AICU 音声 API

OpenAI 互換の音声合成（TTS）と音声認識（STT）。1本のキーで LLM・画像と同じエンドポイントから使えます。

音声合成 TTS

POST /v1/audio/speech（OpenAI 互換）

curl -X POST https://api.aicu.ai/v1/audio/speech \
  -H "Authorization: Bearer aicu_live_xxx" \
  -H "Content-Type: application/json" \
  -d '{"input": "こんにちは、AICU です", "voice": "nao"}' \
  --output speech.mp3

パラメータ	説明
`input`	読み上げるテキスト
`voice`	AICU 登録ボイスID（下記一覧）、または ElevenLabs の生 voice_id（20桁英数字）。既定 `nao`
`model`	`eleven_multilingual_v2`（既定）または `eleven_v3`。下記「モデル」参照
`seed`	生成の乱数種。省略時はキャラクターごとの既定値が使われます（キャラクターボイスと seed 参照）

多言語対応の ElevenLabs ボイスで、日本語・英語などをそのまま合成できます。災害時の多言語音声案内などに。

:::info API キーのスコープ読み上げ・文字起こしには tts スコープ付きのキーが必要です。403 で required_scope: tts が返る場合はスコープ不足です。https://api.aicu.ai/dashboard/keys の「権限変更」で付けられます（発行し直す必要はありません）。 :::

POST /v1/el/tts（ElevenLabs 互換パス）

body は /v1/audio/speech と同一。voice には AICU 登録ボイス（elena 等）だけでなく、ElevenLabs の生 voice_id をそのまま渡せます（自分の ElevenLabs アカウントで作成・クローンしたボイスなど）。TTS はゲートウェイ（鍵・課金・キャッシュ）に徹し、ボイスの善し悪しは ElevenLabs 側に任せる設計です — キャラクター固有の権利表記や royalty はまた別のレイヤー（/v1/char）で扱います。

# AICU 登録ボイス
curl -X POST https://api.aicu.ai/v1/el/tts \
  -H "Authorization: Bearer aicu_live_xxx" \
  -H "Content-Type: application/json" \
  -d '{"input": "こんにちは、AICU です", "voice": "nao", "model": "eleven_v3"}' \
  --output speech.mp3

# 生 voice_id（自分の ElevenLabs アカウントのボイス）
curl -X POST https://api.aicu.ai/v1/el/tts \
  -H "Authorization: Bearer aicu_live_xxx" \
  -H "Content-Type: application/json" \
  -d '{"input": "Hello from AICU", "voice": "pqHfZKP75CvOlQylNhV4", "model": "eleven_v3"}' \
  --output speech.mp3

モデル: Multilingual v2 と v3

モデル	特徴	1リクエストの文字数上限
`eleven_multilingual_v2`（既定）	安定・実績重視。従来どおりの合成	10,000文字
`eleven_v3`	`text` 中に `[excited]` `[whispers]` `[laughs]` のような角括弧の audio tag を書くと、その感情・話し方が音声に反映される	5,000文字

長文を v3 で読み上げたい場合は、上限に収まるようチャンク分割してください（上限超過は 400 で明示的にエラーになります）。model に未知の値を渡した場合も 400（黙って v2 にフォールバックしません）。

:::info 長文の安定化（2026-08-16）以前は長い入力（日本語で約3,000文字以上）が途中で 502/524 になることがありましたが、内部をストリーミング化して解消しました。表の上限（v2: 10,000文字 / v3: 5,000文字）まで安定して生成でき、応答が始まるまでの時間も短くなっています。音声はチャンクとして届き始めるので、受信側はレスポンスボディをそのままファイルに書けば完全な MP3 になります。同じ入力の再生成はキャッシュから返り、何度でも無料です。 :::

curl -X POST https://api.aicu.ai/v1/el/tts \
  -H "Authorization: Bearer aicu_live_xxx" \
  -H "Content-Type: application/json" \
  -d '{
    "input": "[SHOUTING][excited] GOOOAL! What a strike!!",
    "voice": "nao",
    "model": "eleven_v3"
  }' \
  --output goal.mp3

