TTS公開中
MiniMaxMiniMax Speech 2.6 HD
明瞭な発音、滑らかなペース、自然な感情表現を備えたスタジオ品質の音声。オーディオブック、ポッドキャスト、ナレーションに適しています。
Text → audio
$0.13/1,000 chars
公開中10モデル
テキスト読み上げAPI — 自然なAI音声生成
Muapiのテキスト読み上げAPIは、書かれたテキストを1つの統合REST連携で自然な人間らしい音声に変換します。MiniMax、Google Gemini、ElevenLabs（Eleven v4 APIを含む）、Fish Audio（Fish Audio S2.1 Pro API）から選び、単一話者のナレーションや複数話者の会話を生成できます。スタジオ品質または高速生成を利用し、声、感情、速度、安定性、類似度を調整できます。すべてのモデルで同じ非同期の送信・ポーリング方式を使え、料金は1,000文字あたり$0.015からです。
i
Muapiでテキスト読み上げが利用可能に
単一話者または複数話者のモデルを選び、台本を送信してください。返されたリクエストIDをポーリングすると、ダウンロード可能な音声ファイルを取得できます。
MiniMax Speech
スタジオ品質とターボ速度から選べる単一話者ナレーション2モデルモデルを試す
TTS公開中
MiniMaxMiniMax Speech 2.6 Turbo
自然な品質を保ちながら高速で軽量な音声を生成。速度、音量、ピッチ、感情を調整でき、短時間で音声を仕上げられます。
Text → audio高速
$0.07/1,000 chars
Gemini TTS
声やトーンを調整できる表現豊かな複数話者の会話4モデルTTS公開中
Google GeminiGemini 3.1 Flash TTS
明確な声、アクセント、感情表現に対応するコスト効率の高い複数話者音声。[whispers]のようなインラインのトーンタグも使えます。
Dialogue → audio高速
$0.035/1,000 chars
TTS公開中
Google GeminiGemini 2.5 Pro TTS
高忠実度の音声で、オーディオブック、映画のような会話、長文ナレーションに適したプレミアムな複数話者生成。
Dialogue → audio
$0.035/1,000 chars
TTSnew
Google GeminiDialogue → audio高速
$0.015/1,000 chars
TTSnew
Google GeminiDialogue → audio高速
$0.01/1,000 chars
ElevenLabs
表現豊かなEleven v4、高速な単一話者音声、多言語の会話3モデルTTS公開中
ElevenLabsElevenLabs TTS Turbo 2.5
安定性、類似度、話速を調整できる高速な単一話者音声。ナレーション、IVR、大量処理に適しています。
Text → audio高速
$0.05/1,000 chars
TTS公開中
ElevenLabsElevenLabs Text to Dialogue V3
構造化された台本から多言語の複数話者会話を生成。話者ごとの音声IDを指定でき、自然な会話の順番を再現します。
Dialogue → audio
$0.10/1,000 chars
TTSnew
ElevenLabsEleven v4
表現豊かな単一話者ナレーション向けのElevenLabs Eleven v4テキスト読み上げ。1リクエストあたり最大2,000文字、料金は1,000文字あたり$0.08で、MP3として返されます。
Text → audio
$0.08/1,000 chars
Fish Audio S2.1 Pro
1リクエストあたり最大10,000文字の長文ナレーション1モデルTTSnew
Fish AudioFish Audio S2.1 Pro
長文テキスト読み上げに対応。1リクエストあたり最大10,000文字、料金はUTF-8バイト数で1Mあたり$15（英語約1,000文字あたり$0.015）、MP3として返されます。
Text → audio
$15/1M UTF-8 bytes
条件に一致するモデルはありません。
テキスト読み上げAPIとは？
テキスト読み上げ（TTS）APIは、1回のHTTPリクエストで書かれたテキストを音声に変換します。台本と声、読み上げスタイルを指定するだけで、音声エンジニアリングの仕組みを構築せずにダウンロード可能な音声ファイルを受け取れます。
Muapiでは、公開中のTTSエンドポイントを統一されたREST方式で利用できます。APIキー、リクエストとポーリングの手順は共通で、従量課金です。ナレーションやIVRには単一話者（Eleven v4 API、Fish Audio S2.1 Pro APIを含む）、キャラクター、ポッドキャスト、オーディオブックには複数話者の会話を選べます。
テキスト読み上げの機能
複数話者の会話
Gemini TTSとElevenLabs Text to Dialogue V3では、台本の会話ターンごとに異なる声、アクセント、話し方を割り当てられます。
感情とトーンをインライン指定
Geminiモデルでは、[whispers]、[shouting]、[determination]などのタグを行内に入れ、表現を調整できます。
スタジオ品質とターボ速度
高忠実度を重視する場合はMiniMax Speech 2.6 HDまたはGemini 2.5 Pro TTSを、遅延やコストを重視する場合は高速モデルを利用できます。
調整可能な音声パラメータ
速度、音量、ピッチ、感情、安定性、類似度など、モデル固有の設定を調整できます。
カスタム音声とクローン音声
ElevenLabsのエンドポイントではカスタム音声IDを指定できます。対応する音声クローン手順で、再利用可能な音声を作成してください。
4つのプロバイダーを1つのAPIで
MiniMax、Google Gemini、ElevenLabs、Fish Audioのモデルで、Muapiの認証、非同期タスク、結果のポーリング、課金方式を共通して利用できます。
テキスト読み上げの活用例
ナレーションとボイスオーバー
台本からオーディオブックの章、動画ナレーション、広告、解説動画、SNS向けクリップを作成できます。
キャラクターとポッドキャスト
声や感情表現を使い分けて、複数ホストの会話やキャラクターの台詞を音声化できます。
IVRとアプリ音声
電話の音声案内、通知、アクセシビリティ用音声など、動的な音声を大規模に生成できます。
ローカライズ
多言語の会話生成と言語設定を活用し、世界各地向けのコンテンツや学習教材を作成できます。
テキスト読み上げモデル比較：Eleven v4 APIとFish Audio S2.1 Pro APIを含む
| モデル | プロバイダー | 料金 | おすすめの用途 |
|---|---|---|---|
| MiniMax Speech 2.6 HD | MiniMax | $0.13/1,000 characters | スタジオ品質の単一話者ナレーション |
