ブラックフライデーチャージボーナス
対象のチャージごとに無料クレジットが付き、他の特典とも併用できます。
11月30日まで
テキストを送ると、音声が返ります。Lovely Router は OpenAI の speech エンドポイント POST /v1/audio/speech を、自社 GPU 上の2つのオープンウェイト音声モデル、Qwen3-TTS と ZONOS2 で提供します。OpenAI の SDK 向けに書かれたコードは、ベース URL とキーを変えるだけで動きます。さらに OpenAI のフィールドに加えて、言葉でまったく新しい声を記述でき、言語を設定でき、ZONOS2 では感情を選べます。どちらのモデルも音声1分あたり $0.036、秒単位の課金で、モデル呼び出しと同じプリペイド残高から支払われます。
AI エージェントに任せる
このプロンプトを Claude Code、Cursor、Codex などのコーディングエージェントに貼り付けてください。ドキュメントの場所と API キーの使い方をエージェントに伝えます。
Add text to speech to this project with the Lovely Router speech API (OpenAI-compatible). - Docs (read first): https://lovelyrouter.com/docs/models/speech.md and https://lovelyrouter.com/docs/api/audio.md - POST https://lovelyrouter.com/v1/audio/speech with `model`, `input`, `voice` (a preset, an OpenAI voice name or a saved voice id) and optional `instructions`, `response_format`, `speed`, `language`. The answer is the audio file. - The first request after an idle spell can take a while (the model wakes up): use a long client timeout. - Auth: read my API key from the LOVELY_API_KEY environment variable and send it as `Authorization: Bearer $LOVELY_API_KEY`. Never print or commit the key. If it is not set, ask me to create one at https://lovelyrouter.com/app/keys. - Billing is prepaid: every call is charged to my balance, so test with a small request before running anything large. - Every docs page is plain Markdown; the full index is https://lovelyrouter.com/llms.txt. My task: <the text, the language and the voice you want>
モデルを選ぶ
qwen3-tts | zonos2 | |
|---|---|---|
| 価格 | $0.036 / 分 | $0.036 / 分 |
| 話し方を操作するには | 平易な言葉で instructions: 感情、速さ、音量、ささやき、なまり | emotion: happy、sad、angry、surprised、または 0〜1 の重み |
| 説明から新しい声 | 可: voice を省略して記述する | 不可 |
| プリセット音声 | 9 | 3: american_female、american_male、british_female |
| 言語 | 10: 中国語、英語、日本語、韓国語、ドイツ語、フランス語、ロシア語、ポルトガル語、スペイン語、イタリア語 | 40以上、英語・中国語・日本語が最も得意 |
| サンプルレート | 24 kHz | 44.1 kHz |
| ウォームアップ後の速度 | リアルタイムの約2倍 | リクエストあたり約リアルタイム、複数を同時に動かすとより高速 |
| ライセンス | Apache-2.0、Qwen チーム | Apache-2.0、Zyphra |
どちらのモデルも短い録音から声をクローンできます。それには専用のページがあります: 音声クローン API。
最初のリクエスト
OpenAI SDK を https://lovelyrouter.com/v1 に向けてください。レスポンスは音声ファイルそのもので、別の形式を指定しない限り MP3 です。x-lovely-audio-seconds ヘッダーがその長さを秒で示します。
curl https://lovelyrouter.com/v1/audio/speech \
-H "Authorization: Bearer $LOVELY_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "qwen3-tts",
"input": "Welcome back! Your order has shipped and should arrive on Thursday.",
"voice": "serena",
"instructions": "Warm and cheerful, a little fast"
}' \
--output welcome.mp31リクエストは最大 4,096 文字のテキストを受け付けます。長いテキストは同じ声で文ごとに読み上げられます。
声を選ぶ4つの方法
1. プリセット。 qwen3-tts には9つあります: vivian、serena、uncle_fu、dylan、eric、ryan、aiden、ono_anna、sohee。それぞれに中国語(北京語・四川語を含む)、英語、日本語、韓国語のいずれかの母語があります。どの声もモデルが対応するすべての言語を話せますが、自分の母語が最も得意です。
2. OpenAI の声の名前。 alloy、nova、onyx などの OpenAI の名前は最も近いプリセットにマッピングされるので、OpenAI の声向けに作られたアプリはそのまま動き続けます。
3. 説明から設計する声。 voice を省略し、instructions で話し手を記述します(年齢、性別、音色、速さ、雰囲気、なまり)。qwen3-tts がそれに合わせて新しい声を作ります:
{
