音声合成モデル
seed-audio-1.0
音声合成カタログのモデル ID は seed-audio-1.0 です。モデル一覧から同じ種類のモデルを比較できます。
使用前に確認すること
下の入力表は router が扱う共通パラメータです。すべての設定をこのモデルへ同時に渡せるという意味ではありません。利用するワークスペースのカタログ行で対応入力・値・組み合わせを確認し、対応する設定だけを送信してください。
このページはカタログと入力のスキーマを示します。この種類の生成操作は、現時点の Creative API リファレンスには定義されていません。
入力パラメータ
| フィールド | 型 | 指定 | 意味 | 値と制約 |
|---|---|---|---|---|
model | string | 必須 | このページのモデルを選ぶ ID。他のモデル名や別名に置き換えず指定します。 | 固定値 "seed-audio-1.0" |
transcript_source | object | 任意 | 読み上げる文章の取得方法。直接指定とアバター由来の入力を区別します。 | 必須の子項目: script_revision_id, sentence_ids |
transcript_source.script_revision_id | string | 必須 | 読み上げる台本の版を選ぶ ID。 | minLength: 1; maxLength: 128; pattern: "^[A-Za-z0-9_-]+$" |
transcript_source.sentence_ids | (string)[] | 必須 | 台本の中から読み上げる文を選ぶ ID の一覧。 | minItems: 1; maxItems: 1000 |
transcript | string | 任意 | 読み上げる文章。選択したモデルの文字数上限内で指定します。 | minLength: 1; maxLength: 20000 |
avatar_id | string | 任意 | 文章や声の取得元として使用するアバターの ID。 | minLength: 1 |
avatar_handle | string | 任意 | 文章や声の取得元として使用するアバターのハンドル。 | minLength: 2; maxLength: 31; pattern: "^@?(?![._])(?!.*[._]$)(?!.*[._]{2})[A-Za-z0-9._]{2,30}$" |
voice | object | 任意 | モデルと同じ voice_family から選んだ声の ID。 | モデルの capabilities と constraints で確認 |
voice.mode | string | 任意 | 声の指定方法。この形状では ID で指定します。 | "id"; default: "id" |
voice.id | string | 任意 | 選択した系列で利用できる声の ID。 | minLength: 1; maxLength: 128 |
confirm_language_mismatch | boolean | 任意 | 選択した声と文章の言語が異なる場合に、その組み合わせを明示的に許可します。 | モデルの capabilities と constraints で確認 |
language | string | 任意 | 読み上げる言語のコード。モデルの対応言語から選びます。 | minLength: 2; maxLength: 16 |
output_format | object | 任意 | 成果物のファイル形式。対応する値はモデルによって異なります。 | モデルの capabilities と constraints で確認 |
output_format.container | string | 任意 | 音声を格納するファイル形式。 | "mp3", "wav", "raw" |
output_format.sample_rate | integer | 任意 | 音声を 1 秒あたり何回標本化するかを Hz で指定します。 | 8000, 16000, 22050, 24000, 32000, 44100, 48000 |
output_format.bit_rate | integer | 任意 | 圧縮音声の 1 秒あたりのビット数。 | 32000, 64000, 96000, 128000, 192000 |
output_format.encoding | string | 任意 | 音声の数値表現と符号化方式。raw 出力などに使用します。 | "pcm_f32le", "pcm_s16le", "pcm_mulaw", "pcm_alaw" |
pronunciation_dict_id | string | 任意 | 固有名詞などの発音を指定する辞書の ID。 | minLength: 1; maxLength: 128 |
generation_config | object | 任意 | 声の系列が対応する生成設定。カタログにない設定は指定できません。 | モデルの capabilities と constraints で確認 |
generation_config.volume | number | 任意 | 生成音声の音量の倍率。 | minimum: 0.5; maximum: 2 |
generation_config.speed | number | 任意 | 生成音声の読み上げ速度の倍率。 | minimum: 0.5; maximum: 2 |
generation_config.pitch | integer | 任意 | 声の高さの調整量。 | minimum: -12; maximum: 12 |
generation_config.emotion | string | 任意 | 声に付ける感情の指定。対応するモデルだけに使用します。 | minLength: 1; maxLength: 64 |
speed | string | 任意 | 読み上げる速さの倍率。モデルの対応範囲内で指定します。 | "slow", "normal", "fast" |
timestamps | object | 任意 | 文章と音声の位置の対応を結果に含めるかを指定します。 | モデルの capabilities と constraints で確認 |
timestamps.words | boolean | 任意 | 単語ごとの時刻を結果に含めるかを指定します。 | モデルの capabilities と constraints で確認 |
segmentation | object | 任意 | 文章を音声の区間に分ける方法を指定します。 | 必須の子項目: mode |
segmentation.mode | string | 必須 | 文章を区切る単位。この形状では文ごとに分けます。 | "sentence" |
