テキスト音声変換

POST /v1/audio/speech

OpenAI 互換のエンドポイント 1 つでテキストを自然な音声に変換します。JSON を送れば、音声のバイト列がそのまま返ります。プロバイダーを切り替えるときに変えるのは modelだけです。ディスクには一切書き込みません。音声はそのままストリーミングで返されます。

リクエスト例

curl https://synthorai.io/v1/audio/speech \
  -H "Authorization: Bearer $SYNTHORAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "tts-1",
    "input": "Hello from Synthorai.",
    "voice": "alloy"
  }' \
  --output speech.mp3

Python (OpenAI SDK)

from openai import OpenAI

client = OpenAI(
    api_key="$SYNTHORAI_API_KEY",
    base_url="https://synthorai.io/v1",
)

with client.audio.speech.with_streaming_response.create(
    model="tts-1",
    voice="alloy",
    input="Hello from Synthorai.",
) as response:
    response.stream_to_file("speech.mp3")

リクエストボディ

対応モデル

どれを選べばよいですか？

$30 のモデルが 3 つあります。違いはボイスの性格と対応言語の広さであって、価格ではありません。決める前にご自身のテキストで試してみてください。

# Same request, different provider — only the model name changes.
-d '{"model": "tts-1",        "input": "...", "voice": "alloy"}'
-d '{"model": "seed-tts-2.0", "input": "...", "voice": "alloy"}'

ボイス

OpenAI のモデルは標準のボイスを受け付けます： alloy, echo, fable, onyx, nova, shimmer.

モデル seed-tts-2.0 でも同じ 6 つの名前が使えます（近いボイスにマッピングされます）。完全に制御したい場合は、BytePlus のネイティブボイス ID をそのまま渡すこともできます。たとえば zh_female_cancan_uranus_bigtts. 180+ のネイティブボイスの全一覧は BytePlus のボイスカタログにあります。

モデル qwen3-tts-instruct-flash でも同じ 6 つの名前が使えます。Qwen のネイティブボイスを直接渡すこともできます。たとえば Cherry, Ethan, Nofish, Jada.

音声フォーマット

コンテナは response_format で指定します。デフォルトは mp3: mp3, opus, wav, pcm.

すべてのプロバイダーがすべてのコンテナに対応しているわけではありません。未対応の値はエラーにはならず、MP3 にフォールバックします。

課金

入力文字数に応じて、プロバイダーの公式定価で課金されます。上乗せはありません。1 文字 = 漢字 1 文字 = アルファベット 1 文字 = 句読点 1 つ = スペース 1 つ。失敗したリクエストが課金されることはありません。

返ってくる音声は個別には計測されません。課金対象は送信したテキストだけです。

制限

• 1 リクエストあたり最大 4096 文字です。これを超える入力は課金される前に拒否されます。クライアント側で分割し、生成された音声をつなげてください。
• 話速は speed で制御します（0.25–4.0、デフォルトは 1.0）。プロバイダーの範囲を外れた値は拒否されず、範囲内に丸められます。

エラー