API ドキュメント

シンプルなREST APIで、Speech to Speech AIをあなたのアプリケーションに統合できます。

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