| MiniMax Speech 2.6 Turbo | MiniMax | $0.07/1,000 characters | 高速な単一話者音声生成 |
| ElevenLabs TTS Turbo 2.5 | ElevenLabs | $0.05/1,000 characters | 大量のナレーションやIVR |
| Gemini 3.1 Flash TTS | $0.035/1,000 characters | 高速な複数話者の会話 | |
| Gemini 2.5 Pro TTS | $0.035/1,000 characters | スタジオ品質の複数話者の会話 | |
| ElevenLabs Text to Dialogue V3 | ElevenLabs | $0.10/1,000 characters | 多言語の複数話者会話 |
| Eleven v4 | ElevenLabs | $0.08/1,000 characters | 表現豊かな単一話者ナレーション、1リクエストあたり最大2,000文字 |
| Fish Audio S2.1 Pro | Fish Audio | $15/1M UTF-8 bytes (~$0.015/1,000 English characters) | 長文ナレーション、1リクエストあたり最大10,000文字 |
Fish Audio S2.1 ProはUTF-8バイト単位で課金されます。英語は1文字あたり約1バイトですが、ラテン文字以外の文字体系では1文字あたり3〜4バイトを使用します。
テキスト読み上げAPIの例
Muapi APIキーを使ってプレーンテキストまたは構造化された会話を送信し、リクエストIDを保存して、標準の予測結果エンドポイントをポーリングすると音声URLを取得できます。
単一話者の音声を生成
curl -X POST https://api.muapi.ai/api/v1/minimax-speech-2.6-hd \
-H "x-api-key: YOUR_API_KEY" \
-H "Content-Type: application/json" \
-d '{"prompt":"Welcome to Muapi. Your workspace is ready.","voice_id":"Friendly_Person","speed":1,"emotion":"happy","format":"mp3"}'
# Response: {"request_id":"REQUEST_ID"}prompt、voice、任意の読み上げパラメータを指定し、MiniMaxまたはElevenLabsの単一話者エンドポイントを使います。
Geminiで会話を生成
curl -X POST https://api.muapi.ai/api/v1/gemini-3-1-flash-tts \
-H "x-api-key: YOUR_API_KEY" \
-H "Content-Type: application/json" \
-d '{"speakers":[{"speaker_id":"Speaker 1","voice_name":"Kore","accent":"Neutral","style":"Empathetic","pace":"Natural"},{"speaker_id":"Speaker 2","voice_name":"Puck","accent":"British (RP)","style":"Deadpan","pace":"Natural"}],"dialogue_turns":[{"speaker_id":"Speaker 1","text":"[warmly] Welcome to the show."},{"speaker_id":"Speaker 2","text":"[whispers] Let us begin."}]}'話者と順序付きの会話ターンを定義し、各ターンで使用する音声設定を指定します。
Eleven v4 APIで音声を生成
curl -X POST https://api.muapi.ai/api/v1/elevenlabs-v4 \
-H "x-api-key: YOUR_API_KEY" \
-H "Content-Type: application/json" \
-d '{"prompt":"Welcome to the future of voice. This is Eleven v4, speaking with natural rhythm and emotion.","voice_id":"voice_daniel"}'
# Response: {"request_id":"REQUEST_ID"}promptに最大2,000文字を送り、voice_danielまたはvoice_liamを選択します。Eleven v4の料金は1,000文字あたり$0.08です。
Fish Audio S2.1 Pro APIで長文音声を生成
curl -X POST https://api.muapi.ai/api/v1/fish-s2-1-pro \
-H "x-api-key: YOUR_API_KEY" \
-H "Content-Type: application/json" \
-d '{"prompt":"Welcome to the show. Today we look at how voice models have changed the way we tell stories.","voice_id":"voice_fish_narrator"}'
# Response: {"request_id":"REQUEST_ID"}promptに最大10,000文字を送り、voice_fish_narratorを指定します。料金はUTF-8バイト数で1Mあたり$15です。
ElevenLabsで会話を生成
curl -X POST https://api.muapi.ai/api/v1/elevenlabs-text-to-dialogue-v3 \
-H "x-api-key: YOUR_API_KEY" \
-H "Content-Type: application/json" \
-d '{"dialogue":[{"text":"Welcome to the show.","voice_id":"ZQe5CZNOzWyzPSCn5a3c"},{"text":"Let us begin.","voice_id":"EXAVITQu4vr4xnSDxMaL"}],"language_code":"en","stability":0.5}'ターンごとに音声IDを指定した構造化会話配列を渡すと、多言語の複数話者音声が生成されます。
音声の結果をポーリング
curl https://api.muapi.ai/api/v1/predictions/REQUEST_ID/result \ -H "x-api-key: YOUR_API_KEY" # Read the generated audio URL after status becomes completed.