上記は実際にサッカー実況サービス RoboFoot が使っているパターンです（tier に応じて [SHOUTING] [laughing] を重ねて熱量を上げる）。

ElevenLabs 公式の参考資料:

モデル一覧・使い分け: https://elevenlabs.io/docs/eleven-creative/playground/text-to-speech#models-1
v3 の紹介（audio tag の書き方）: https://elevenlabs.io/ja/v3
声を探す（Voice Library）: https://elevenlabs.io/app/voice-library

GET /v1/tts/voices・GET /v1/el/voices（要 API キー）

curl https://api.aicu.ai/v1/tts/voices \
  -H "Authorization: Bearer aicu_live_xxx"

2026-08-17 から API キーが必要になりました（scope は問いません）。未認証は 401 が返ります。

ボイス	表記	声質
`elena`	エレナ・ブルーム	落ち着いて聞き取りやすい、標準語の女性ナレーション
`mei`	メイ・ソレイユ	元気で子供でも聴きやすい、明るい少女の声
`mina`	ミナ・アズール	落ち着いた知的なナレーション。長時間でも聴き疲れしない
`nao`	ナオ・ヴェルデ	優しい理系男子のソフトボイス
`saki`	サキ・ノワール	優しさとあやしい魅力がある囁きボイス
`marsha`	マーシャ・アランチャ	さわやかで聴きやすい元気な女性
`luc4`	ルカ（全力肯定彼氏くん）	日本の関西を感じさせる明朗快活な青年

各サンプルは公式 seed で生成したメンバー自己紹介です（AiCuty-all-intro と同一テイク）。

いずれも ElevenLabs（多言語・v2/v3 両対応）。声質は tagline フィールドで返ります。

声はキャラクターごとに固定されています。 voice に slug を渡すだけで、何度呼んでも同じ声・同じ抑揚が返ります。仕組みはキャラクターボイスと seed を参照してください。

クレジット表記義務があるボイスは、レスポンスヘッダ x-aicu-credit に表記文言が返ります。使用したモデルは x-aicu-model に返ります。

長文の読み上げ（章まるごと・書籍全文）

1リクエストの上限（v2 は 10,000文字、v3 は 5,000文字）を超えるテキストは、 分割 → 個別に合成 → 連結します。数万〜十数万文字の原稿を1本のMP3にする場合の実装例です。

分割は句点で切る

文字数で機械的に切ると語の途中で切れて発音が乱れます。句点を優先し、段落をまたがないようにすると繋ぎ目が自然になります。

def split_chunks(text: str, limit: int = 4800):
    chunks, buf = [], ""
    for para in text.split("\n"):
        para = para.strip()
        if not para:
            continue
        if len(buf) + len(para) + 1 <= limit:
            buf = f"{buf}\n{para}" if buf else para
            continue
        if buf:
            chunks.append(buf); buf = ""
        while len(para) > limit:            # 段落自体が長い場合
            cut = para.rfind("。", 0, limit)
            cut = cut + 1 if cut > limit // 2 else limit
            chunks.append(para[:cut]); para = para[cut:]
        buf = para
    if buf:
        chunks.append(buf)
    return chunks

チャンク単位でキャッシュする

長文は必ずどこかで失敗します。テキストのハッシュをファイル名にして保存しておけば、再実行時に未生成分だけを合成でき、原稿を一部だけ直したときも差分で済みます。

import hashlib, os, requests
from pathlib import Path

API = "https://api.aicu.ai/v1/tts/generate"
KEY = os.environ["AICU_API_KEY"]          # scope: tts が必要
VOICE, CACHE = "mina", Path(".cache")
CACHE.mkdir(exist_ok=True)

def synth(text: str, i: int) -> Path:
    tag = hashlib.sha1((VOICE + text).encode()).hexdigest()[:8]
    dest = CACHE / f"{i:03d}-{tag}.mp3"
    if dest.exists():
        return dest
    r = requests.post(API,
        headers={"Authorization": f"Bearer {KEY}"},
        json={"text": text, "slug": VOICE, "format": "mp3"}, timeout=600)
    r.raise_for_status()
    dest.write_bytes(r.content)
    print(f"  {i}: {r.headers.get('x-credits-used')} AP")
    return dest

