音声合成（TTS）ガイド

音声合成（TTS）ガイド

POST /v1/audio/speech は OpenAI-compatible です。JSON を送ると音声ファイルのバイナリが返ります。ElevenLabs 系列には elevenlabs/eleven-v4、eleven-v4-turbo、eleven-v3、eleven-v3-conversational、eleven-multilingual-v2、eleven-flash-v2.5、eleven-flash-v2、eleven-turbo-v2.5、eleven-turbo-v2 があります。最新一覧は GET /v1/models?output_modalities=speech を参照してください。 GET /v1/models は既定ではテキストモデルのみを返すため、?output_modalities=speech（または all）を付けて一覧を取得してください。

パラメーター

上の 7 つの音声設定はすべて任意で、指定しなければ何も変わりません。範囲外の値は 400 を返し、送信も課金もされません。レスポンスヘッダー X-Voice-Settings は設定が使われたかを示します：applied＝適用、ignored＝予備ルートが応答したため設定は使われませんでした（音声は通常どおり生成されます）、ヘッダーなし＝音声設定を送っていません。例：stability を 0 にすると抑揚が大きく、1 にするとより均一に読み上げます。

声の規則

ElevenLabs モデル（elevenlabs/…）には次の音声名（大文字小文字不問）を指定できます: george, sarah, adam, alice, bella, bill, brian, callum, charlie, chris, daniel, eric, harry, jessica, laura, liam, lily, matilda, river, roger, will。ElevenLabs モデルでは voice を省略できます（既定は george）。それ以外の値は 400 invalid_voice になります。自分のカスタムボイス（voice_…）は下の「カスタムボイス」セクションを参照してください。

alloy、echo、nova などの OpenAI-style の声名は、それらを列挙するモデルでのみ使えます。モデルページを確認してください。

カスタムボイス（クローン）は段階的に公開中です。下の「カスタムボイス」セクション（POST /v1/voices）をご覧ください。アカウントで有効になるまでは、上の 21 個のプリセット名か公開ボイス ID をお使いください。

組み込み音声一覧

voice には下表の音声名（小文字）を指定できます。各音声に短い試聴クリップがあり、GET /api/v1/audio/voices で全一覧（性別・年齢層・アクセント・スタイル・試聴 URL）を取得できます。

?lang=（en、zh-TW、zh-CN。既定は Accept-Language）は description の言語だけを決めます。試聴 URL は変わりません：preview_urls.en（preview_url と同じ）が英語、preview_urls.zh（preview_url_zh と同じ）が中国語のクリップです。

感情・動作タグ（audio tags）

input の中に角括弧でタグを直接書きます。例: [laughs]、[whispers]、[excited]、[sighs]、[crying]、[curious]、[softly]。タグは入力どおりモデルに渡され、続く言葉の演じ方を決めます。本文が日本語でもタグは英語のままにしてください。

curl https://api.bazaarlink.ai/v1/audio/speech \
  -H "Authorization: Bearer $BAZAARLINK_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model":"elevenlabs/eleven-v3","input":"[laughs] That was actually funny. [whispers] Do not tell anyone.","voice":"george","response_format":"mp3"}' \
  --output audio-tags.mp3

elevenlabs/eleven-v3 と elevenlabs/eleven-v4 系列が対応しています。ほかの音声モデルはタグを解釈せず、括弧の中を読み上げることがあるため、まず短い文で試してください。

タグも input の文字数に含まれ、ほかのテキストと同じように課金されます。

出力形式

response_format を省略すると mp3（Content-Type は audio/mpeg）になります。pcm（audio/pcm、生の 16-bit PCM）も使えます。API は opus、aac、flac、wav も受け付けますが、ElevenLabs モデルは現在 400 で拒否します。保存時はレスポンスの Content-Type ヘッダーに従ってください。

料金

音声合成は入力文字数で課金されます。文字単価は /models のモデルページと GET /v1/models の pricing.character にあります。モデルページでは 100 万文字単位で表示されます。

例

curl https://api.bazaarlink.ai/v1/audio/speech \
  -H "Authorization: Bearer $BAZAARLINK_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model":"elevenlabs/eleven-flash-v2.5","input":"Hello from BazaarLink.","voice":"george","response_format":"mp3"}' \
  --output speech.mp3

よくあるエラー

全パラメーター一覧: 音声合成

音声合成

/v1/models?output_modalities=speech のモデル ID でテキストを音声に変換します。モデルページの100万文字あたりの価格で課金されます。音声全体をバッファしてからバイナリで返し、分割ストリーミングには対応していません。provider、transforms、route、service_tier、preset などのルーティング制御フィールドは無視されます。

curl https://api.bazaarlink.ai/v1/audio/speech \
  -H "$BAZAARLINK_AUTH_HEADER" \
  -H "Content-Type: application/json" \
  -d '{"model":"<speech-model-id>","input":"Hello","voice":"alloy","response_format":"mp3"}' \
  --output speech.mp3

# Voice settings (elevenlabs/* models; the X-Voice-Settings response header says applied or ignored)
curl -D - https://api.bazaarlink.ai/v1/audio/speech \
  -H "$BAZAARLINK_AUTH_HEADER" \
  -H "Content-Type: application/json" \
  -d '{"model":"elevenlabs/eleven-v4","input":"Hello","voice":"george","stability":0.4,"similarity_boost":0.8,"style":0.2,"use_speaker_boost":true,"language_code":"en","audio_effects":{"distance":0.3}}' \
  --output speech.mp3