よくある質問
不動産映像に音声APIは必要ですか?
テキストを入力するだけで、現地で撮影した映像に合わせた自然な音声ファイルを取得できます。8種類のプリセットから選べるため、フリーランスでも効率的にナレーションを自動生成でき、作業の質を安定して維持できます。
どのくらいの言語に対応していますか?
23言語に対応しています。アラビア語、中国語、デンマーク語、オランダ語、英語、フィンランド語、フランス語、ドイツ語、ギリシャ語、ヘブライ語、ヒンディー語、イタリア語、日本語、マレー語、ノルウェー語、ポーランド語、ポルトガル語、ロシア語、スペイン語、スワヒリ語、スウェーデン語、トルコ語です。
音声ファイルの形式は何がありますか?
mp3、wav、opus、flac、pcmの5形式から選べます。用途に合わせて最適な形式を選択可能で、APIリクエストのresponse_formatパラメータで指定するだけですぐに利用開始できます。
音声の生成速度はどのくらいですか?
長文テキストでは実時間程度(1秒あたり約25文字)の生成速度です。短文でも数秒で完了しますが、リクエストは順次処理されるため、混雑時はキュー待ちが発生する可能性があります。
テキストに制限はありますか?
1回のリクエストあたり最大4096文字までです。これを超える長文の場合は、クライアント側で分割して送信し、音声ファイルを結合する必要があります。スペースや句読点も文字数としてカウントされます。
失敗した音声生成は課金されますか?
失敗したリクエストは課金されません。合成が失敗した場合は、請求額が全額返金されます。正常に生成された場合のみ、文字数に基づいて課金されます。
ボイスは自由にカスタマイズできますか?
8種類のプリセットから選択します。aria、nova、luna、sage(女性)、felix、milo、atlas、orion(男性)から選べます。カスタムボイスクローニングや独自の音声アップロードは提供していません。
SSM Lや音声の感情調整は可能ですか?
SSMLや感情タグ、カスタム発音辞書はサポートしていません。速度(0.25〜4.0倍)と言語パラメータのみで制御可能です。詳細な演出が必要な場合は、音声編集ソフトで調整する必要があります。
音声はトレーニングに使用されますか?
入力テキストは音声生成のみに使用され、トレーニングには使用されません。生成された音声はレスポンスで返され、保存されません。課金のためのメタデータのみが保持されます。
音声に透かしは入りますか?
はい、生成される音声ファイルには合成音声を示す不可視の透かしが入ります。これにより、音声の人工的な性質を識別することが可能です。
どのくらいの音声クオリティですか?
LibriTTS-R(CC BY 4.0)およびLibriVoxの公開オーディオブックを基にしたライセンス済み録音に基づく音声です。自然なトーンで、不動産映像のナレーションに適した品質を提供します。
マルチパートのテキスト処理は自動ですか?
4096文字を超えるテキストは、クライアント側で分割して送信し、生成された音声ファイルを結合する必要があります。クライアント側で分割処理を行う必要はありません。
サポートはどのように受けられますか?
サポートはメールのみです。電話番号やライブチャットはありません。技術的な質問やアカウントに関する問い合わせは、メールフォームまたは指定されたメールアドレス宛てに行ってください。
クレジットカードでの決済はありますか?