segmentation.boundary_lead_ms | integer | 任意 | 区間の境界に設ける先行時間。単位はミリ秒です。 | minimum: 0; maximum: 500; default: 70 |
segmentation.emit_audio | boolean | 任意 | 分割した区間の音声を結果に含めるかを指定します。 | default: true |
metadata | object | 任意 | 利用者の追跡用データ。ジョブと関連付けて保存し、モデルには送りません。 | モデルの capabilities と constraints で確認 |
mode | string | 任意 | async は即時応答、webhook は終端通知、sync と subscribe は時間を区切って完了を待ちます。 | "async", "sync", "subscribe", "webhook" |
webhook_url | string | 任意 | 終端イベントを受け取る公開 HTTPS URL(2048 文字以内、既定のポート)。async または webhook モードで指定し、sync とは併用できません。localhost、プライベート、ループバック、リンクローカルのアドレス宛ては指定できません。ジョブが完了、失敗、取消のいずれかになると、ワークスペースの署名シークレットで署名した通知を 1 件送ります。 | maxLength: 2048; format: "uri" |
wait_timeout_seconds | integer | 任意 | HTTP 応答を待つ秒数。0〜30。時間を過ぎてもジョブは継続します。 | minimum: 0; maximum: 30 |
project_id | string | 任意 | ジョブまたは配置先を関連付けるプロジェクトの ID。 | maxLength: 200 |
voice_settings | object | 任意 | 安定性や声の類似度など、選んだ声の系列が受け付ける調整値。 | モデルの capabilities と constraints で確認 |
voice_settings.stability | number | 任意 | 声の表現の安定性を調整します。 | minimum: 0; maximum: 1 |
voice_settings.similarity_boost | number | 任意 | 選択した声との類似度を調整します。 | minimum: 0; maximum: 1 |
voice_settings.style | number | 任意 | 選択した声の表現の強さを調整します。 | minimum: 0; maximum: 1 |
voice_settings.speed | number | 任意 | 声の読み上げ速度の倍率。 | minimum: 0.7; maximum: 1.2 |
apply_text_normalization | string | 任意 | 数字などを読み上げ用の表現へ変換する方法を選びます。 | "auto", "on", "off" |
seed | integer | 任意 | 再現性の調整に使う乱数シード。0〜4,294,967,295。 | minimum: 0; maximum: 4294967295 |
カタログの対応範囲
| フィールド | 型 | 指定 | 意味 | 値と制約 |
|---|---|---|---|---|
name | string | 必須 | モデル選択画面に表示する名称。要求には名称ではなく id を指定します。 | モデルの capabilities と constraints で確認 |
voice_family | string | 任意 | このモデルと組み合わせる声の一覧を選ぶ family の値。別の系列の声は使用できません。 | "sonic", "eleven", "seed_audio", "qwen", "minimax", "seed_speech" |
modality | string | 必須 | 生成されるメディアの種類。音声・音楽モデルは audio を返します。 | "audio" |
routing | string | 必須 | 指定したモデルへ直接送るか、カタログの選択規則で別のモデルへ解決するかを示します。 | "pass_through" |
capabilities | object | 必須 | 利用可能な入力や設定の範囲。記載のない設定を要求に追加しないでください。 | 必須の子項目: text_to_speech, max_characters |
capabilities.text_to_speech | boolean | 必須 | 文章を音声に変換する入力に対応しているかを示します。 | モデルの capabilities と constraints で確認 |
capabilities.max_characters | integer | 必須 | 一度の音声生成で入力できる文章の文字数上限。 | モデルの capabilities と constraints で確認 |
capabilities.languages | (string)[] | 任意 | 音声生成で受け付ける言語の ISO 639-1 コード。 | モデルの capabilities と constraints で確認 |
capabilities.output_formats | (string)[] | 任意 | 音声のコンテナ、サンプルレート、ビットレートを組み合わせた出力形式。 | モデルの capabilities と constraints で確認 |
capabilities.settings | object | 任意 | 指定可能な声の設定ごとの min、max、step、default。項目がなければ指定できません。 | モデルの capabilities と constraints で確認 |
constraints | (string)[] | 必須 | 文字数、長さ、入力の組み合わせなど、要求が満たす必要のある条件。 | モデルの capabilities と constraints で確認 |
料金の形状
金額はカタログ取得時の値を使用します。単価と課金単位を組み合わせて見積もり、実際の消費量はジョブの usage で確認してください。
| フィールド | 型 | 指定 | 意味 | 値と制約 |
|---|---|---|---|---|
basis | string | 必須 | 単価を適用する生成量の単位。文字数、音声一つ、秒数、分数を区別します。 | "per_character" |
credits_per_1000_characters | number / null | 必須 | 入力文章 1,000 文字あたりに消費するクレジット。換算価格が未設定の場合は null。 | minimum: 0 |