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
AI音声で作るポッドキャストは、台本と配役です。ホスト、ゲスト、場合によってはナレーター。それぞれの声は、第1話から第50話まで変わらず同じでなければなりません。テキスト読み上げAPIが声を用意し、あなたのコードが台本をエピソードに変えます。話者ごとにプリセットボイス、説明から設計したボイス、または同意を得た相手のクローンボイスを割り当ててください。1行につきPOST /v1/audio/speechを1回送り、あとは順番に繋ぎ合わせるだけです。声を出すのはAPI、行を1つのファイルにまとめるのは数行の自前コードで、下に示します。まずは音声プレイグラウンドで声を試してください。
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。
Build a script-to-podcast pipeline that speaks each line in its speaker's voice with the Lovely Router speech API and joins the audio into one episode. - Docs (read first): https://lovelyrouter.com/docs/models/speech.md and https://lovelyrouter.com/docs/api/audio.md - One POST https://lovelyrouter.com/v1/audio/speech per line, with each speaker's preset, designed (`instructions`) or saved voice; join the clips in this project (there is no audio join endpoint). - 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 script, the speakers and their voices>
仕組み
台本を書く
話者とセリフを組にした行のリストです。自分で書くか、あなたのキーで動く任意のチャットモデルにメモからJSONとして下書きさせ、それを編集します。
話者ごとに声を配役する
プリセット(
ryan、aiden、serena、vivianなど)を選ぶ、instructionsで新しい声を説明して保存する、または3〜15秒のクリップからconsent: trueでクローンします。保存した声にはid(voice_…)が付き、以降の全エピソードで使い回せます。各行を発話させる
1行につき1リクエスト、その話者の声を指定し、
qwen3-ttsでは「楽しげに、少し速め」のような話し方の指示も添えます。各レスポンスは音声そのもので、長さはx-lovely-audio-secondsヘッダーに入ります。エピソードを組み立てる
pcmを指定すれば、どちらのモデルでも行は24 kHzの生の16ビットサンプルになるので、繋ぎ合わせるのはバイトの連結で、間に短い無音を挟むだけです。結果をWAVヘッダーで包むか、自前のツールでMP3にエンコードしてください。
Pythonで台本からエピソードへ
import os
import wave
import requests
H = {"Authorization": f"Bearer {os.environ['LOVELY_API_KEY']}"}
VOICES = {
"host": "ryan", # a preset voice
"guest": "voice_8f2c4a1e9b7d3f60a5c2e1d4", # a saved voice (designed or cloned)
}
script = [
("host", "Welcome back to the show. Today we're talking about the history of tea.", "Warm and upbeat"),
("guest", "Thanks for having me. It's a story about empires, smugglers and a lot of boiling water.", "Amused, relaxed"),
("host", "Let's start with the smugglers.", "Curious, a little faster"),
]
RATE = 24_000 # pcm = 16-bit, 24 kHz, mono
pause = b"\x00\x00" * int(RATE * 0.4) # 0.4 s of silence between lines
audio = b""
for speaker, text, style in script:
r = requests.post("https://lovelyrouter.com/v1/audio/speech", headers=H, timeout=300, json={
"model": "qwen3-tts",
"input": text,
"voice": VOICES[speaker],
"instructions": style,
"response_format": "pcm",
})
r.raise_for_status()
audio += r.content + pause
with wave.open("episode.wav", "wb") as f:
f.setnchannels(1)
f.setsampwidth(2)
f.setframerate(RATE)