連結は ffmpeg の concat デミューサで

同じ設定で合成された MP3 同士なら、再エンコードなし（-c copy）で連結できます。速く、劣化もしません。

import subprocess

def concat(parts, dest="out.mp3"):
    listing = Path("concat.txt")
    listing.write_text("".join(f"file '{p.resolve()}'\n" for p in parts))
    subprocess.run(["ffmpeg", "-y", "-loglevel", "error",
                    "-f", "concat", "-safe", "0", "-i", str(listing),
                    "-c", "copy", dest], check=True)
    listing.unlink()

章や見出しへシークできるようにする

連結前に各チャンクの秒数を ffprobe で測って積算しておくと、「この見出しから再生」を実装できます。プレイヤー側は audio.currentTime = 開始秒 を代入するだけです。

def duration(p) -> float:
    out = subprocess.run(["ffprobe", "-v", "error", "-show_entries",
                          "format=duration", "-of", "csv=p=0", str(p)],
                         capture_output=True, text=True).stdout.strip()
    return float(out or 0)

offsets, cursor = {}, 0.0
for i, ch in enumerate(chunks):
    part = synth(ch, i)
    offsets[i] = round(cursor, 2)     # このチャンクの開始秒
    cursor += duration(part)

コストの目安

課金は送った文字数基準です（出来上がった音声の長さではありません）。したがって、どの声で読んでも同じ原稿なら同じ金額になります。実績はレスポンスヘッダ X-AICU-AP-Cost に返ります（x-credits-used も同じ値を返しますが、古いクライアント向けの別名です）。現在の単価は料金を参照してください。

実測（同一テキスト261字、日本語）:

ボイス	所要	12万字換算
elena	21.8秒	約2.8時間
saki	23.3秒	約3.0時間
mei	24.3秒	約3.1時間
mina	27.4秒	約3.5時間
nao	27.9秒	約3.6時間

12万字を読み上げて3時間強、約1,100 AP（¥11前後） です。キャッシュヒットは無課金なので、原稿を直して再生成しても差分ぶんしかかかりません。

:::tip 読み上げ前にテキストを整える URL・表・箇条書き記号をそのまま渡すと、記号を読み上げてしまい聴きづらくなります。 https?://\S+ は「（リンク省略）」に置換、表組みは読み飛ばし、# や - の行頭記号は落とす、といった前処理を入れるだけで完成度が大きく変わります。 :::

音声認識 STT

POST /v1/audio/transcriptions（OpenAI 互換 / Whisper）

さくらの AI Engine の whisper-large-v3-turbo で文字起こしします。1リクエスト最大 30MB / 30分。エージェント向けの機械可読な仕様は https://api.aicu.ai/skills/stt にあります。

# テキストだけ
curl -X POST https://api.aicu.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer aicu_live_xxx" \
  -F file=@meeting.mp3 -F language=ja \
  -F prompt="AICU, ComfyUI, しらいはかせ"      # 固有名詞のヒント（誤変換対策）
# → {"text": "文字起こしされたテキスト…"}

# セグメント単位のタイムスタンプ（字幕・議事録向け）
curl -X POST https://api.aicu.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer aicu_live_xxx" \
  -F file=@meeting.mp3 -F language=ja \
  -F response_format=verbose_json -F "timestamp_granularities[]=segment"
# → {"task":"transcribe","language":"ja","duration":60.0,"text":"…","segments":[{"id":0,"start":0.0,"end":4.32,"text":"…"}, …]}

