本文へスキップ

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。

POST/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

Authorization:必須string

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

モデル
記載のないフィールドはそのまま転送されます。モデルファミリーを選ぶと、そのドキュメントに記載された値と制限を表示します。
model:必須string

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

input:必須string

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

voice:任意string

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

response_format:任意string

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"

speed:任意number

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

instructions:任意string

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

X-HopBase-Cost:任意string

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

X-HopBase-Cost-USD:任意string

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-Currency:任意string

X-HopBase-Cost の通貨。常に CNY

audio/mpeg 音声のバイト列

エラー

400unknown 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_failed
401キー未指定、キーが無効または期限切れ(missing_api_key / invalid_api_key / api_key_expired)
402残高、またはキー・メンバー・部門のクォータを使い切った(insufficient_quota)
404モデルがこのキーのグループにない(model_not_found)、またはパスがそのグループに属さない(route_not_found)
413リクエストボディが 60 MB を超えた(request_too_large)
429アカウントまたはキーの同時実行数が上限に達した(user_concurrency_limit / apikey_concurrency_limit)。Retry-After 付き

関連ページ