Create speech

Convert text to speech

curl --request POST \
  --url https://supertoneapi.com/v1/text-to-speech/{voice_id} \
  --header 'Content-Type: application/json' \
  --header 'x-sup-api-key: <api-key>' \
  --data '
{
  "text": "<string>",
  "style": "<string>",
  "model": "sona_speech_1",
  "output_format": "wav",
  "voice_settings": {
    "pitch_shift": 0,
    "pitch_variance": 1,
    "speed": 1,
    "duration": 0,
    "similarity": 3,
    "text_guidance": 1,
    "subharmonic_amplitude_control": 1
  },
  "include_phonemes": false,
  "normalized_text": "<string>"
}
'

import requests

url = "https://supertoneapi.com/v1/text-to-speech/{voice_id}"

payload = {
    "text": "<string>",
    "style": "<string>",
    "model": "sona_speech_1",
    "output_format": "wav",
    "voice_settings": {
        "pitch_shift": 0,
        "pitch_variance": 1,
        "speed": 1,
        "duration": 0,
        "similarity": 3,
        "text_guidance": 1,
        "subharmonic_amplitude_control": 1
    },
    "include_phonemes": False,
    "normalized_text": "<string>"
}
headers = {
    "x-sup-api-key": "<api-key>",
    "Content-Type": "application/json"
}

response = requests.post(url, json=payload, headers=headers)

print(response.text)

const options = {
  method: 'POST',
  headers: {'x-sup-api-key': '<api-key>', 'Content-Type': 'application/json'},
  body: JSON.stringify({
    text: '<string>',
    style: '<string>',
    model: 'sona_speech_1',
    output_format: 'wav',
    voice_settings: {
      pitch_shift: 0,
      pitch_variance: 1,
      speed: 1,
      duration: 0,
      similarity: 3,
      text_guidance: 1,
      subharmonic_amplitude_control: 1
    },
    include_phonemes: false,
    normalized_text: '<string>'
  })
};

fetch('https://supertoneapi.com/v1/text-to-speech/{voice_id}', options)
  .then(res => res.json())
  .then(res => console.log(res))
  .catch(err => console.error(err));

package main

import (
	"fmt"
	"strings"
	"net/http"
	"io"
)

func main() {

	url := "https://supertoneapi.com/v1/text-to-speech/{voice_id}"

	payload := strings.NewReader("{\n  \"text\": \"<string>\",\n  \"style\": \"<string>\",\n  \"model\": \"sona_speech_1\",\n  \"output_format\": \"wav\",\n  \"voice_settings\": {\n    \"pitch_shift\": 0,\n    \"pitch_variance\": 1,\n    \"speed\": 1,\n    \"duration\": 0,\n    \"similarity\": 3,\n    \"text_guidance\": 1,\n    \"subharmonic_amplitude_control\": 1\n  },\n  \"include_phonemes\": false,\n  \"normalized_text\": \"<string>\"\n}")

	req, _ := http.NewRequest("POST", url, payload)

	req.Header.Add("x-sup-api-key", "<api-key>")
	req.Header.Add("Content-Type", "application/json")

	res, _ := http.DefaultClient.Do(req)

	defer res.Body.Close()
	body, _ := io.ReadAll(res.Body)

	fmt.Println(string(body))

}

<?php

$curl = curl_init();

curl_setopt_array($curl, [
  CURLOPT_URL => "https://supertoneapi.com/v1/text-to-speech/{voice_id}",
  CURLOPT_RETURNTRANSFER => true,
  CURLOPT_ENCODING => "",
  CURLOPT_MAXREDIRS => 10,
  CURLOPT_TIMEOUT => 30,
  CURLOPT_HTTP_VERSION => CURL_HTTP_VERSION_1_1,
  CURLOPT_CUSTOMREQUEST => "POST",
  CURLOPT_POSTFIELDS => json_encode([
    'text' => '<string>',
    'style' => '<string>',
    'model' => 'sona_speech_1',
    'output_format' => 'wav',
    'voice_settings' => [
        'pitch_shift' => 0,
        'pitch_variance' => 1,
        'speed' => 1,
        'duration' => 0,
        'similarity' => 3,
        'text_guidance' => 1,
        'subharmonic_amplitude_control' => 1
    ],
    'include_phonemes' => false,
    'normalized_text' => '<string>'
  ]),
  CURLOPT_HTTPHEADER => [
    "Content-Type: application/json",
    "x-sup-api-key: <api-key>"
  ],
]);

