音声を作成
OpenAI 互換の音声合成(MiniMax Speech 2.8 HD / Turbo、Doubao 音声)。レスポンスはそのまま音声のバイト列です。
/v1/audio/speechテキストを同期的に音声へ合成します。レスポンスは音声そのもので、ポーリングするタスクはありません。OpenAI SDK の audio.speech.create をそのまま使え、Base URL と model / voice を変えるだけです。2 つの音声モデルは独立したグループ MiniMax Speech 公式 に属し、このグループを含むキーでのみ呼び出せます。既存のチャットや動画のキーにこのグループを追加することもできます。
その他のフィールドはすべて 400 unknown field を返します。stream_format、sample_rate、language_boost、voice_setting も含まれます。これらやストリーミング出力、クローンボイスが必要な場合は、ネイティブエンドポイント POST /v1/t2a_v2 を使ってください。音声合成ガイドを参照してください。文字数で課金され、漢字 1 文字は 2 文字として数えます。
Doubao 音声の seed-tts-2.0(テキスト読み上げ)と seed-audio-1.0(シーンの説明から音声を生成)は独立したグループ Doubao 音声 クラウド に属し、このエンドポイントだけを使います。input は文字数で数え、seed-tts-2.0 は 5,000 文字、seed-audio-1.0 は 3,000 文字まで、speed は 0.5~2.0、response_format は 2 モデルで使える形式が異なり、失敗したリクエストは課金されません。パラメータは上のモデル選択を「Doubao 音声」に切り替えて確認してください。音声合成ガイド · Doubao 音声も参照してください。
同じグループの Doubao ボイスクローン seed-icl-2.0 もこのエンドポイントを使います。まずボイスをクローンで hbv_ で始まる voice_id を作り、それを voice に指定して合成します。パラメータと上限は seed-tts-2.0 と同じで、入力文字数で課金され、公式価格は 1 万文字あたり ¥3 です。詳しくはDoubao ボイスクローンを参照してください。
レスポンスボディは音声のバイト列のため、このリクエストの実際の課金額はレスポンスヘッダー X-HopBase-Cost / X-HopBase-Cost-USD / X-HopBase-Currency でのみ返します。詳しくはアカウント API · 課金を参照してください。
ヘッダー
Bearer sk-…:コンソールの「API キー」で作成したキー。キーのグループにリクエストするモデルが含まれている必要があります
リクエストボディJSON
大文字小文字を区別し、エイリアスはありません。tts-1 / tts-1-hd は認識されません
取りうる値speech-2.8-hdspeech-2.8-turboseed-tts-2.0seed-audio-1.0seed-icl-2.0
合成するテキスト(ネイティブエンドポイント /v1/t2a_v2 の上限は 10000 文字)
長さ1–4096 文字
システムボイス ID、クローンボイス ID、または OpenAI のボイス名 alloy、ash、ballad、cedar、coral、echo、fable、marin、nova、onyx、sage、shimmer、verse(OpenAI のボイス名は既定のボイスになります)。既定値:テキストに漢字を含む場合は Chinese (Mandarin)_News_Anchor、それ以外は English_expressive_narrator
aac は 400 を返します。opus は 24 kHz の Ogg コンテナです
取りうる値mp3opusflacwavpcm
デフォルト"mp3"
範囲外は 400 を返します。範囲内の値は 0.5–2 に丸められます
範囲0.25–4デフォルト1
受け付けますが無視されます
大文字小文字を区別し、エイリアスはありません。tts-1 / tts-1-hd は認識されません
取りうる値speech-2.8-hdspeech-2.8-turbo
合成するテキスト(ネイティブエンドポイント /v1/t2a_v2 の上限は 10000 文字)
長さ1–4096 文字
システムボイス ID、クローンボイス ID、または OpenAI のボイス名 alloy、ash、ballad、cedar、coral、echo、fable、marin、nova、onyx、sage、shimmer、verse(OpenAI のボイス名は既定のボイスになります)。既定値:テキストに漢字を含む場合は Chinese (Mandarin)_News_Anchor、それ以外は English_expressive_narrator
aac は 400 を返します。opus は 24 kHz の Ogg コンテナです
取りうる値mp3opusflacwavpcm
デフォルト"mp3"
範囲外は 400 を返します。範囲内の値は 0.5–2 に丸められます
範囲0.25–4デフォルト1
受け付けますが無視されます
大文字小文字を区別し、エイリアスはありません。tts-1 / tts-1-hd は認識されません
取りうる値seed-audio-1.0seed-icl-2.0seed-tts-2.0
文字数で数えます(漢字も 1 文字):seed-tts-2.0 と seed-icl-2.0 は 5,000 文字以内、seed-audio-1.0 は 3,000 文字以内。seed-audio-1.0 は「シーンの説明 + セリフ」を書きます
長さ1–5000 文字
Doubao のボイス ID(zh_female_vv_uranus_bigtts、zh_male_m191_uranus_bigtts、en_female_dacey_uranus_bigtts など)。seed-tts-2.0 では、省略するか OpenAI のボイス名(alloy など)を渡すとテキストの言語で既定を選びます(中国語は zh_female_vv_uranus_bigtts、その他は en_female_dacey_uranus_bigtts)。seed-audio-1.0 では、省略するか OpenAI のボイス名を渡すと声は説明で決まります。存在しないボイスは 400 unknown_voice。seed-icl-2.0 には POST /v1/voice_clone が返したクローンボイス ID(hbv_ で始まる)が必須で、省略または他のボイスを渡すと 400 voice_required、クローンボイスを他のモデルで使うと 400 unknown_voice
seed-tts-2.0 と seed-icl-2.0:mp3 / opus / aac / wav / pcm、seed-audio-1.0:mp3 / wav / pcm / flac。それ以外は 400
取りうる値mp3opusaacwavpcmflac
デフォルト"mp3"
0.5~2.0。範囲外は 400
範囲0.5–2デフォルト1
受け付けますが無視されます
レスポンス
200音声のバイト列。Content-Type は response_format に応じて audio/mpeg、audio/ogg、audio/flac、audio/wav、audio/pcm
レスポンスヘッダー
このリクエストの課金額の人民元額(X-HopBase-Cost-USD と同じ課金額)で、小数点以下最大 6 桁(例: 0.0816)。課金が発生したときだけ返します。ストリーミング(SSE)では返しません。画像生成が約 40 秒を超えるとレスポンスヘッダーは先に送信済みのため、レスポンスボディの usage.cost を参照してください
このリクエストで残高から実際に差し引かれた米ドル額。利用履歴の該当レコードと同じ金額で、小数点以下最大 8 桁(例: 0.012)。X-HopBase-Cost と一緒にのみ返します
X-HopBase-Cost の通貨。常に CNY
audio/mpeg 音声のバイト列
エラー
unknown field、input が長すぎる、speed が範囲外、非対応の response_format。Doubao 音声で存在しないボイスは unknown_voice。seed-icl-2.0 では、クローンボイスを渡さないと voice_required、作成中や学習中のボイスは voice_not_ready、学習に失敗したボイスは voice_training_failedmissing_api_key / invalid_api_key / api_key_expired)insufficient_quota)model_not_found)、またはパスがそのグループに属さない(route_not_found)request_too_large)user_concurrency_limit / apikey_concurrency_limit)。Retry-After 付き