クレジットカード決済はありません。USDT(TRC-20)のみで、TRONネットワーク経由で最小$5からチャージできます。請求書やVATもありません。残有效期間はありません。
最初のリクエスト
curl
curl https://api.rv777.info/v1/audio/speech \
-H "Authorization: Bearer $TTS_API_KEY" \
-H "Content-Type: application/json" \
-d '{"model":"tts-1","voice":"aria","input":"Hello from the API.","response_format":"mp3"}' \
--output hello.mp3なぜ不動産映像に音声APIなのか
手書きや録音スタジオの手間を省き、テキスト入力だけで自然なナレーションを生成できます。バーチャルツアーの没入感を高め、効率的に映像を完成させましょう。
ナレーション撮影の手間とコスト削減
録音機材やスタジオの手配、テイクの調整が不要です。テキストを入力するだけで即座に音声ファイルが取得でき、フリーランスの作業時間を大幅に短縮します。
- 録音環境の手配が不要
- テイク調整の手間が不要
- 作業時間の大幅な短縮
バーチャルツアーでの没入感向上
現地で撮影した映像に合わせた自然な音声を追加し、視聴者の没入感を高めます。単なる映像提示ではなく、物語性のある体験を提供できます。
- 自然な音声の即時生成
- 映像とのシームレスな連携
- 没入感のある体験の提供
多言語対応で海外客にもアプローチ
23言語に対応しており、日本語だけでなく英語や中国語などでもナレーションを生成可能です。海外の潜在顧客にもリーチしやすくなります。
言語は自動検知または手動指定で設定できます。
- 23言語でのナレーション生成
- 海外顧客へのアピール
- 言語設定の柔軟な切り替え
8つのボイスで表現力を変える
不動産映像のナレーションは、物件の魅力や空間の雰囲気を伝える重要な要素です。8種類のプリセットボイスから、物件の特性やターゲット層に最適な声質を選択することで、視聴者の没入感を高めます。
フリーランスとして効率的に高品質な音声ファイルを作成するには、適切なボイス選択が不可欠です。各ボイスは特定のトーンに最適化されており、テキストを入力するだけで自然な音声データを即座に取得できます。
温暖な語り手「Aria」とアップビートな「Nova」
Ariaは温かくクリアなナレーターとして、物件の詳細な説明や静かな雰囲気を伝えるのに適しています。Novaは明るく活気あるトーンで、若い層向けのアパートやモダンな物件の紹介に最適です。
これらのボイスは、リビングルームの広さや自然光の入り方など、視覚的な情報を音声で補完する際に効果を発揮します。
- Aria: 温かくクリアな語り手
- Nova: 明るくアップビートなトーン
案内役として最適「Sage」と「Milo」
Sageは落ち着いた指示役として、ツアーの進行や重要なポイントの案内に最適です。Miloは親しみやすい会話調で、視聴者与えに物件の特徴を分かりやすく説明します。
フリーランスのバーチャルツアー制作において、信頼感と親しみやすさを両立させるためにこれらのボイスを活用できます。
- Sage: 落ち着いた指示役
- Milo: 親しみやすい会話調
ドキュメンタリー風「Orion」とニュース調「Atlas」
Orionは深みのある声で、歴史ある建物や庭園のストーリーテリングに最適です。Atlasは中立的なニュース調で、物件の事実情報を正確かつ迅速に伝えます。
これらを用いることで、単なる物件紹介を超えた、価値あるコンテンツとして映像を仕上げることができます。
- Orion: 深みのあるドキュメンタリー風
- Atlas: 中立的なニュース調
技術的な優位性と互換性
既存のOpenAI SDKをベースURL変更だけで利用可能。認証キーは独自のもので、公式SDKの互換性により開発負荷を最小限に抑えます。
MP3、WAV、FLAC、OPUS、PCMの5形式に対応。不動産映像の用途に合わせて最適な音声ファイル形式を選択できます。
OpenAI SDKとの互換性で簡単導入
POST /v1/audio/speechエンドポイントはOpenAI Speechエンドポイントと同一のJSON形式を採用しています。base_urlを https://api.rv777.info/v1 に変更するだけで、既存のコードベースをそのまま流用可能です。
認証は Authorization: Bearer tts-... キーを使用します。これにより、独自SDKの学習コストを抑え、即座に実装を開始できます。
- base_url変更のみで利用可能
- 公式OpenAI SDKとの互換
MP3、WAV、FLACなど多様なフォーマット対応
mp3、wav、opus、flac、pcmの5つのレスポンスフォーマットから選択可能です。ウェブ配信にはmp3やopus、高品質なアーカイブにはwavやflacを選ぶなど、用途に合わせた柔軟な出力が可能です。
音声ファイルは生成と同時にレスポンスで返却され、サーバーには永続保存されません。
音声合成の品質と生成速度のバランス
tts-1とtts-1-hdの2モデルを提供。長文テキストではリアルタイムに近い速度(約25文字/秒)で生成され、短文でも数秒程度で完了します。
