TTS テキスト読み上げ

​

はじめに

テキスト読み上げ（TTS）APIは、高度な生成AIモデルに基づいており、入力されたテキストをリアルな音声オーディオに変換できます。さまざまな用途をサポートしています。

• 書かれたブログ記事にナレーションを付ける
• 複数の言語で音声オーディオを生成する
• リアルタイムの音声出力ストリームを提供する

利用可能なモデルリスト：

• gpt-4o-audio-preview —— OpenAIの最新の音声生成モデルで、対話型音声生成をサポート
• gpt-4o-mini-tts —— スマートなリアルタイムアプリケーションに最適なモデルで、高度な音声制御をサポートし、プロンプトを通じてさまざまな音声特性を制御できます。
  • アクセント (Accent)
  • 感情の範囲 (Emotional range)
  • イントネーション (Intonation)
  • 印象/スタイル (Impressions)
  • 話す速度 (Speed of speech)
  • トーン (Tone)
  • ささやき (Whispering)
• tts-1-hd —— 高音質の旧世代TTSモデル
• tts-1 —— 標準TTSモデルで、品質と速度のバランスが取れています

​

モデル呼び出し方法

​

標準TTSモデル（tts-1, tts-1-hd）

/v1/audio/speech エンドポイントを使用し、client.audio.speech.create() メソッドを介して呼び出します。

​

gpt-4o-mini-tts モデル

/v1/audio/speech エンドポイントを使用し、高度な音声制御のために instructions パラメータをサポートします。

​

gpt-4o-audio-preview モデル

/v1/chat/completions エンドポイントを使用し、modalities: ["text", "audio"] と audio 設定が必要です。

​

リクエストパラメータ

​

標準TTSパラメータ（tts-1, tts-1-hd, gpt-4o-mini-ttsに適用）

​

gpt-4o-audio-preview パラメータ

​

使用方法

curl https://aihubmix.com/v1/audio/speech \
  -H "Authorization: Bearer $AIHUBMIX_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "tts-1",
    "input": "The quick brown 🦊 jumped over the lazy dog.",
    "voice": "alloy"
  }' \
  --output speech.mp3