よくある質問
読み上げ機能無料の_trialはありますか?
Googleサインインで登録すると、7日間有効な0.50ドルの無料クレジットが得られます(約5万文字分)。ただし、メールアドレス登録ではこの特典は付与されません。アカウント作成方法によって初期特典が異なりますのでご注意ください。
VTuberとして商用利用は可能ですか?
はい、可能です。当APIはVTuberや配信者向けに設計されており、ライブ配信や動画制作の音源調達に最適です。生成された音声は合成音声として識別可能ですが、著作権クリアなVoicesを使用しており、商用利用を妨げる制限はありません。
LibriVoxの音声は著作権フリーですか?
音声はLibriTTS-R(CC BY 4.0)およびLibriVoxの公共領域のオーディオブック読みから派生しています。これらはライセンスに基づいて使用可能ですが、特定のライセンス要件に従う必要があります。音声ファイル自体には合成音声を示す不可視のウォーターマークが埋め込まれています。
音声にウォーターマークは入りますか?
はい、生成されるすべての音声ファイルには、合成音声であることを示す不可視のウォーターマークが埋め込まれています。これにより、音声の人工的な性質が識別可能になります。このウォーターマークは音声の品質や再生には影響を与えません。
どの言語に対応していますか?
23言語に対応しています:アラビア語、中国語、デンマーク語、オランダ語、英語、フィンランド語、フランス語、ドイツ語、ギリシャ語、ヘブライ語、ヒンディー語、イタリア語、日本語、韓国語、マレー語、ノルウェー語、ポーランド語、ポルトガル語、ロシア語、スペイン語、スワヒリ語、スウェーデン語、トルコ語です。
音声のクローニングはできますか?
カスタム音声クローニングは提供していません。既存の8つのプリセットボイスから選択するか、既存の録音データに基づいた音声を使用します。独自の声をアップロードしてクローニングする機能や、カスタムボイスデザイン機能は現在ありません。
ストリーミング出力はありますか?
ストリーミングやWebSocket、リアルタイムの部分的な音声出力は提供していません。テキストを送信すると、音声ファイルが返される形式です。長文の場合は4096文字ごとに分割して処理し、音声ファイルを結合します。リアルタイム性は保証されません。
SSMLタグはサポートしていますか?
SSMLタグはサポートしていません。また、音素辞書やカスタム発音辞書も提供していません。音声の制御は、モデル、入力テキスト、音声、速度、言語などのパラメータに限定されます。詳細な発音制御が必要な場合は、テキスト側で調整してください。
カスタム発音辞書はありますか?
カスタム発音辞書は提供していません。音声の発音は、選択したボイスと言語に基づいて自動的に処理されます。特定の単語の発音を調整したい場合は、テキスト側で表記を工夫するか、音声ファイルの生成後に編集してください。
音声の生成速度はどのくらいですか?
長文では実時間程度の速度(1秒あたり約25文字)で生成されます。短文の場合は数秒かかります。リクエストは順次処理されるため、負荷が高い場合はキューで待機する可能性があります。MP3、WAV、OPUS、FLAC、PCMの形式で出力されます。
エラー発生時の課金はどうなりますか?
合成に失敗したリクエストは無料です。課金は完全に返金されます。入力テキストは音声生成にのみ使用され、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。課金データは請求のために保持されます。
チャージは即時反映されますか?
チャージはTRONネットワーク(TRC-20)のUSDTでのみ行えます。最小チャージ額は5ドルです。送金後、数分で自動的に残高に反映されます。カードやPayPal、サブスクリプションは使用できません。残高の有効期限はありません。
サポートはメールのみですか?
はい、サポートはメールのみです。電話番号やライブチャットは提供していません。SLAや稼働率保証、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、認証(SOC 2、HIPAA、GDPR証明書)も提供していません。
他のTTS APIとの違いは何ですか?
