オーディオとリアルタイム

音声の作成

入力テキストから音声を生成します

POST
/v1/audio/speech

現在の音声モデルを取得するには、GET /v1/models?recommended_for=tts を使用してください。

リクエストボディ

レスポンスモードは、選択したモデルと stream_format によって異なります。長文の入力を行う場合は、HTTPクライアントのタイムアウトを少なくとも 120s に設定してください。

オプショナルなフィールド、音声、出力フォーマット、およびSSEのサポート状況は、選択したモデルによって異なります。これらを送信する前に GET /v1/models/{model} を確認してください。サポートされていないパラメータを指定すると、400 unsupported_parameter が返される場合があります。

modelstring必須

TTSモデルID。現在の選択肢は GET /v1/models?recommended_for=tts で確認できます。デフォルトのモデルはありません。

inputstring必須

音声を生成するテキスト。最大4096文字です。モデルによって上限が低く設定されている場合があります。詳細はモデル情報を参照してください。

voicestring | object

音声セレクター。grok-tts の eve のようにモデルの詳細から音声名を指定するか、音声IDを受け付けるモデルの場合は { "id": "voice-id" } のようなオブジェクトを指定します。

voice_idstring

このパラメータをリストしているモデル(speech-2.8-turbo など)用の音声ID。

instructionsstring

このパラメータをリストしているモデル用の、スタイルや話し方の指示(オプション、最大2000文字)。

promptstring

このパラメータをリストしているモデル(qwen3-tts-1-7b-voicedesign など)用の、話し方のスタイルのプロンプト(オプション、最大2000文字)。

language_codestring

対応モデル用の言語コード(例: en-US)。

response_formatstring

音声フォーマット。指定可能な値はモデルによって異なります(例: grok-tts は mp3 のみ、qwen3-tts-flash は wav を返します)。値を送信する前にモデルの詳細を確認してください。

stream_formatstringデフォルト: audio

TokenLabの配信フォーマット: audio または sse。モデルの詳細に記載されている場合のみ sse を送信してください。

speednumber

対応モデル用の発話速度。TokenLabでは0.25〜4.0を受け付けますが、モデルによって範囲が狭まる場合があります。

temperaturenumber

このパラメータをリストしているモデル用のサンプリング温度(0〜2)。

レスポンス

stream_format=audio の場合、レスポンスには音声のバイトデータが含まれます。stream_format=sse に対応しているモデルは text/event-stream レスポンスを返します。レスポンス全体を音声ファイルとして保存するのではなく、そのイベントをパースしてください。

リクエスト

curl -X POST "https://api.tokenlab.sh/v1/audio/speech" \
  -H "Authorization: Bearer sk-your-api-key" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "grok-tts",
    "voice": "eve",
    "input": "Hello, welcome to TokenLab!"
  }' \
  --output speech.mp3

音声サンプル

利用可能な音声はモデルによって異なります。指定する前に、GET /v1/models/{model} からモデルの詳細にある voice の値を確認してください。例えば、grok-tts は eve、ara、rex、sal、および leo を受け付けます。

レスポンス例

レスポンス

200 OK
<binary audio data>

重要なフィールド

Content-Typestring

HTTPレスポンスのメディアタイプ: 音声フォーマット、またはSSEの場合は text/event-stream。

bodybinary | SSE

audio の場合は音声バイトデータ、sse の場合はイベントストリーム。Content-Type とリクエストしたモードに応じてパーサーを選択してください。

MiniMax Speech 2.8 Turbo は、速度重視のワークフローで選択した音声による原稿の音声合成を行い、応答性の高い音声インターフェースやナレーションに役立ちます。

{
  "model": "speech-2.8-turbo",
  "input": "Welcome to TokenLab.",
  "voice_id": "male-qn-qingse",
  "speed": 1,
  "response_format": "mp3",
  "stream_format": "audio"
}

認証

BearerAuth
AuthorizationBearer <token>

APIキー認証。Dashboard > API > API KeysでAPIキーを作成または管理します。

場所: header

ヘッダー

X-TokenLab-Delivery-Policy?string

リクエストごとの配信ポリシー。APIキーおよびWorkspaceのデフォルト設定を上書きします。自動的にまず TokenLab Verified を試行し、出力、リクエストの受け入れ、または永続的なリソース作成の前に、一度だけ Official に切り替える場合があります。

指定できる値

  • "auto"
  • "verified"
  • "official"

リクエストボディ

application/json

レスポンス

application/json

application/json

application/json

application/json

application/json

application/json