"model": "qwen3-tts",
"input": "Ahoy! Lower the sails, we're coming into port.",
"instructions": "A gravelly old pirate captain with a booming voice, amused and a little drunk"
}設計された声は毎回少しずつ異なります。気に入ったものができたら、その音声を声として保存し、以後はその id を使ってください。
4. 声をまったく指定しない。 voice も instructions もない場合、モデルは language に合うプリセットを選びます。qwen3-tts では中国語なら vivian、日本語なら ono_anna、韓国語なら sohee、それ以外は ryan です。
話し方を指示する
qwen3-tts では instructions(最大 1,000 文字)が、プリセットまたは保存済みの声に話し方を伝えます。ナレーターに指示を出すのと同じように、任意の言語で書けます: 「ゆっくりと秘密めいた口調で、半分ささやくように。」 zonos2 では emotion が話し手を変えずに話し方を変えます: "emotion": "sad"、あるいは {"happy": 0.7, "surprised": 0.3} のようなブレンドです。zonos2 に instructions を送るか、qwen3-tts に emotion を送ると、そのフィールド名を示す 400 が返ります。
テキストが短い場合や数字が多い場合は、language を en、zh、ja、pt-br などの ISO コードに設定してください。既定の auto は自動検出します。speed は 0.25〜4.0 で、ピッチを変えずに速さを変えます。seed は出力を再現可能にします。
出力形式
response_format | 得られるもの |
|---|---|
mp3(既定) | MP3、128 kbps |
opus | Ogg Opus、64 kbps |
aac | AAC(ADTS) |
flac | FLAC |
wav | WAV、16-bit |
pcm | 生の 16-bit リトルエンディアンサンプル、24 kHz モノラル、OpenAI が送るのと同じ形式 |
音声は完成してから届きます。ストリーミングはなく、stream_format: "sse" は 400 を返します。
コールドスタートについて、率直に
どちらのモデルも、誰も使っていないときはスリープする GPU 上で動きます。しばらく使われなかった後の最初のリクエストは、モデルの読み込みを待ちます。qwen3-tts で約45秒、zonos2 では最大2分です。その後は表にある速度が適用されます。HTTP クライアントには読み込みをカバーするタイムアウトを設定し、レイテンシが重要な場合は1時間に1本ではなく、複数行をまとめて次々に送ってください。待ち時間に課金されることはなく、課金されるのは生成された音声の秒数だけです。
料金
どちらのモデルも音声1分あたり $0.036、秒単位の課金で、1リクエストあたり最低1秒です。選んだ speed によって返ってくる秒数が変わり、それが支払い対象です。失敗したリクエストは課金されず、ホールドもありません。リクエストには残高がプラスであれば足ります。各呼び出しは生成された秒数とともにログに表示されます。サブスクリプションはありません。同じ残高に対する残りの価格表は料金をご覧ください。
大量に、できるだけ安く使いたい場合は、hexgrad の小型オープンウェイトモデル kokoro-82m があります。54 種類のプリセットボイス(af_heart、bm_george、zf_xiaoxiao など)で、アメリカ英語・イギリス英語、スペイン語、フランス語、ヒンディー語、イタリア語、日本語、ポルトガル語、中国語を話し、起動待ちはなく、料金は音声1分あたり $0.008、秒単位の課金です。指示、感情、クローンには対応せず、MP3、WAV、PCM を返します。
朗読ではなく演技が必要な場合は、Fish Audio の表現力豊かなモデル drama-3 があります。テキストの好きな位置に [角かっこ] で指示([whispering]、[voice breaking])を書け、WAV か MP3 のクリップから声をクローンでき、83 言語に対応し、音声 1 分あたり $0.09 です。通常速度の MP3 のみを返します。
| モデル | 入力 → 出力 | 価格 |
|---|---|---|
| Qwen3-TTS 1.7B qwen3-tts | text→speech | 1 分あたり $0.036 |
| ZONOS2 zonos2 | text→speech | 1 分あたり $0.036 |
| Kokoro 82M kokoro-82m | text→speech | 1 分あたり $0.008 |
| Fish Audio Drama 3 drama-3 | text→speech | 1 分あたり $0.09 |
米ドルのリアルタイム価格。API の請求額と同じです。
よくある質問
OpenAI の音声 API と互換性はありますか?+
はい。同じエンドポイント POST /v1/audio/speech で、同じフィールドと出力形式なので、公式の OpenAI SDK が https://lovelyrouter.com/v1 に対して動作します。OpenAI の声の名前は最も近いプリセットにマッピングされます。追加のフィールド(language、emotion、seed、クローン)は任意です。
テキスト読み上げの料金はいくらですか?+
どちらのモデルも音声1分あたり $0.036、1リクエストあたり最低1秒の秒単位課金です。失敗したリクエストは無料です。
どの言語に対応していますか?+
qwen3-tts は10言語を話します: 中国語、英語、日本語、韓国語、ドイツ語、フランス語、ロシア語、ポルトガル語、スペイン語、イタリア語。zonos2 は40以上を話し、英語・中国語・日本語が最も得意です。
最初のリクエストに時間がかかったのはなぜですか?+
モデルがスリープしていて読み込む必要がありました。qwen3-tts で約45秒、zonos2 では最大2分です。その直後のリクエストは高速です。待ち時間は課金されません。
テキストはどれくらいの長さまで可能ですか?+
1リクエストあたり最大 4,096 文字、instructions は最大 1,000 文字です。長いスクリプトは同じ声で複数のリクエストに分割してください。
生成中に音声をストリーミングできますか?+
まだできません。音声は完成後に1つのレスポンスで返ります。
すべてのフィールドとエラーは音声 API リファレンスに、声の一覧とより多くの例は音声ガイドにあります。