音声クローニングAPI

音声クローニングAPIは、参照音声、参照音声の正確な文字起こし、合成するテキストを 1回のmultipart requestで受け取り、音声を返します。

API概要

項目	値
Base URL	https://api.kitschlabs.com
認証	xi-api-key: <API_KEY>
Method	POST
Endpoint	/v1/voice-cloning/text-to-speech
Content-Type	multipart/form-data
デフォルト出力	mp3_44100_128 (audio/mpeg)
追加出力	wav_24000 (audio/wav)

どのように認証しますか？

発行されたAPIキーをxi-api-keyヘッダーに送信します。実際のキーはサーバーの 環境変数またはシークレット管理サービスに保存し、ブラウザ、アプリのバンドル、 ログに残さないでください。

xi-api-key: <API_KEY>

音声を生成するには？

参照音声とreference_textは正確に一致する必要があります。以下の例では、 参照ファイルと合成する文章を1回のリクエストで送信します。

cURL

curl --request POST \
  "https://api.kitschlabs.com/v1/voice-cloning/text-to-speech?output_format=wav_24000" \
  --header "xi-api-key: <API_KEY>" \
  --form "text=これは合成するテキストです。" \
  --form "reference_text=これは参照音声の正確な文字起こしです。" \
  --form "reference_audio=@reference.wav" \
  --form "language_code=ja" \
  --output speech.wav

Python

import os

import requests

with open("reference.wav", "rb") as reference_audio:
    response = requests.post(
        "https://api.kitschlabs.com/v1/voice-cloning/text-to-speech",
        params={"output_format": "wav_24000"},
        headers={"xi-api-key": os.environ["KITSCH_API_KEY"]},
        data={
            "text": "これは合成するテキストです。",
            "reference_text": "これは参照音声の正確な文字起こしです。",
            "language_code": "ja",
        },
        files={"reference_audio": reference_audio},
        timeout=120,
    )

response.raise_for_status()

with open("speech.wav", "wb") as audio_file:
    audio_file.write(response.content)

JavaScript

import { readFile, writeFile } from "node:fs/promises";

const form = new FormData();
form.append("text", "これは合成するテキストです。");
form.append("reference_text", "これは参照音声の正確な文字起こしです。");
form.append("reference_audio", new Blob([await readFile("reference.wav")]), "reference.wav");
form.append("language_code", "ja");

const response = await fetch(
  "https://api.kitschlabs.com/v1/voice-cloning/text-to-speech?output_format=wav_24000",
  {
    method: "POST",
    headers: {"xi-api-key": process.env.KITSCH_API_KEY},
    body: form,
  },
);

if (!response.ok) {
  throw new Error(`${response.status}: ${await response.text()}`);
}

await writeFile("speech.wav", Buffer.from(await response.arrayBuffer()));

どのフィールドを送信しますか？

フィールド	位置	型	必須	説明
text	form	string	はい	合成するテキスト
reference_text	form	string	はい	参照音声で実際に話されている正確な文字起こし
reference_audio	form	file	はい	WAV、MP3、FLAC、OGGファイル
language_code	form	string	いいえ	en、ko、ja、zhのいずれか
instruct	form	string	いいえ	話し方に関する自然言語の指示
speed	form	number	いいえ	発話速度。0.25から4
output_format	query	string	いいえ	mp3_44100_128またはwav_24000

参照音声は最大25 MiB、20秒まで対応します。reference_textにはtimestamp、 話者名、字幕記号、翻訳を含めず、実際に聞こえる発話だけを記述してください。

参照音声はどのように準備しますか？

• 1人が話すクリアなspeech-only clipを使用します。
• 音楽、反響、背景の会話、強いnoiseを避けます。
• clipの先頭や末尾で発話を切らないようにします。
• 必要な発音とトーンが明確に含まれる部分を選びます。
• 自分の音声、または明示的に使用許可を得た音声のみを使用します。

使用する権利のある音声のみを利用してください

同意なく他人の音声を複製したり、なりすまし、欺瞞、権利侵害を目的として 利用したりしないでください。

レスポンスとエラー

成功すると、選択したoutput_formatのaudio binaryを返します。レスポンスを ファイルに保存し、x-kitsch-request-idを運用ログに残してください。

ステータス	意味	推奨対応
400·422	必須値、文字起こし、ファイル形式のエラー	リクエスト値と参照音声を修正
401	APIキーがない、または無効	キーとxi-api-keyヘッダーを確認
402	利用可能なcreditが不足	請求の状態を確認
413	参照音声のサイズ超過	25 MiB以下にして再送信
429	アカウントのリクエスト上限を超過	Retry-Afterに従いbackoffを適用
5xx	一時的なサーバーエラー	request IDを記録し、回数を制限して再試行