よくある質問
音声生成APIとは何ですか?
テキストを入力すると音声ファイルが返されるクラウドAPIです。POSTリクエストで処理し、OpenAI互換の仕様に準拠しています。不動産映像やバーチャルツアーのナレーション生成に最適化され、8種類のプリセットボイスから選べます。
不動産映像に音声APIは必要ですか?
現地で撮影した映像に合わせた自然な音声ファイルを自動生成できます。テキスト入力だけで完了するため、ナレーターの手配や録音スケジュールの調整が不要になり、フリーランスの作業効率を大幅に向上させます。
音声の品質は人間のナレーションとどう違いますか?
LibriTTS-RやLibriVoxの録音データに基づいたエンジンを使用しています。各音声には合成音声を示す不可視の透かしが埋め込まれています。人間のナレーションと異なる点として、感情タグやSSMLはサポートしていません。
音声ファイルの形式は何がありますか?
mp3、wav、opus、flac、pcmの5形式から選択可能です。用途に合わせて最適な形式を指定できます。デフォルト設定や特別な制限はなく、APIリクエスト時にresponse_formatパラメータで任意の形式を指定します。
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並み(1秒あたり約25文字)で生成されます。短めの文章でも数秒程度で完了します。ただし、リクエストは逐次処理されるため、負荷が高い場合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文字まで入力できます。これを超える長文の場合は、API側で分割して処理し、音声ファイルを結合する必要があります。文字数にはスペースや句読点も含まれるため注意してください。
失敗した音声生成は課金されますか?
合成に失敗した場合、料金は全額返金されます。つまり、失敗したリクエストに対しては課金されません。正常に生成された場合のみ、文字数に基づいて課金が適用されます。これは失敗時のリスクを軽減します。
ボイスは自由にカスタマイズできますか?
8種類のプリセットボイスから選択します。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できません。速度(0.25〜4.0倍)や言語の指定は可能ですが、声質そのものを変更する機能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。テキストそのものの内容でニュアンスが決まります。感情を細かく制御したい場合は、テキストの工夫が必要です。
音声はトレーニングに使用されますか?
入力されたテキストは音声生成のみに使用され、モデルのトレーニングには利用されません。生成された音声ファイルもレスポンスとして返された後、保持されません。ただし、請求用のメタデータは記録されます。
音声に透かしは入りますか?
生成されるすべての音声ファイルには、合成音声であることを示す不可視の透かしが埋め込まれています。これは聴覚上は確認できませんが、音声の由来を特定するための技術的措置として実装されています。
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の録音データに基づいています。自然な音声ですが、カスタムクローニング機能はないため、標準的なプリセットの品質です。不動産ナレーションには十分な明瞭さと自然さを提供します。
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を処理する際、音声ファイルの結合はAPI側で自動的には行われません。クライアント側でテキストを分割し、生成された音声ファイルを結合する必要があります。これは仕様上の制限です。
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行われます。電話やライブチャット、SLA保証はありません。緊急時の対応や迅速なレスポンスを保証する契約もありません。技術的な質問や課金に関する問い合わせはメールで受け付けます。
クレジットカードでの決済はありますか?
クレジットカードでの決済は行っていません。USDT(TRC-20)のみでの決済に対応しています。サブスクリプションや月会費もありません。残高は expire せず、必要に応じて追加チャージが可能です。
PayPalでの支払いに対応していますか?
PayPalでの支払いは行っていません。USDT(TRONネットワーク上)のみでの決済に対応しています。他の決済手段やインボイス制度も導入していません。送金後の自動反映により、迅速にチャージが完了します。
年間契約の割引はありますか?
年間契約やサブスクリプションプランは提供していません。従量制で、生成された文字数に応じて課金されます。割引制度も存在せず、すべてのユーザーが同じ単価でサービスを利用できます。
法人での利用は可能ですか?
法人での利用も可能です。アカウントはサイトごとに作成され、APIキーの発行や残高管理は個人と同様に扱われます。法人特有の機能や契約は特に設けていません。
ストリーミングはサポートされていますか?
ストリーミングやWebSocket、リアルタイムの部分的な音声配信はサポートしていません。音声ファイル全体が生成された後にレスポンスとして返されます。リアルタイム性が重要な用途には適していない可能性があります。
SSM Lは使えますか?