$response = curl_exec($curl);
$err = curl_error($curl);

curl_close($curl);

if ($err) {
  echo "cURL Error #:" . $err;
} else {
  echo $response;
}

HttpResponse<String> response = Unirest.post("https://supertoneapi.com/v1/text-to-speech/{voice_id}")
  .header("x-sup-api-key", "<api-key>")
  .header("Content-Type", "application/json")
  .body("{\n  \"text\": \"<string>\",\n  \"style\": \"<string>\",\n  \"model\": \"sona_speech_1\",\n  \"output_format\": \"wav\",\n  \"voice_settings\": {\n    \"pitch_shift\": 0,\n    \"pitch_variance\": 1,\n    \"speed\": 1,\n    \"duration\": 0,\n    \"similarity\": 3,\n    \"text_guidance\": 1,\n    \"subharmonic_amplitude_control\": 1\n  },\n  \"include_phonemes\": false,\n  \"normalized_text\": \"<string>\"\n}")
  .asString();

"<string>"

{
  "status": "error",
  "message": "Invalid request data"
}

{
  "status": "error",
  "message": {
    "message": "Invalid API Key",
    "error": "Unauthorized"
  }
}

{
  "status": "error",
  "message": {
    "message": "Not enough credits",
    "error": "Payment Required"
  }
}

{
  "status": "error",
  "message": {
    "message": "Permission denied",
    "error": "Forbidden"
  }
}

{
  "status": "error",
  "message": {
    "message": "Voice not found",
    "error": "Not Found"
  }
}

{
  "status": "error",
  "message": {
    "message": "Request timed out",
    "error": "Request Timeout"
  }
}

{
  "status": "error",
  "message": {
    "message": "rate limit exceeded",
    "error": "Too Many Requests"
  }
}

{
  "status": "error",
  "message": {
    "message": "Failed to convert text to speech",
    "error": "Internal Server Error"
  }
}

POST

text-to-speech

{voice_id}

Convert text to speech

curl --request POST \
  --url https://supertoneapi.com/v1/text-to-speech/{voice_id} \
  --header 'Content-Type: application/json' \
  --header 'x-sup-api-key: <api-key>' \
  --data '
{
  "text": "<string>",
  "style": "<string>",
  "model": "sona_speech_1",
  "output_format": "wav",
  "voice_settings": {
    "pitch_shift": 0,
    "pitch_variance": 1,
    "speed": 1,
    "duration": 0,
    "similarity": 3,
    "text_guidance": 1,
    "subharmonic_amplitude_control": 1
  },
  "include_phonemes": false,
  "normalized_text": "<string>"
}
'

import requests

url = "https://supertoneapi.com/v1/text-to-speech/{voice_id}"

payload = {
    "text": "<string>",
    "style": "<string>",
    "model": "sona_speech_1",
    "output_format": "wav",
    "voice_settings": {
        "pitch_shift": 0,
        "pitch_variance": 1,
        "speed": 1,
        "duration": 0,
        "similarity": 3,
        "text_guidance": 1,
        "subharmonic_amplitude_control": 1
    },
    "include_phonemes": False,
    "normalized_text": "<string>"
}
headers = {
    "x-sup-api-key": "<api-key>",
    "Content-Type": "application/json"
}

response = requests.post(url, json=payload, headers=headers)

print(response.text)