当APIはVTuberや配信者向けに設計され、著作権クリアなVoicesを提供します。OpenAI SDK互換のシンプルなAPIで、ストリーミングやSSMLは不要です。USDTでのチャージと、透明性のある課金(100万文字あたり10ドル)が特徴です。
最初のリクエスト
curl
curl https://api.rbaje.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配信に最適な読み上げ機能
VTuberや配信者のワークフローに最適化された、透明性のある読み上げ機能を提供します。LibriVox由来の著作権クリアなVoicesを採用し、ライブ配信や動画制作における音源調達の効率化を実現します。
8種類のプリセットボイスと23言語のサポートにより、多様なコンテンツ制作に対応します。日本語、韓国語、フランス語、ドイツ語、スペイン語などに対応しており、声質の選定は自由です。
LibriVox由来の著作権クリアな音声
各ボイスはLibriTTS-R(CC BY 4.0)およびLibriVoxの公開録音データに基づいています。これにより、配信や動画制作において音声素材のライセンス問題を最小限に抑え、安心して商用利用や公開配信を行うことができます。
8種類のプリセットボイス
用途に合わせた8種類のボイスプリセットを用意しています。暖かみのあるナレーター「aria」、明るく元気な「nova」、柔らかいストーリーテリングの「luna」、落ち着いた指導用の「sage」など女性ボイス4種、そしてエネルギッシュな「felix」、親しみやすい「milo」、ニュートラルな「atlas」、深みのある「orion」の男性ボイス4種を備えています。
これらのボイスは、ゲーム実況のナレーションやYouTube動画の解説、ライブ配信の自動化など、多様なシチュエーションで自然な聴き心地を提供します。
マルチ言語対応の読み上げ
23言語をサポートしています。日本語、韓国語、フランス語、ドイツ語、スペイン語など、主要な言語に加え、アラビア語、中国語、ヒンディー語、ロシア語、スワヒリ語など多様な言語に対応します。
任意のボイスで任意の言語を話すことができます。言語を指定しない場合は文字種から推測されますが、ラテン文字の非英語テキストでは言語指定を推奨します。
APIの仕組みと特徴
POSTエンドポイントにJSONボディを投げるだけで音声ファイルが得られます。OpenAI互換の仕様に準拠しているため、既存のSDKやHTTPクライアントでそのまま利用可能です。
mp3、wav、opus、flac、pcmからフォーマットを選択でき、速度は0.25~4.0倍で調整可能です。言語を指定しない場合はスクリプトから自動判定されます。
OpenAI互換のシンプルなエンドポイント
エンドポイントはPOST https://api.rbaje.info/v1/audio/speechです。モデルはtts-1またはtts-1-hdを選択でき、同じエンジンで価格も同一です。認証はBearerトークンで行います。
リクエストボディにはinput(最大4096文字)、voice、response_format、speedを指定します。これらはOpenAI Speechエンドポイントと同じ形状です。
mp3やwavなど多様なフォーマット対応
response_formatパラメータで、mp3、wav、opus、flac、pcmの5形式から出力形式を選べます。配信環境や編集用途に合わせて適切な形式を選択してください。
音声ファイルはレスポンスとして直接返され、サーバーには保存されません。必要に応じてローカルに保存するか、配信パイプラインに組み込んでください。
生成速度
長文ではほぼリアルタイム(1秒あたり約25文字相当)で生成されます。短くても数秒程度で完了し、キュー待ちがあればそれに加算されます。
4096文字を超える場合はクライアント側で分割し、生成された音声ファイルを結合することで対応します。
VTuber向け活用法
VTuberや配信者にとって、長時間の配信や動画制作では声の負担が大きいものです。KoeGamin APIを使えば、テキストを送るだけで著作権クリアな読み上げ音声を得られ、配信の準備時間を大幅に節約できます。
ゲーム実況の解説やYouTube動画のナレーション、ライブ配信の自動化など、多様なワークフローに対応。8種類のボイスから選べるため、キャラクターやコンテンツの雰囲気に合わせた音源調達が可能です。
ゲーム実況のナレーション
ゲーム実況では、マップ説明やイベント解説を読み上げる必要があります。APIにテキストを送るだけで、ariaやsageなどのナレーター風ボイスで音声ファイルを生成できます。
4,096文字までのテキストに対応しており、長いスクリプトも分割して処理すれば、リアルタイムに近い速度で音声を作成可能です。配信の合間に手軽に音源を調達できます。
YouTube動画の字幕音声
YouTube動画のナレーションとして利用することも可能です。mp3やwavなどのフォーマットで音声ファイルが得られるため、動画編集ソフトにそのまま読み込めます。
生成された音声には合成音声を示す透かしが含まれますが、著作権クリアなLibriVox由来の音声データを使用しているため、商用利用でも安心して利用できます。
入力テキストは学習に使用されず、生成音声もサーバーに保存されないため、コンテンツの独自性を保ったまま音源調達が行えます。
- mp3, wav, opus, flac, pcmのフォーマット対応