SSML(Speech Synthesis Markup Language)はサポートしていません。音声の強調や停顿などをマークアップで制御することはできません。テキストのみの入力で音声生成が行われます。
自動音声生成の基本概念
テキストを入力するだけで、クラウドサーバーが音声ファイルを生成します。APIエンドポイントにリクエストを送信し、mp3やwavなどのオーディオデータを即座に受け取ることができます。
このクラウドベースのアーキテクチャにより、専用ハードウェアやローカル環境の構築が不要です。テキストから音声への変換は、インターネット経由でシームレスに処理されます。
テキストから音声ファイルへの変換
AmaeKoe APIは、指定したテキストデータを音声波形データに変換します。最大4096文字までのテキストを送信可能で、より長い文章は複数のリクエストに分割して合成することも可能です。
クラウドベースのAPIアーキテクチャ
サーバー側で音声合成が行われるため、フリーランスの方々は重いPCを維持する必要がありません。標準的なHTTPリクエストで利用でき、OpenAI SDKの互換性により手軽な統合が可能です。
音声生成プロセス
リクエストを受け取ったサーバーは、内部エンジンで音声を生成します。長いテキストの場合、生成速度は実時間並(1秒あたり約25文字)となります。短めのナレーションでも数秒を要する場合があります。
不動産映像での必要性
不動産映像やバーチャルツアー制作において、ナレーションの収録は時間の大きな要因となります。外部スタジオの手配やマイク調整、テイク直しといった工程を省略し、テキストを入力するだけで音声ファイルを取得できます。これにより、現場撮影と並行して音源準備を進め、納期を短縮できます。
また、複数の物件で制作を行う際、ナレーターや環境の違いによる音声のギャップを解消できます。APIを利用すれば、毎回同じクオリティの音声データを生成でき、シリーズものの統一感を保つのに効果的です。
ナレーション撮影の手間削減
従来の録音では、スタジオ予約や機材セットアップ、ナレーターのスケジュール調整が必要です。APIを使えば、テキストを送信するだけで音声ファイルが生成され、これらの準備工数を大幅に削減できます。特にフリーランスや小規模チームにとって、外部依存を減らし制作フローを効率化できるのは大きな利点です。
- スタジオ予約や機材準備の省略
- テイク直しによる時間ロス削減
- 制作スケジュールの柔軟性向上
一貫した音声品質の維持
複数回の録音や異なるナレーターによる映像では、音量やトーン、発話速度のばらつきが生じがちです。APIは常に同じエンジンとボイスプリセットを使用するため、物件間の音声品質を一定に保てます。視聴者は映像の移り変わりによる音の違和感を気にせず、コンテンツに集中できます。
また、後続の編集工程でも、音声データの特性が統一されているため、ノイズ除去や音量調整が容易になります。
複数の言語への対応
海外の物件や国際的なバーチャルツアーでは、多言語対応が求められます。当APIは23言語をサポートしており、同じテキストを異なる言語で生成可能です。音声のトーンやニュアンスを統一しながら、多言語版を効率的に作成できます。
言語コードを指定することで、意図した発話品質を保ちながらローカライズを進められます。
技術的な仕組み
APIはクラウド上で動作し、テキスト入力から音声ファイル生成までの全工程を処理します。テキストは最大4096文字まで処理可能で、APIエンドポイントへJSON形式で送信します。
テキスト処理と音声合成の連携
入力されたテキストは指定されたボイス(例:ariaやnova)の特性に合わせて音声波形に変換されます。スピード(0.25〜4.0倍)や言語設定も同時に適用され、自然なナレーションが生成されます。
APIエンドポイントへのリクエスト
レスポンスとしての音声ファイル
ボイスと言語の選択
不動産映像のナレーションには、映像のトーンに合った声質が不可欠です。AmaeKoeのAPIは、8つのプリセットボイスと23言語を提供し、フリーランスが多様な物件解説に最適音声を選べるように設計されています。
8つのプリセットボイスの特徴
8つのボイスは、それぞれ明確な役割を持ちます。例えば、アトラスは中立的なニュース調、オリオンは深みのあるドキュメンタリー調です。8つのボイスは、aria、nova、luna、sage、felix、milo、atlas、orionです。
各ボイスはLibriVoxの公営録音に基づいており、自然な音声品質を保証します。生成される音声ファイルには、合成音声であることを示す不可聴の透かしが埋め込まれます。
- アリア(女性、暖かみのあるナレーター)
- ノヴァ(女性、明るく活気あるトーン)
- ルナ(女性、柔らかいストーリーテリング)
- セージ(女性、落ち着いた指示系)
- フェリックス(男性、エネルギッシュな宣伝用)
- ミロ(男性、親しみやすい会話調)
23言語のサポート範囲
23言語(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、韓国語、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)に対応しています。特に、日本語はしっかりサポートされており、日本の不動産映像にも最適です。