リクエストは逐次処理されるため、負荷時にはキュー待ちが発生する場合がありますが、安定した品質を維持します。
具体的な利用シーン
テキストを入力するだけで、現地で撮影した映像に合わせた自然な音声ファイルを即座に取得できます。ナレーション撮影の手間を省き、フリーランスの開発コストを削減します。
ワンルームから別荘までの物件紹介
狭い間取りから広大な敷地まで、テキストの文字数(最大4096文字)に合わせて音声データを生成します。mp3やwav形式で出力し、映像編集ソフトに直接読み込めます。
- 4096文字以内のテキストで音声生成
- mp3、wav、flacなどの形式に対応
- 60リクエスト/分の高速処理
歴史ある建物や庭園のストーリーテリング
建物の歴史的背景や庭園のデザイン意図を、voice「sage」や「orion」で静謐に、あるいは「aria」で温かく語ります。言語は日本語、英語、中国語など23言語から選択可能です。
自動検知ではなく、言語コードを明示することで、正確な発音を実現します。合成音声には透かしが含まれます。
短縮版ハイライト映像への音声追加
長尺のバーチャルツアーを要約した短縮版映像にも対応します。短いスクリプトでも高品質な音声が得られ、リアルタイムに近い速度で生成されます。
フリーランス向けのコスト効率
月額課金の縛りがない従量課金モデルは、フリーランスの予算計画に最適です。100万文字あたり10ドル(1,000文字あたり0.01ドル)という明確な単価で、使った分だけ支払います。サブスクリプションの無駄がなく、プロジェクトごとのコストを正確に把握できます。
USDT(TRC-20)でのトップアップは最小5ドルから可能で、数分で反映されます。クレジットカードやPayPalの手続きも不要です。失敗したリクエストは全額返金されるため、余分なコスト負担もありません。
従量課金で無駄なサブスクリプションを排除
月額固定プランではなく、実使用量に応じた課金です。100万文字あたり10ドル、つまり1,000文字あたりわずか0.01ドルです。この価格体系により、小規模な物件紹介から大規模なバーチャルツアーまで、無駄なくコストを抑えられます。
サブスクリプションのような定期的な固定費がかからないため、フリーランスの収入変動にも柔軟に対応できます。必要なときだけ利用し、その分だけ支払うシンプルな構造が、予算管理を容易にします。
- 100万文字あたり10ドルの従量課金
- 1,000文字あたり0.01ドルという低コスト
- 月額固定費なしで柔軟なコスト管理
USDTでの簡単なトップアップ方法
USDT(TRC-20ネットワーク)のみでトップアップが可能です。最小5ドルからの入金で、送金後数分で残高に反映されます。クレジットカードや銀行口座、PayPalの登録手続きが不要で、迅速な資金調達が可能です。
残高は期限なしで維持され、いつでも利用できます。サブスクリプションや追加ライセンス料も発生せず、純粋に音声生成量に応じた課金のみです。
- USDT(TRC-20)でのみ対応
- 最小5ドルからのトップアップ
- 送金後数分で反映、残保质期なし
失敗したリクエストは課金対象外
音声合成に失敗した場合、そのリクエストに対する料金は全額返金されます。失敗によるコストの無駄遣いが発生しないため、テストやデバッグ時のリスクが軽減されます。
これはフリーランスにとって重要な保証です。生成に失敗しても金銭的損失がないため、安心して品質確認やパラメータ調整を行えます。

データのプライバシーと安全性
入力テキストは音声生成のみ目的として使用され、モデルの学習データには一切利用されません。生成された音声ファイルはレスポンスとして返却されるのみで、サーバー上に永続的に保存されることはありません。課金や請求のために必要最小限の利用メタデータ(時刻、文字数、ステータス)のみが記録されます。
入力テキストのトレーニング利用なし
お客様がAPIに送信したテキストは、音声合成の処理後に廃棄されます。したがって、そのテキストが将来のモデル改善やトレーニングデータとして使用されることはありません。プライバシーを重視するフリーランスや不動産エージェントにとって、物件の詳細情報や顧客の個人情報が外部に漏洩するリスクが軽減されます。
生成音声の永続保存なし
音声ファイルは生成と同時にクライアントに返され、APIサーバー側では保持されません。これにより、不要なストレージコストを抑えつつ、生成されたコンテンツの所有権を明確にすることができます。ただし、請求確認のために「いつ、どのくらいの文字数で、どのステータスでリクエストが行われたか」というメタデータは維持されます。
合成音声の透かし表示について
生成されるすべての音声ファイルには、不可聴域にデジタル透かしが埋め込まれています。これは人間には聞こえないが、解析技術によって人工的に生成された音声であることを識別可能なマーカーです。これにより、コンテンツの真正性を保証し、無断転載や改ざんの検知に役立ちます。
23言語でのグローバル対応
不動産映像の多言語化は、海外バイヤーへの訴求力を高めます。当APIは23言語に対応し、日本語や英語、中国語など主要言語の自然なナレーションを生成します。バーチャルツアーで現地の雰囲気をそのまま伝え、グローバルな物件紹介を可能にします。
日本語、英語、中国語など主要言語
