ブラックフライデーチャージボーナス·$50以上のチャージで$10プレゼント · $100以上のチャージで$25プレゼント·11月30日までチャージ →
テキスト読み上げ

設計された声とプリセット音声を備えたテキスト読み上げAPI

Qwen3-TTSとZONOS2を備えたOpenAIの音声エンドポイント。プリセット音声、説明から設計する声、感情、10〜40以上の言語に対応し、分単位で課金。

最終更新日 2026-11-05

プリペイド、サブスクなしREST でも MCP でもモデル・データ・エージェントを 1 つのキーで
speech$ curl https://lovelyrouter.com/v1/audio/speech -H "Authorization: … ⏺ "model": "qwen3-tts", "voice": "serena"> "input": "Welcome back! Your order has shipped." hello.mp3 · 3.2 s of audio ✓ 200 OK · billed by the second
ブラックフライデー

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

$50をチャージ
+$10
20%ボーナス
$100をチャージ
+$25
25%ボーナス
登録して受け取る

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>
01

モデルを選ぶ

qwen3-ttszonos2
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93: 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 kHz44.1 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。

02

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.mp3

1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。

03

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:

JSON
{
  "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。

04

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。

05

出力形式

response_format得られるもの
mp3(既定)MP3、128 kbps
opusOgg Opus、64 kbps
aacAAC(ADTS)
flacFLAC
wavWAV、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。

06

コールドスタートについて、率直に

010203

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。

07

これで作られているもの

製品やアプリの声。

注文の更新、オンボーディングのヒント、通知を固定のプリセットで、各ユーザーの言語で。

キャスト付きのナレーション。

キャラクターごとに1つの設計された声を作り、声として保存して保持します。

語学学習。

同じ文を1つのプリセットで10言語に、speed で遅くして。

エージェントのセリフ。

エージェントが任意のチャットモデルで返信を書き、同じキーの qwen3-tts で読み上げます。

動画のセリフ。

動画ショットのキャラクターは保存済みの声で話せます。

08

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→speech1 分あたり $0.036
ZONOS2
zonos2
text→speech1 分あたり $0.036
Kokoro 82M
kokoro-82m
text→speech1 分あたり $0.008
Fish Audio Drama 3
drama-3
text→speech1 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。

09

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。

モデル・データ・エージェントを 1 つのプリペイドキーで

サブスクリプションなし。チャージして必要な分だけ使い、すべての請求をログで確認できます。