どのボイスでも23言語すべてを話せます。例えば、アトラスのボイスで日本語の物件解説も可能です。
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、ベンガル語などはサポート外です。
言語の自動検知と手動指定
言語フィールドを省略すると、文字コードから言語が自動検知されます。ラテン文字のテキストはデフォルトで英語として扱われるため、注意が必要です。
非英語のラテン文字テキストを使用する場合は、必ずlanguageパラメータでISOコードを指定してください。これにより、誤った音声生成を防げます。
コストと効率
100万文字あたり10ドル(1000文字あたり0.01ドル)の従量課金制は、予算管理を容易にします。失敗したリクエストは無料なので、無駄なコストが発生しません。
Googleログインでサインアップすると、7日間の無料トライアルとして0.50ドル(約5万文字)が付与されます。これにより、APIの動作をリスクゼロで確認できます。
従量課金のメリット
月額プランや最低利用額がありません。生成した音声分だけのコストで済むため、フリーランスの案件量に合わせた柔軟な運用が可能です。
トライアルクレジットの活用
トライアルクレジットは、APIキーの発行と同時に有効になります。テスト用のナレーションを作成して、音声の品質や速度を確認するのに最適です。
USDTトップアップの利便性
残高不足時はTRONネットワーク(TRC-20)のUSDTでトップアップできます。最小5ドルからの入金で、数分で残高に反映されます。
クレジットカードやPayPalの手数料を気にせず、残有效期もありません。アカウントごとにキーを発行できるので、管理もシンプルです。
データのプライバシー
当APIは、入力されたテキストを音声ファイルに変換する目的で使用するため、変換後の音声データはレスポンスとして返却された時点でサーバー上に永続的に保存されません。これにより、不要なストレージコストを抑えつつ、プライバシーを保護します。
生成された音声ファイル自体はお客様の環境にダウンロードされるため、二重の保護が実現されます。また、テキストは音声合成の処理中に一時的に使用され、その後の学習や分析のために使用されることはありません。
入力テキストの保存と利用
入力テキストは音声生成の処理のみを目的として使用されます。生成が完了すると、テキスト自体は保持されません。請求や監査のために使用されるのは、リクエストの時刻、文字数、ステータスなどのメタデータのみです。
このメタデータは、課金の正確性とサービスの健全性を維持するために記録されますが、テキストの内容そのものではありません。したがって、あなたの物件説明文やナレーションの具体的な内容は外部に漏洩することはありません。
生成音声の保存ポリシー
生成された音声ファイルは、APIのレスポンスとしてクライアントに返送されるだけで、当社のサーバーには保存されません。これにより、音声ファイルがサーバーのストレージを圧迫するのを防ぎ、プライバシー保護を徹底します。
音声ファイルはあなたのクライアント側で管理されるため、あなたはファイルの削除や保管期間を自由に決定できます。当社は生成された音声の内容やファイルそのものを保持しません。
合成音声の透かし表示
生成されるすべての音声ファイルには、不可聴の透かしが埋め込まれています。これは、音声ファイルが人工知能によって生成された音声であることを示すものです。
この透かしは、音声ファイルが合成音声であることを証明する目的で、すべての生成音声に自動的に付与されます。聴覚上は影響を与えず、聴覚的には確認できませんが、合成音声であることを示す技術的措置として機能します。

導入の容易さ
APIキーの取得は簡単です。Googleアカウントまたはメールアドレスでサインアップすると、ダッシュボードにキーと利用状況が表示されます。
cURLやOpenAI SDKの互換性が高く、base_urlを変更するだけで直ちに動作します。テストも容易で、即時に音声ファイルを確認できます。
APIキーの取得プロセス
サイト内の「get-api-key」ページでGoogleまたはメール登録を行うと、認証キーが即座に発行されます。キーは1つで、新しい発行時に旧キーは直ちに無効化されます。
cURLとSDKの互換性
リクエスト形状はOpenAI Speechエンドポイントと同一です。base_urlを「https://api.rv777.info/v1」に変更するだけで、既存のOpenAI SDKがそのまま利用可能です。公式SDK以外の独自SDKは不要です。
デバッグとテストの方法
ダッシュボードには準備完了のcURL例が表示されます。これを実行して音声ファイルの受信を確認するだけで、接続と課金設定のテストは完了です。エラー時は返金が保証されているため、気軽に試せます。
制限と注意点
不動産映像のナレーション作成において、APIの利用にはいくつかの技術的な制約が存在します。これらの制限を理解することで、効率的なワークフローを構築し、予期しないエラーを回避することができます。
特に、テキストの長さや同時リクエスト数、ストリーミングの有無は、プロジェクトの進行に直結するため、事前に確認しておくことが重要です。
テキスト文字数の制限
1つのリクエストで送信できるテキストは最大4,096文字までです。それを超える場合は、複数回に分けて送信し、生成された音声ファイルを結合する必要があります。
