> ## Documentation Index
> Fetch the complete documentation index at: https://docs.jiekou.ai/llms.txt
> Use this file to discover all available pages before exploring further.

# MiniMax Speech-2.6-turbo 同期音声合成

この API は、テキストから音声への同期生成をサポートしており、1 回のテキスト送信は最大 10000 文字です。100+ のシステム音色、クローン音色の任意選択に対応し、音量、イントネーション、話速、出力形式の調整をサポートします。また、比率指定によるミックス機能、固定間隔時間の制御にも対応し、mp3, pcm, flac, wav など複数の音声仕様・形式をサポートし、ストリーミング出力にも対応しています。

長文テキストの音声合成リクエストを送信した後、返却される url の有効期限は url が返却されてから 24 時間である点に注意し、ダウンロード情報の時間にご注意ください。

<Tip>短文生成、音声チャット、オンラインソーシャルなどのシーンに適しています。処理時間は短いですが、テキスト長の制限は 10000 文字未満です。長文の場合は [非同期呼び出し音声合成](/ja/docs/models/reference-minimax-speech-2.6-turbo-async) の使用を推奨します。</Tip>

## リクエストヘッダー

<ParamField header="Content-Type" type="string" required={true}>
  列挙値: `application/json`
</ParamField>

<ParamField header="Authorization" type="string" required={true}>
  Bearer 認証形式: Bearer \{\{API Key}}。
</ParamField>

## リクエストボディ

<ParamField body="text" type="string" required={true}>
  合成するテキスト。長さ制限は 10000 文字未満で、段落の切り替えは改行文字で代替します。（音声中の間隔時間を制御する必要がある場合は、文字間に \<#x#> を追加します。x の単位は秒で、0.01-99.99 をサポートし、小数点以下は最大 2 桁です）。カスタムテキスト間の音声時間間隔をサポートし、カスタムテキスト音声のポーズ時間を実現できます。なお、テキスト間隔時間は、音声として発音可能な 2 つのテキストの間に設定する必要があり、複数の連続した時間間隔を設定することはできません。
</ParamField>

<ParamField body="voice_setting" type="object" required={true}>
  <Expandable title="properties">
    <ParamField body="speed" type="float" default="1.0">
      範囲\[0.5,2]、デフォルト値は 1.0

      生成音声の話速。任意。値が大きいほど話速が速くなります。
    </ParamField>

    <ParamField body="vol" type="float" default="1.0">
      範囲（0,10]、デフォルト値は 1.0

      生成音声の音量。任意。値が大きいほど音量が高くなります。
    </ParamField>

    <ParamField body="pitch" type="int" default="0">
      範囲\[-12,12]、デフォルト値は 0

      生成音声のイントネーション。任意。（0 は元の音色出力を表し、値は整数である必要があります）。
    </ParamField>

    <ParamField body="voice_id" type="string">
      リクエストする音色番号。timbre\_weights とのいずれか一方が「必須」です。

      システム音色(id)およびクローン音色（id）の 2 種類をサポートします。システム音色（ID）は以下の通りです：

      * 青い青年の音色：`male-qn-qingse`
      * エリート青年の音色：`male-qn-jingying`
      * 俺様系青年の音色：`male-qn-badao`
      * 青年大学生の音色：`male-qn-daxuesheng`
      * 少女の音色：`female-shaonv`
      * クールなお姉さんの音色：`female-yujie`
      * 成熟女性の音色：`female-chengshu`
      * 甘い女性の音色：`female-tianmei`
      * 男性司会者：`presenter_male`
      * 女性司会者：`presenter_female`
      * 男性オーディオブック 1：`audiobook_male_1`
      * 男性オーディオブック 2：`audiobook_male_2`
      * 女性オーディオブック 1：`audiobook_female_1`
      * 女性オーディオブック 2：`audiobook_female_2`
      * 青い青年の音色-beta：`male-qn-qingse-jingpin`
      * エリート青年の音色-beta：`male-qn-jingying-jingpin`
      * 俺様系青年の音色-beta：`male-qn-badao-jingpin`
      * 青年大学生の音色-beta：`male-qn-daxuesheng-jingpin`
      * 少女の音色-beta：`female-shaonv-jingpin`
      * クールなお姉さんの音色-beta：`female-yujie-jingpin`
      * 成熟女性の音色-beta：`female-chengshu-jingpin`
      * 甘い女性の音色-beta：`female-tianmei-jingpin`
      * 賢い男の子：`clever_boy`
      * 可愛い男の子：`cute_boy`
      * 萌え系女の子：`lovely_girl`
      * カートン豚シャオチー：`cartoon_pig`
      * ヤンデレ弟：`bingjiao_didi`
      * ハンサムな彼氏：`junlang_nanyou`
      * 純真な後輩男子：`chunzhen_xuedi`
      * クールな先輩男子：`lengdan_xiongzhang`
      * 俺様御曹司：`badao_shaoye`
      * スイートなシャオリン：`tianxin_xiaoling`
      * おちゃめな萌え妹：`qiaopi_mengmei`
      * 妖艶なお姉さん：`wumei_yujie`
      * 甘え声の後輩女子：`diadia_xuemei`
      * 上品な先輩女子：`danya_xuejie`
      * Santa Claus：`Santa_Claus`
      * Grinch：`Grinch`
      * Rudolph：`Rudolph`
      * Arnold：`Arnold`
      * Charming Santa：`Charming_Santa`
      * Charming Lady：`Charming_Lady`
      * Sweet Girl：`Sweet_Girl`
      * Cute Elf：`Cute_Elf`
      * Attractive Girl：`Attractive_Girl`
      * Serene Woman：`Serene_Woman`
    </ParamField>