const options = {
  method: 'POST',
  headers: {'x-sup-api-key': '<api-key>', 'Content-Type': 'application/json'},
  body: JSON.stringify({
    text: '<string>',
    style: '<string>',
    model: 'sona_speech_1',
    output_format: 'wav',
    voice_settings: {
      pitch_shift: 0,
      pitch_variance: 1,
      speed: 1,
      duration: 0,
      similarity: 3,
      text_guidance: 1,
      subharmonic_amplitude_control: 1
    },
    include_phonemes: false,
    normalized_text: '<string>'
  })
};

fetch('https://supertoneapi.com/v1/text-to-speech/{voice_id}', options)
  .then(res => res.json())
  .then(res => console.log(res))
  .catch(err => console.error(err));

package main

import (
	"fmt"
	"strings"
	"net/http"
	"io"
)

func main() {

	url := "https://supertoneapi.com/v1/text-to-speech/{voice_id}"

	payload := strings.NewReader("{\n  \"text\": \"<string>\",\n  \"style\": \"<string>\",\n  \"model\": \"sona_speech_1\",\n  \"output_format\": \"wav\",\n  \"voice_settings\": {\n    \"pitch_shift\": 0,\n    \"pitch_variance\": 1,\n    \"speed\": 1,\n    \"duration\": 0,\n    \"similarity\": 3,\n    \"text_guidance\": 1,\n    \"subharmonic_amplitude_control\": 1\n  },\n  \"include_phonemes\": false,\n  \"normalized_text\": \"<string>\"\n}")

	req, _ := http.NewRequest("POST", url, payload)

	req.Header.Add("x-sup-api-key", "<api-key>")
	req.Header.Add("Content-Type", "application/json")

	res, _ := http.DefaultClient.Do(req)

	defer res.Body.Close()
	body, _ := io.ReadAll(res.Body)

	fmt.Println(string(body))

}

<?php

$curl = curl_init();

curl_setopt_array($curl, [
  CURLOPT_URL => "https://supertoneapi.com/v1/text-to-speech/{voice_id}",
  CURLOPT_RETURNTRANSFER => true,
  CURLOPT_ENCODING => "",
  CURLOPT_MAXREDIRS => 10,
  CURLOPT_TIMEOUT => 30,
  CURLOPT_HTTP_VERSION => CURL_HTTP_VERSION_1_1,
  CURLOPT_CUSTOMREQUEST => "POST",
  CURLOPT_POSTFIELDS => json_encode([
    'text' => '<string>',
    'style' => '<string>',
    'model' => 'sona_speech_1',
    'output_format' => 'wav',
    'voice_settings' => [
        'pitch_shift' => 0,
        'pitch_variance' => 1,
        'speed' => 1,
        'duration' => 0,
        'similarity' => 3,
        'text_guidance' => 1,
        'subharmonic_amplitude_control' => 1
    ],
    'include_phonemes' => false,
    'normalized_text' => '<string>'
  ]),
  CURLOPT_HTTPHEADER => [
    "Content-Type: application/json",
    "x-sup-api-key: <api-key>"
  ],
]);

$response = curl_exec($curl);
$err = curl_error($curl);

curl_close($curl);

if ($err) {
  echo "cURL Error #:" . $err;
} else {
  echo $response;
}

HttpResponse<String> response = Unirest.post("https://supertoneapi.com/v1/text-to-speech/{voice_id}")
  .header("x-sup-api-key", "<api-key>")
  .header("Content-Type", "application/json")
  .body("{\n  \"text\": \"<string>\",\n  \"style\": \"<string>\",\n  \"model\": \"sona_speech_1\",\n  \"output_format\": \"wav\",\n  \"voice_settings\": {\n    \"pitch_shift\": 0,\n    \"pitch_variance\": 1,\n    \"speed\": 1,\n    \"duration\": 0,\n    \"similarity\": 3,\n    \"text_guidance\": 1,\n    \"subharmonic_amplitude_control\": 1\n  },\n  \"include_phonemes\": false,\n  \"normalized_text\": \"<string>\"\n}")
  .asString();

"<string>"

