テキスト読み上げAPI音声、制御、および音声出力

入力

テキストに加え、内蔵音声または明示的にサポートされている音声デザイン／クローンコントロール。

出力

モデルがサポートする形式の音声データ、またはチャット応答内の音声フィールド。

終点

POST /v1/audio/speech or POST /v1/chat/completions, according to api_mode

ライフサイクル

同期処理。バイナリ形式の音声応答を保存するか、チャットモードから返された音声フィールドをデコードします。

mimo-v2.5-tts

Xiaomi MiMo-V2.5-TTS — 内蔵音声、自然言語スタイルの指示、感情、ペース、トーン、方言、および文字制御を備えた表現力豊かな多言語音声合成。

タスク: 音声付き動画、テキスト読み上げ

終点： POST /v1/chat/completions

費用例： 1 10k文字 × $0 = $0 。

stepaudio-2.5-tts

StepAudio 2.5 TTS — インラインの自然言語指示、表現力豊かな発話、内蔵音声、およびOpenAI-compatibleオーディオ出力による文脈に応じた音声合成。

タスク: 音声付き動画、テキスト読み上げ

終点： POST /v1/audio/speech

費用例： 1 10.85k文字 × $0.85 = $0.85 。

glm-tts

GLM-TTS — 表現力豊かな音声合成、ストリーミング出力、高速なファーストオーディオ、音声、速度、音量のコントロールを備えた、文脈認識型の音声合成。

タスク: 音声付き動画、テキスト読み上げ

終点： POST /v1/audio/speech

費用例： 1 10.307692k文字 × $0.307692 = $0.307692 。

qwen3-tts-flash

Qwen3-TTS-Flash — 低遅延の多言語音声合成、混合言語入力、内蔵音声、自動言語マッチング、文字ベースの課金機能。

タスク: 音声付き動画、テキスト読み上げ

終点： POST /v1/audio/speech

費用例： 1 10.123077k文字 × $0.123077 = $0.123077 。

speech-2.8-hd

MiniMax音声2.8 HD — 自然な感情表現、言語強化、音声制御、およびプロダクションオーディオフォーマットを備えた高忠実度音声合成。

タスク: 音声付き動画、テキスト読み上げ

終点： POST /v1/audio/speech

費用例： 1 10.538462k文字 × $0.538462 = $0.538462 。

speech-2.8-turbo

MiniMax音声2.8 Turbo — 自然な出力、感情制御、言語強化、一般的な制作オーディオフォーマットを備えた、速度重視の音声合成。

タスク: 音声付き動画、テキスト読み上げ

終点： POST /v1/audio/speech

費用例： 1 10.307692k文字 × $0.307692 = $0.307692 。

step-tts-2

ステップTTS 2 — 公式音声とクローン音声による表現力豊かな音声合成、速度と音量の調整、発音マッピング、および複数の出力フォーマット。

タスク: 音声付き動画、テキスト読み上げ

終点： POST /v1/audio/speech

費用例： 1 10.4k文字 × $0.4 = $0.4 。

step-tts-mini

Step TTS Mini — 中国語、英語、日本語、広東語、四川語に対応した、コスト効率に優れた表現力豊かな音声合成。公式音声とクローン音声の両方に対応。

タスク: 音声付き動画、テキスト読み上げ

終点： POST /v1/audio/speech

費用例： 1 10.15k文字 × $0.15 = $0.15 。