# 字幕ファイルをそのまま
curl -X POST https://api.aicu.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer aicu_live_xxx" \
  -F file=@meeting.mp3 -F language=ja -F response_format=srt -o meeting.srt

パラメータ	説明
`file`（必須）	音声ファイル。30MB / 30分まで（超過は `413`）
`language`	`ja` / `en` など。指定すると精度と速度が上がる
`prompt`	固有名詞・専門用語のヒント
`response_format`	`json`（既定）/ `verbose_json` / `text` / `srt` / `vtt`
`timestamp_granularities[]`	`segment` / `word`（`verbose_json` のときのみ）

response_format と timestamp_granularities[] はバックエンドにそのまま透過します。

:::tip 長い収録（会議・講義の録画）動画をそのまま送らず、音声だけを mono 16kHz の mp3 に落として、30分ごとに分割してください（65分 → 3リクエスト）。60秒刻みのような細切れは、リクエスト数だけ増えてレート制限に当たりやすくなります。

ffmpeg -y -i recording.mp4 -vn -map 0:a:0 -ac 1 -ar 16000 -b:a 64k audio.mp3   # 3GB → 約8MB
ffmpeg -y -i audio.mp3 -f segment -segment_time 1800 -c copy part_%02d.mp3       # 30分ごと

:::

エラーとレート制限

HTTP ステータスをそのまま返します（429 を本文に包んで 200 で返すことはしません）。curl -f / raise_for_status() / OpenAI SDK の自動リトライがそのまま効きます。

HTTP	意味	対処
`413`	ファイルが 30MB 超	音声のみ抽出・分割
`429`	レート制限（ゲートウェイ 60 req/分/キー、またはバックエンドの枠）	`Retry-After` 秒待って再送
`502`	バックエンド障害（`error.upstream_status` に上流のステータス）	時間をおいて再送。続くなら `X-AICU-Request-Id` を添えて問い合わせ

応答ヘッダ: X-AICU-AP-Cost（消費 AP）・X-AICU-Request-Id・X-AICU-Latency-Ms・X-RateLimit-Limit / -Remaining / -Reset。

料金

音声 10 秒 = 3 AP（10秒単位切り上げ・2026年9月9日から）。1時間 ≈ 1,080 AP ≈ $0.11。verbose_json のときは実測の duration で課金します。それ以外の形式には duration が無いので、受け取った音声の長さからの見積もりと、文字起こしの文字数からの見積もりのうち、大きいほうで課金します。

OpenAI SDK からそのまま

from openai import OpenAI
client = OpenAI(base_url="https://api.aicu.ai/v1", api_key="aicu_live_xxx")

# TTS
speech = client.audio.speech.create(model="tts-1", voice="nao", input="こんにちは")
speech.stream_to_file("out.mp3")

# STT（タイムスタンプ付き。429 は SDK が Retry-After を見て自動再送）
with open("meeting.mp3", "rb") as f:
    tr = client.audio.transcriptions.create(
        model="whisper-large-v3-turbo", file=f, language="ja",
        response_format="verbose_json", timestamp_granularities=["segment"],
    )
for seg in tr.segments:
    print(f"{seg.start:8.2f} --> {seg.end:8.2f}  {seg.text}")

ベース URL と API キーを差し替えるだけで、既存の OpenAI 互換コードから使えます。

音声合成 TTS​

POST /v1/audio/speech（OpenAI 互換）​

POST /v1/el/tts（ElevenLabs 互換パス）​

モデル: Multilingual v2 と v3​

GET /v1/tts/voices・GET /v1/el/voices（要 API キー）​

長文の読み上げ（章まるごと・書籍全文）​

分割は句点で切る​

チャンク単位でキャッシュする​

連結は ffmpeg の concat デミューサで​

章や見出しへシークできるようにする​

コストの目安​

音声認識 STT​

POST /v1/audio/transcriptions（OpenAI 互換 / Whisper）​

エラーとレート制限​

料金​

OpenAI SDK からそのまま​