{
  "status": "error",
  "message": "Invalid request data"
}

{
  "status": "error",
  "message": {
    "message": "Invalid API Key",
    "error": "Unauthorized"
  }
}

{
  "status": "error",
  "message": {
    "message": "Not enough credits",
    "error": "Payment Required"
  }
}

{
  "status": "error",
  "message": {
    "message": "Permission denied",
    "error": "Forbidden"
  }
}

{
  "status": "error",
  "message": {
    "message": "Voice not found",
    "error": "Not Found"
  }
}

{
  "status": "error",
  "message": {
    "message": "Request timed out",
    "error": "Request Timeout"
  }
}

{
  "status": "error",
  "message": {
    "message": "rate limit exceeded",
    "error": "Too Many Requests"
  }
}

{
  "status": "error",
  "message": {
    "message": "Failed to convert text to speech",
    "error": "Internal Server Error"
  }
}

このドキュメントは英語の原文から自動翻訳されています。表現に不自然な箇所がある場合があります。正確な内容は英語の原文もあわせてご確認ください。

テキストから音声を生成し、レスポンスボディとしてオーディオを返します。コンセプトの解説、SDK サンプル、Tips については Docs: 音声生成をご参照ください。

エンドポイント

POST https://supertoneapi.com/v1/text-to-speech/{voice_id}

パスパラメータ

Name	Required	Description
`voice_id`	✅	対象ボイスの ID です。

リクエストボディ

Name	Required	Description
`text`	✅	変換対象のテキストです。最大 300 文字。より長い入力には SDK の利用、またはクライアント側での分割をご検討ください。
`language`	✅	言語コード（例: `en`、`ko`、`ja`）です。ボイスとモデルの両方でサポートされている必要があります。
`style`	—	感情スタイル（例: `neutral`、`happy`）です。未指定の場合はボイスのデフォルトスタイルが適用されます。
`model`	—	TTS モデルです。デフォルトは `sona_speech_1`。
`output_format`	—	`wav`（デフォルト）または `mp3`。
`voice_settings`	—	高度なボイスパラメータです（下記参照）。
`include_phonemes`	—	`true` の場合、レスポンスは Base64 オーディオと音素タイミングデータを含む JSON に切り替わります。デフォルト: `false`。
`normalized_text`	—	発音正規化された補助テキストです（`sona_speech_2` および `sona_speech_2_flash` で使用され、主に日本語向け）。

モデル別対応言語

Model	Languages
`sona_speech_2`, `sona_speech_2_flash`	`en`, `ko`, `ja`, `bg`, `cs`, `da`, `el`, `es`, `et`, `fi`, `hu`, `it`, `nl`, `pl`, `pt`, `ro`, `ar`, `de`, `fr`, `hi`, `id`, `ru`, `vi`
`supertonic_api_3`	`en`, `ko`, `ja`, `ar`, `bg`, `cs`, `da`, `de`, `el`, `es`, `et`, `fi`, `fr`, `hi`, `hr`, `hu`, `id`, `it`, `lt`, `lv`, `nl`, `pl`, `pt`, `ro`, `ru`, `sk`, `sl`, `sv`, `tr`, `uk`, `vi`
`supertonic_api_1`	`en`, `ko`, `ja`, `es`, `pt`
`sona_speech_1`	`en`, `ko`, `ja`

ボイス設定

サポートされていない設定は警告なく無視されます（エラーにはなりません）。

Name	Range	Default	Description
`pitch_shift`	-24 → 24	0	半音（semitone）単位のピッチ調整です。
`pitch_variance`	0 → 2	1	ピッチ変動の度合いです。
`speed`	0.5 → 2	1	再生レートの倍率です。`duration` の後に適用されます。
`duration`	0 → 60	0	非ゼロを指定すると、その長さ（秒）に合わせて音声を生成します。
`similarity`	1 → 5	3	生成音声が元のキャラクターボイスにどれだけ近いかを制御します。
`text_guidance`	0 → 4	1	入力テキストの内容に対して発話特性がどの程度敏感に適応するかを制御します。
`subharmonic_amplitude_control`	0 → 2	1	生成音声のサブハーモニック振幅量を制御します。