日本語、英語、中国語、韓国語など、主要な市場向けに音声を提供します。各言語で明確な発音と自然なリズムを実現し、物件の魅力を正確に伝えます。
8つのボイスは全23言語で利用可能で、性別やトーンを選びながら多様な表現が可能です。
- 日本語、英語、中国語、韓国語、フランス語、ドイツ語など23言語対応
- 全8ボイスが全言語で利用可能
自動言語検知と手動指定の使い分け
言語パラメータを指定しない場合、APIは入力テキストの文字コードから言語を自動検知します。ラテン文字のテキストはデフォルトで英語として処理されます。
日本語や中国語など、スクリプトが異なる言語を使用する場合は、languageパラメータでISOコードを明示的に指定してください。これにより、誤った言語判定を防ぎ、正確な発音を実現します。
特定の言語サポート外リストの確認
対応外の言語として、ベトナム語、インドネシア語、タイ語、ウクライナ語、ルーマニア語、チェコ語、ベンガル語などがあります。これらの言語での使用は現時点でサポートされていません。
正確な言語リストと利用可能なボイスの詳細は、GET /v1/voicesエンドポイントで確認できます。
- サポート外:ベトナム語、インドネシア語、タイ語、ウクライナ語、ルーマニア語、チェコ語、ベンガル語など
API連携のシンプルさ
API連携は、既存のOpenAI互換エンドポイントにより極めてシンプルです。Base URLを変更するだけで、公式SDKや標準HTTPライブラリがそのまま利用可能であり、不動産ナレーション用の専用ライブラリ開発が不要です。
JSON形式の柔軟なデータ送信により、voiceやspeed、response_formatなどを容易に制御できます。短時間のテストから本番運用まで、ワンストップで音声ファイルを生成・取得できます。
cURLコマンドでの即座なテスト
認証キーとエンドポイントが分かっていれば、ターミナルから数秒で音声ファイルを入手できます。開発環境での動作確認や、簡易的なテストケースに最適です。
JSON形式の柔軟なデータ送信
POSTリクエストのボディには、model(tts-1/tts-1-hd)、input(テキスト)、voice、response_format(mp3/wav/opus/flac/pcm)、speed(0.25-4.0)などを指定します。languageを明示的に指定することで、英語などのラテン文字でも正確な発話を実現できます。
4096文字までのロングテキスト処理
1回のリクエストで最大4096文字まで処理可能です。より長い脚本の場合は、クライアント側で分割し、生成された音声ファイルを結合するワークフローが推奨されます。
導入から実運用まで
不動産映像制作のワークフローにAPIを組み込むには、まずサイト「rv777.info」のアカウント作成が必要です。Google認証なら即座に開始でき、無料トライアルで5万文字のクレジットが得られます。
生成された音声は合成音声を示す透かしを持ち、テキストはトレーニングに使用されません。この仕組みにより、クライアントの資産を安全に維持しながら効率的なナレーション制作が可能になります。
Google認証での簡単アカウント作成
Googleアカウントでログインするだけで、数秒でAPIキーが発行されます。パスワード登録の場合はトライアルクレジットが付きませんので注意してください。
アカウント画面では残高や使用状況を確認でき、必要に応じてAPIキーを再発行することも可能です。古いキーは即時無効化されます。
APIキーの発行と管理
各アカウントにはアクティブなAPIキーが1つ割り当てられます。セキュリティのため、定期的にキーをローテーションすることをお勧めします。
キーはリクエストヘッダー「Authorization: Bearer」に設定して使用します。キーが漏洩した場合は、ダッシュボードから新しいキーを発行するだけで対応完了です。
- Google認証による即時アクセス
- 旧キーの即時無効化
- 安全なキー管理
開発環境でのデバッグと確認
公式OpenAI SDKのbase_urlを変更するだけで導入できます。curlコマンドで即座にテスト可能で、失敗時は課金されないので安心です。
生成速度は実時間並みですが、負荷時にはキューに待機することがあります。小さなテキストで品質を確認してから、バッチ処理へ移行しましょう。
8つの音声を確認
以下の各サンプルは、同じ文章をこのAPIで生成したものです。 生成プロセスが完了すれば、元のテキストデータは即座に破棄され、他の目的やトレーニングデータとしての再利用は行われません。
23言語
どの音声でも、これらの言語のいずれかを話します。
出典および参考資料
- Wikipedia
- openai-python on GitHub
- LibriTTS-R paper (arXiv 2305.18802)
- curl documentation
- FFmpeg documentation
- W3C WAI: making audio and video accessible
- OpenAI API reference: create speech
- Tether (USDT)
- MDN: Web Speech API
- Creative Commons Attribution 4.0
- LibriVox public-domain audiobooks
- ISO 639 language codes
