写 |
エラーコード
| コード | ステータス | 説明 |
|---|---|---|
invalid_api_key |
401 | API キーが無効または欠落しています |
insufficient_credits |
402 | この操作に十分なクレジットがありません |
rate_limit_exceeded |
429 | 要求が多すぎます |
invalid_request |
400 | 要求ボディの不整形 |
model_not_found |
404 | 要求されたモデルは存在しません |
voice_not_found |
404 | 要求された音声は存在しません |
file_too_large |
413 | アップロードされたファイルのサイズが制限を超えています |
server_error |
500 | 内部サーバエラー |