モデル別のボイス設定

Setting	`sona_speech_2`	`sona_speech_2_flash`	`supertonic_api_3`	`supertonic_api_1`	`sona_speech_1`
`pitch_shift`, `pitch_variance`, `duration`	✅	✅	—	—	✅
`speed`	✅	✅	✅	✅	✅
`similarity`, `text_guidance`	✅	—	—	—	✅
`subharmonic_amplitude_control`	—	—	—	—	✅

レスポンス

デフォルト（include_phonemes=false）: ボディにバイナリオーディオを返します。

Content-Type: audio/wav または audio/mpeg（output_format に対応）。
X-Audio-Length ヘッダー: 生成音声の長さ（秒）です。

include_phonemes=true の場合: Base64 オーディオと音素配列を含む JSON ボディです。

{
  "audio_base64": "UklGRnoGAABXQVZF...",
  "phonemes": {
    "symbols": ["", "h", "ɐ", "ɡ", "ʌ", ""],
    "start_times_seconds": [0, 0.092, 0.197, 0.255, 0.29, 0.58],
    "durations_seconds": [0.092, 0.104, 0.058, 0.034, 0.29, 0.162]
  }
}

注意事項

text が 300 文字を超えると 400 を返します。自動チャンキングには Python または TypeScript SDK をご利用いただくか、手動で分割してください（長文を参照）。
speed は duration の後に適用されます。duration=5 と speed=2 を指定すると、約 10 秒のオーディオが生成されます。
style を省略した場合は、ボイスの styles 配列の最初の値が使用されます。デフォルトはボイスごとに異なる場合があるため、ボイス取得で確認してください。

Docs: Create speech

SDK サンプル付きの解説。

Stream speech

クリップ全体を待たずに、オーディオチャンクをストリーミングします。

Authorizations

x-sup-api-key

string

header

required

Path Parameters

voice_id

string

required

Body

application/json

text

string

required

The text to convert to speech

Maximum string length: 300

language

enum<string>

required

The language code of the text

Available options:

en,

ko,

ja,

bg,

cs,

da,

el,

es,

et,

fi,

hu,

it,

nl,

pl,

pt,

ro,

ar,

de,

fr,

hi,

id,

ru,

vi,

hr,

lt,

lv,

sk,

sl,

sv,

tr,

uk

style

string

The style of character to use for the text-to-speech conversion

model

enum<string>

default:sona_speech_1

The model type to use for the text-to-speech conversion

Available options:

sona_speech_1,

sona_speech_2,

sona_speech_2_flash,

supertonic_api_1,

supertonic_api_3

output_format

enum<string>

default:wav

The desired output format of the audio file (wav, mp3). Default is wav.

Available options:

wav,

mp3

voice_settings

object

Show child attributes

include_phonemes

boolean

default:false

Return phoneme timing data with the audio

normalized_text

string

Pre-normalized text for TTS. Only used with sona_speech_2 and sona_speech_2_flash models.

Response

Returns either binary audio or JSON with phoneme data based on include_phonemes parameter

Binary audio file (when include_phonemes=false or omitted)

⌘I

Supertone API

Voices

Custom voices

Text to speech

Usage

エンドポイント

パスパラメータ

リクエストボディ

モデル別対応言語

ボイス設定

モデル別のボイス設定

レスポンス

注意事項

関連項目

Docs: Create speech

Stream speech

Authorizations

Path Parameters

Body

Response

​エンドポイント

​パスパラメータ

​リクエストボディ

​モデル別対応言語

​ボイス設定

​モデル別のボイス設定

​レスポンス

​注意事項

​関連項目

Docs: Create speech

Stream speech

Authorizations

Path Parameters

Body

Response

エンドポイント

パスパラメータ

リクエストボディ

モデル別対応言語

ボイス設定

モデル別のボイス設定

レスポンス

注意事項

関連項目