レートリミットの影響
APIキー1つあたり、1分間に60リクエストまでの制限があります。特にトップアップ前の初期段階では1分10リクエストとなります。キューが混雑すると、生成に少し時間がかかる場合があります。
ストリーミングの非サポート
このAPIはストリーミングに対応していません。音声ファイルの生成が完了するまで待機し、完了後にファイルを受信する形式です。リアルタイムな対話には不向きですが、バッチ処理には最適です。
将来の可能性
不動産業界では、複雑な物件情報の音声ガイドや、複数言語対応の国際向けツアーナレーションへの応用が期待されます。フリーランスは、単なる翻訳を超えた文化的に適切なナレーションを自動生成できるようになります。
ただし、現在のAPIではカスタム音声クローニングは提供されていません。
音声技術の進化
AmaeKoeの音声技術は、より自然な呼吸や感情表現へ進化します。リアルタイム処理の最適化により、バーチャルツアーの映像との同期精度が向上し、より没入感のある体験が可能になります。
不動産業界での応用拡大
不動産業界では、複雑な物件情報の音声ガイドや、複数言語対応の国際向けツアーナレーションへの応用が期待されます。フリーランスは、単なる翻訳を超えた文化的に適切なナレーションを自動生成できるようになります。
- 複雑な物件情報の音声ガイド生成
- 国際向けバーチャルツアーナレーション
- 文化的に適切な音声出力の実現
カスタマイズの未来
カスタマイズの未来では、特定の建築スタイルや街並みに合わせた音声トーンの調整や、既存のボイスプリセットを細かく調整する機能が登場する可能性があります。ただし、現在のAPIではカスタム音声クローニングは提供されていません。
競合との比較
競合他社との比較では、AmaeKoeは機能の多様性よりもシンプルさと透明性を重視しています。オープンソースSDKの互換性により、既存のワークフローに容易に統合可能であり、余計な機能に縛られない設計です。
コスト面では、従量課金制とUSDTでの決済が特徴です。月額プランや最小利用額の縛りがないため、フリーランスのプロジェクト規模に合わせた柔軟な課金が可能です。
他社APIとの機能比較
当APIはOpenAIのspeechエンドポイントと同一の形状を採用しており、base_urlを変更するだけで利用可能です。SSMLやカスタム音声クローンは提供していませんが、その分リクエストの構造が明確でデバッグが容易です。
- OpenAI SDKとの互換性あり
- SSML非対応
- カスタム音声クローン非対応
コスト効率の違い
100万文字あたり10ドルという従量課金は、大規模な不動産動画制作でも予測可能なコスト管理を可能にします。失敗したリクエストは無料のため、無駄な請求の心配がありません。
月額サブスクリプションがないため、使用しない月もコストゼロです。トライアルクレジットでまず試せる点も、新規導入におけるリスク低減に寄与します。
サポートの範囲
サポートはメールのみであり、電話やライブチャットはありません。SLAや稼働率保証もないため、インフラ管理はユーザー自身が行う必要があります。
このシンプルさが、技術的な自由度を求めるフリーランスにはかえって適しています。
まとめと推奨事項
AmaeKoe APIは、不動産フリーランスがナレーション制作のボトルネックを解消する実用的なツールです。専用SDKや複雑なインフラ不要で、OpenAI互換のシンプルなリクエストで音声ファイルを入手できます。
8Voiceと23言語で多様な映像に即応可能。従量課金で無駄な固定費を抑えながら、高品質な合成音声を安定して提供します。
フリーランスへの推奨理由
大人数のスタッフを抱えずとも、APIキー一つで即座に音声制作を始められます。初期コストもトライアルクレジットで検証可能で、リスクを最小限に抑えられます。
- 初期投資が少なく始められる
- スキルよりツールで効率化
- スケーラブルなコスト構造
不動産映像での活用方法
現地撮影の映像に、テキスト入力だけで自然なナレーションをオーバーレイできます。バーチャルツアーや物件紹介動画の制作工程を大幅に短縮できます。
- 物件紹介動画のナレーション
- バーチャルツアー音声生成
- 多言語対応による海外顧客へ
次のステップへの誘導
まずは/get-api-key/でAPIキーを取得し、実際の映像で試してみてください。USDTでのトップアップも簡単です。
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
- Node.js documentation
- TRON developer hub: TRC-20
- LibriTTS-R corpus (OpenSLR 141)
- LibriTTS-R paper (arXiv 2305.18802)
- ISO 639 language codes
- Python documentation
- MDN: Web Speech API
- W3C WAI: making audio and video accessible
- OpenAI API reference: create speech
- openai-node on GitHub
- LibriVox public-domain audiobooks