- 4,096文字ごとの分割処理で長文も対応可能
- 著作権クリアなLibriVox由来の音声データ
ライブ配信の自動化
ライブ配信では、視聴者からのメッセージやコメントを読み上げることがあります。APIを連携させることで、テキストを音声に変換する処理を自動化できます。
60リクエスト/分のレートリミットがあり、短時間での大量処理には注意が必要です。ただし、最初のチャージ後には制限が緩和されます。
USDTでのチャージはTRONネットワーク経由で自動処理されるため、配信の合間でも素早く残高を追加できます。
- 60リクエスト/分のレートリミット
- USDT(TRC-20)での自動チャージ
- API連携による音声変換の自動化
音声と言語のラインナップ
VTuberや配信者のコンテンツ制作に最適化された、8種類のプリセットボイスと23言語のサポートを提供します。LibriVox由来の著作権クリアな音声データを使用しており、ライブ配信や動画制作での音源調達をスムーズに行えます。
各ボイスは性格や用途に合わせて設計されており、テキストの言語に自動対応するか、ISOコードを指定して明示的に言語を制御できます。
女性ボイス:aria, nova, luna, sage
女性ボイスは、ナレーションやストーリーテリングに適したバリエーションを提供します。ariaは明るくクリアな語り口で、novaは活気あるトーン、lunaは柔らかく物語的な響き、sageは教育的な内容に最適な落ち着いた声質です。
これらのボイスは、VTuberのキャラクター性や配信の雰囲気に合わせて選択可能です。
- aria: 明るくクリアなナレーター
- nova: 活気あるアップビート
- luna: 柔らかく物語的な語り
- sage: 落ち着いた教育的トーン
男性ボイス:felix, milo, atlas, orion
男性ボイスは、プロモーションや会話、ニュース、ドキュメンタリーなど多様なシチュエーションに対応します。felixはエネルギッシュでプロモーション用途に、miloはフレンドリーな会話調、atlasは中立的なニュース風、orionは深みのあるドキュメンタリー調の声質です。
ゲーム実況のナレーションや、YouTube動画の字幕音声など、幅広いコンテンツ制作に活用できます。
ボイスはライセンスされた録音に基づいており、合成音声特有の無音の透かしが入っています。
- felix: エネルギーに満ちたプロモーション向け
- milo: フレンドリーな会話調
- atlas: ニュース向けの中立的トーン
- orion: ドキュメンタリー向け深みのある声
23言語のサポート
日本語、英語、中国語、韓国語、フランス語、ドイツ語、スペイン語、イタリア語、ポルトガル語、ロシア語、アラビア語、ヘブライ語、ヒンディー語、オランダ語、デンマーク語、フィンランド語、ギリシャ語、マレー語、ノルウェー語、ポーランド語、スワヒリ語、スウェーデン語、トルコ語の23言語をサポートしています。
すべてのボイスはすべての言語を話せます。ラテン文字のテキストは英語として処理されるため、英語以外のラテン文字テキストではlanguageパラメータで言語を明示してください。
- 日本語、英語、中国語、韓国語
- フランス語、ドイツ語、スペイン語、イタリア語
- ポルトガル語、ロシア語、アラビア語、ヘブライ語
- ヒンディー語、オランダ語、デンマーク語、フィンランド語
- ギリシャ語、マレー語、ノルウェー語、ポーランド語
- スウェーデン語、トルコ語、スワヒリ語
料金と無料体験
VTuberや配信者にとって、音声生成コストは重要な要素です。APIの利用は透明性が高く、利用した分だけ正確に課金されます。
まずはリスクゼロで品質を確認できる無料体験から始め、その後に実際の配信や動画制作での利用を評価してください。
$0.50の無料体験クレジット
Googleアカウントでサインアップすると、有効期限7日間の$0.50無料クレジットが付与されます。これは約5万文字分に相当し、ボイスやフォーマットの品質を確認するのに十分な量です。
100万文字あたり$10の従量課金
使用量は100万文字あたり$10で課金されます。失敗したリクエストは全額返金されるため、無駄がありません。月額プランや最小利用制限もないため、突発的な配信にも対応可能です。
USDT(TRC-20)での簡単チャージ
クレジットカードや PayPal、請求書は扱いません。TRONネットワーク(TRC-20)のUSDTのみでチャージできます。最小チャージ額は$5で、送金後数分で自動的に残高に反映されます。

データとプライバシー
入力テキストは音声生成のみに使用され、モデルの学習データにはなりません。生成された音声ファイルはサーバーに保存されず、レスポンスとして返された時点で消えます。課金のために必要最小限のメタデータ(時刻、文字数、ステータス)のみが記録されます。
プライバシーを重視する配信者やVTuberの方でも安心してご利用いただけます。テキストが学習に使われないため、独自のフレーズや設定情報を安心してAPIに送信できます。
入力テキストは学習に使用しない
送信されたテキストは、音声ファイルを作成するための一時的な処理としてのみ使用されます。生成が完了した後、元のテキストデータは再利用されません。これにより、あなたのコンテンツやセリフが将来のモデル学習に利用される心配がありません。
生成音声はサーバーに保存しない
APIレスポンスとして返された音声ファイルは、サーバー上に永続的に保存されません。ブラウザやクライアント側でダウンロードまたは再生された時点で、データは処理され終えています。ストレージの節約と、音声データの流出リスクの低減に寄与します。