f.writeframes(audio)1行が1リクエストなので、うまく出なかった行だけをやり直せます。タイムアウトを長めにしているのは、しばらく使っていなかった後の最初のリクエストがモデルの読み込みを待つためです。同じ呼び出しのcURLとNode.js版はテキスト読み上げガイドにあります。
すべての話者に声を
qwen3-ttsにはuncle_fu(低くまろやか)からono_anna(遊び心のある軽い声)まで9種類あります。zonos2にはamerican_female、american_male、british_femaleがあります。どの声もそのモデルが対応する全言語を話せますが、母語が最も自然です。
voiceを省略し、instructionsで声を説明します:「50代の落ち着いた女性、スコットランドなまりが少し、急がない」。設計ボイスは毎回少しずつ違う結果になるので、気に入ったクリップをPOST /v1/audio/voicesで保存し、以後はそのidを使ってください。
1人がはっきり話す3〜15秒のクリップと、そのtranscript、consent: trueを添えてPOST /v1/audio/voicesを呼びます。自分の声か、同意した共演者の声をクローンしてください。クローンした声の使い方に責任を持つのはあなたです。ボイスクローンを参照してください。
qwen3-ttsでは、保存済みまたはプリセットの声と一緒にinstructionsを使うと、感情、速さ、ささやきなど、その行の話し方を誘導できます。zonos2ではemotionにhappy、sad、angry、surprised、または重み付きの組み合わせを指定します。
qwen3-ttsは英語、中国語、日本語、韓国語、スペイン語、ドイツ語を含む10言語を話します。zonos2は40言語以上です。短い行や数字のためにはlanguageを設定してください。
APIがやること、あなたがやること
| ステップ | 担当 | 方法 |
|---|---|---|
| 台本 | あなた、またはあなたのキーで動くチャットモデル | 話者を1人ずつ持つ行 |
| 声 | API | プリセット、instructions、POST /v1/audio/voices |
| 各行の音声 | API | POST /v1/audio/speech、1リクエストあたり最大4,096文字 |
| 行の連結 | あなたのコード | pcmサンプルを追記する、または自前の音声ツールでファイルを連結する |
| 音楽、イントロ、音量、公開 | あなたのツール | 通常の録音と同じようにミックスとマスタリングを行う |
音声ファイルを連結するエンドポイントや、多話者の台本全体を1回の呼び出しで発話させるエンドポイントはなく、ストリーミングもありません。各リクエストは完了時に音声を返します。1人の話者による長い一節は1リクエストに入れられます(最大4,096文字)。同じ声で文ごとに発話されます。
レシピ
ホストとゲストの声を一度保存し、そのidを設定に保持します。どのエピソードも同じ人物のように聞こえます。
ブログ記事ごとに、設計したナレーターの声1つで、セクションごとに1リクエストで音声化し、本文の横に公開します。
inputとlanguageを変えるだけで、同じ保存済みの声で同じ台本を英語と中国語で話せます。
キャラクターごとに設計ボイスを割り当て、行ごとにinstructions(「ささやき」「怒り」)を付け、エンジン用に行ごとにファイルを保持します。
チャットモデルに、その日の数値の2人語りの要約をJSONで書かせ、それを発話させます。
責任ある利用
自分の声か、話者が許可した声だけをクローンし、人を欺いたりなりすましたりするのに声を使わないでください。番組でAI音声を使う場合は、聴取者にそう伝えてください。利用規約がすべてのリクエストに適用されます。
よくある質問
1回のリクエストで複数の話者を話せますか?+
いいえ。1リクエストにつき声は1つです。1行ごと、または話者の発言ごとに1リクエストを送り、音声を順番に繋いでください。上のPythonの例はpcmでそれを行っています。
APIがエピソードを繋ぎ合わせてくれますか?+
いいえ。返ってくるのは各行の音声です。繋ぎ合わせはあなたの担当です。pcmサンプルを追記するか、自前の音声ツールでファイルを連結し、通常の録音と同じように音楽と音量を加えてください。
声は毎エピソード同じに聞こえますか?+
プリセットまたは保存済みの声なら同じです。instructionsだけで設計した声は毎回少しずつ違うので、気に入ったクリップを声として保存し、そのidを使ってください。
ゲストの声をクローンできますか?+
許可を得た場合のみです。声の保存にはconsent: trueが必要で、その声が自分のものか話者が同意したことを確認します。使い方に責任を持つのはあなたです。
1行はどれくらいの長さにできますか?+
1リクエストあたり最大4,096文字です。それより長いテキストは複数のリクエストに分割されます。1リクエスト内の長いテキストは、同じ声で文ごとに発話されます。
最初のリクエストが遅いのはなぜですか?+
音声モデルは、アイドル時にスリープするGPU上で動きます。静かな時間の後の最初のリクエストは、qwen3-ttsで約45秒、zonos2で最大2分待ちます。その後はqwen3-ttsは実時間の約2倍の速さで話します。
AIエージェントにエピソードを制作させられますか?+
はい。このページのプロンプトをClaude Code、Cursor、Codexに貼り付けてください。Markdownのドキュメントを読み、あなたのキーで台本から音声へのパイプラインを書きます。
すべてのフィールドは音声APIリファレンスを、同じキャラクターのトーキングビデオは動画ショットを参照するか、サインアップしてキーを取得してください。