ステータスがcompletedになるまでポーリングし、レスポンスからダウンロード可能な音声URLを取得します。
テキスト読み上げAPIに関するよくある質問
テキスト読み上げAPIとは何ですか？
MuapiのTTS APIは、MiniMax、Google Gemini、ElevenLabs、Fish Audioのエンドポイントを通じて、書かれたテキストを自然な音声に変換します。単一話者のナレーションと複数話者の会話に対応しています。
複数話者の会話にはどのモデルを使えばよいですか？
話者プロフィールとインラインのトーンタグにはGemini 3.1 Flash TTSまたはGemini 2.5 Pro TTSを、多言語の構造化会話と話者ごとの音声IDにはElevenLabs Text to Dialogue V3をお使いください。
テキスト読み上げの料金はいくらですか？
料金はFish Audio S2.1 Proが英語1,000文字あたり$0.015（UTF-8バイト数で1Mあたり$15）、Gemini 3.1 Flashと2.5 Pro TTSが1,000文字あたり$0.035、ElevenLabs TTS Turbo 2.5が$0.05、Eleven v4が$0.08、ElevenLabs Dialogue V3が$0.10、MiniMax Turboが$0.07、MiniMax HDが$0.13からです。Gemini 3.8 FlashとFlash Liteは1,000文字あたりそれぞれ$0.015と$0.01です。
Eleven v4 APIの使い方と文字数上限を教えてください。
elevenlabs-v4エンドポイントを呼び出し、prompt（最大2,000文字）とvoice_idとしてvoice_danielまたはvoice_liamを指定します。リクエストIDをポーリングするとMP3を取得できます。Eleven v4の料金は1,000文字あたり$0.08です。
Fish Audio S2.1 Pro APIとは何ですか？
Fish Audio S2.1 Pro API（fish-s2-1-pro）は長文のテキスト読み上げエンドポイントです。voice_fish_narratorを指定して1リクエストあたり最大10,000文字を送信でき、MP3が返されます。料金はUTF-8バイト数で1Mあたり$15（英語1,000文字あたり約$0.015）です。
カスタム音声やクローン音声を使えますか？
はい。ElevenLabsのエンドポイントではカスタムのElevenLabs音声IDを指定でき、MiniMaxでは選択したモデルのスキーマが対応していれば、学習済み音声IDを使用できます。
どの音声形式で返されますか？
各モデルは標準の予測結果エンドポイントからダウンロード可能な音声ファイルURLを返します。埋め込み、ダウンロード、動画やリップシンクの処理への受け渡しに利用できます。
テキスト読み上げAPIモデルを利用するにはどうすればよいですか？
Muapi APIキーを作成し、台本に合ったエンドポイントを呼び出して、返されたリクエストIDをポーリングします。公開中のモデルにウェイトリストは必要ありません。
Eleven v4 APIとElevenLabsのエンドポイント →Eleven v4、TTS Turbo 2.5、Text to Dialogue V3を比較できます。Fish Audio S2.1 Pro API →1リクエストあたり最大10,000文字の長文ナレーション。UTF-8バイト単位の課金です。Gemini TTSのラインアップを見る →Gemini TTSの4つのグレード、3.8 Flash、3.8 Flash Lite、3.1 Flash、2.5 Proを比較できます。音声クローンを見る →対応する音声ワークフローで再利用できる話し声を作成できます。Suno Musicを見る →音声の代わりに音楽が必要な場合は、曲の生成、リミックス、拡張ができます。音声モデルを見る →音声、音楽、効果音、動画から音声への各エンドポイントを比較できます。リップシンクモデルを見る →生成した音声と顔の動画を組み合わせて、話すアバターを作成できます。
自然な音声を生成しませんか？
1つのMuapi APIキーで、ナレーション、キャラクターの会話、IVR、ポッドキャスト、多言語音声を利用できます。