課金メタデータのみの保持
請求と利用状況の管理のために、リクエストの日時、処理された文字数、ステータスコードなどのメタデータのみが保持されます。音声そのものやテキストの内容は保存しないため、必要に応じてデータ削除を容易に実現できます。
これにより、課金の透明性を保ちつつ、過剰なデータ保持を回避します。
- リクエスト時刻と文字数
- 処理ステータス(成功/失敗)
- 音声ファイル本体の永続保存なし
技術的な制約事項
配信や動画制作において、細かな制御や即時性の高い音声出力が必要になる場合があります。KoeGamin APIはシンプルなJSONベースの設計を採用しており、その分、一部の高度な機能は提供していません。
特に、リアルタイムなストリーミングや音声の細部制御、およびカスタムボイスの作成には対応していない点をご留意ください。これらは現在の製品スコープ外です。
ストリーミング非対応
音声は完了後にファイルとして返されます。WebSocketやストリーミングによるリアルタイムな音声供給はサポートしていません。
SSMLやカスタム発音辞書なし
SSMLタグやカスタム発音辞書、感情タグは使用できません。発音の微調整が必要な場合は、テキスト側で工夫してください。
カスタム音声クローニング非対応
ユーザー独自のボイスを学習・再現する機能はありません。8種類のプリセットボイスから選択するのみです。
よくあるお問い合わせ
VTuberや配信活動において、生成された音声の商用利用は問題ありません。LibriVox由来の音声はパブリックドメインまたはCC BY 4.0で提供されているため、動画や配信のBGM・ナレーションとして自由に利用いただけます。
ただし、生成音声自体に固有の著作権が発生するわけではなく、あくまで読み上げ対象のテキストや編集後の動画コンテンツが保護対象となります。また、生成音声には合成音声を示す不可聴の透かしが入る点にご注意ください。
商用利用は可能ですか?
はい、商用利用は可能です。生成された音声ファイルそのものの著作権は発生しませんが、LibriVoxのライセンス(CC BY 4.0)およびパブリックドメインの範囲内であれば、YouTube動画や配信、広告などの商用コンテンツで自由に使用していただけます。
- 動画・配信・広告などでの利用が可能
- テキストや編集後の動画が著作権対象となる
音声のライセンスは?
ボイスはLibriTTS-R(CC BY 4.0)およびLibriVoxの公共領域音声に基づいています。商用利用は可能ですが、音声ファイル自体に固有の著作権が生じることはありません。
生成された音声には合成音声を示す透かしが含まれます。これは音声の性質を示すものであり、ライセンス上の制限ではありません。
エラー時の課金はどうなりますか?
音声合成に失敗したリクエストについては、課金されません。失敗した場合は使用したクレジットは返金されるため、安心してご利用いただけます。
正常に完了したリクエストのみが課金の対象となります。
はじめの一歩
APIキーは「/get-api-key/」ページでGoogleまたはメールアドレスで発行できます。キーは1アカウントにつき1つで、新しいものを発行すると旧キーは即時無効になります。
APIキーの発行方法
Googleログインまたはメール登録で即座にキーが取得できます。キーは認証ヘッダーに必要です。
- Googleアカウントでの登録が推奨
- 旧キーは新発行と同時に無効化
最初のリクエスト(curl)
POST https://api.rbaje.info/v1/audio/speech へJSONボディを送信します。inputに4096文字以内のテキスト、voiceにプリセット名を指定します。
- model: "tts-1" または "tts-1-hd"
- response_format: mp3, wav, opus, flac, pcm
- Authorization: Bearer YOUR_API_KEY
OpenAI SDKとの連携
公式OpenAI SDKのbase_urlを https://api.rbaje.info/v1 に変更するだけで利用可能です。認証ヘッダーにAPIキーを設定します。
- SDKコードの変更は最小限
- 既存のOpenAI互換ロジックそのまま利用可能
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。 これにより、配信や動画制作において音声素材のライセンス問題を最小限に抑え、安心して商用利用や公開配信を行うことができます。
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
- curl documentation
- LibriTTS-R paper (arXiv 2305.18802)
- Creative Commons Attribution 4.0
- OpenAI API reference: create speech
- FFmpeg documentation
- IETF RFC 7845: Ogg Opus
- LibriTTS-R corpus (OpenSLR 141)
- TRON developer hub: TRC-20
- Python documentation
- openai-node on GitHub
- LibriVox public-domain audiobooks