    <ParamField body="emotion" type="string">
      合成音声の感情を制御します；

      現在 7 種類の感情をサポートしています：喜び、悲しみ、怒り、恐怖、嫌悪、驚き、中性；

      パラメータ範囲：`["happy", "sad", "angry", "fearful", "disgusted", "surprised", "neutral"]`
    </ParamField>

    <ParamField body="latex_read" type="bool" default="false">
      latex 数式の読み上げをサポートするかどうかを制御します。デフォルトは false です。

      注意事項：

      1. リクエスト内の数式は、数式の先頭と末尾に \$\$ を付ける必要があります；
      2. リクエスト内の数式に "" が含まれる場合は、"\\" にエスケープする必要があります。

      例：導関数の基本公式は `$$\\frac{d}{dx}(x^n) = nx^{n-1}$$`
    </ParamField>

    <ParamField body="text_normalization" type="bool" default="false">
      このパラメータは英語テキストの正規化をサポートし、数字読み上げシーンの性能を向上できますが、遅延がわずかに増加します。指定しない場合、デフォルト値は false です。
    </ParamField>
  </Expandable>
</ParamField>

<ParamField body="audio_setting" type="object">
  <Expandable title="properties">
    <ParamField body="sample_rate" type="int" default="32000">
      範囲【8000，16000，22050，24000，32000，44100】

      生成音声のサンプリングレート。任意。デフォルトは 32000 です。
    </ParamField>

    <ParamField body="bitrate" type="int" default="128000">
      範囲【32000，64000，128000，256000】

      生成音声のビットレート。任意。デフォルト値は 128000 です。このパラメータは mp3 形式の音声にのみ有効です。
    </ParamField>

    <ParamField body="format" type="string" default="mp3">
      生成される音声形式。デフォルトは mp3、範囲は \[mp3,pcm,flac,wav] です。wav は非ストリーミング出力の場合のみサポートされます。
    </ParamField>

    <ParamField body="channel" type="int" default="1">
      生成音声のチャンネル数。デフォルトは 1：モノラル。選択可能：

      1：モノラル

      2：ステレオ
    </ParamField>
  </Expandable>
</ParamField>

<ParamField body="pronunciation_dict" type="object">
  <Expandable title="properties">
    <ParamField body="tone" type="list">
      特別な注記が必要な文字、記号、および対応する発音表記を置換します。

      発音の置換（声調の調整/他の文字の発音への置換）。形式は以下の通りです：

      `["燕少飞/(yan4)(shao3)(fei1)","达菲/(da2)(fei1)"，"omg/oh my god"]`

      声調は数字で表します。一声（陰平）は 1、二声（陽平）は 2、三声（上声）は 3、四声（去声）は 4、軽声は 5 です。
    </ParamField>
  </Expandable>
</ParamField>

<ParamField body="timbre_weights" type="object[]">
  voice\_id とのいずれか一方が必須です

  <Expandable title="properties">
    <ParamField body="voice_id" type="string">
      リクエストする音色 id。weight パラメータと同時に指定する必要があります。
    </ParamField>

    <ParamField body="weight" type="int">
      範囲\[1,100]

      重み。voice\_id と同時に指定する必要があります。最大 4 種類の音色ミックスをサポートします。値は整数で、単一の音色の比率が高いほど、合成音色はその音色に近くなります。
    </ParamField>
  </Expandable>
</ParamField>

<ParamField body="stream" type="boolean" default="false">
  ストリーミングかどうか。デフォルトは false、つまりストリーミングは有効化されません。
</ParamField>

<ParamField body="stream_options" type="object">
  <Expandable title="properties">
    <ParamField body="exclude_aggregated_audio" type="boolean" default="false">
      このパラメータを True に設定した場合、ストリーミングの最後の chunk には、連結後の完全な音声 hex データは含まれません。デフォルトは False、つまり最後の chunk に連結後の完全な音声 hex データが含まれます。
    </ParamField>
  </Expandable>
</ParamField>

<ParamField body="language_boost" type="string" default="null">
  指定された小規模言語および方言に対する認識能力を強化します。設定後、指定された小規模言語/方言シーンでの音声表現を向上できます。小規模言語の種類が不明な場合は、"auto" を選択でき、モデルが小規模言語の種類を自律的に判断します。以下の値をサポートします：

  `'Chinese', 'Chinese,Yue', 'English', 'Arabic', 'Russian', 'Spanish', 'French', 'Portuguese', 'German', 'Turkish', 'Dutch', 'Ukrainian', 'Vietnamese', 'Indonesian', 'Japanese', 'Italian', 'Korean', 'Thai', 'Polish', 'Romanian', 'Greek', 'Czech', 'Finnish', 'Hindi', 'Bulgarian', 'Danish', 'Hebrew', 'Malay', 'Persian', 'Slovak', 'Swedish', 'Croatian', 'Filipino', 'Hungarian', 'Norwegian', 'Slovenian', 'Catalan', 'Nynorsk', 'Tamil', 'Afrikaans', 'auto'`
</ParamField>

<ParamField body="output_format" type="string" default="hex">
  出力結果の形式を制御するパラメータ。選択可能な値は `url` `hex` です。デフォルト値は `hex` です。このパラメータは非ストリーミングシーンでのみ有効で、ストリーミングシーンでは hex 形式の返却のみサポートされます。返却される url の有効期限は 24 時間です。
</ParamField>

<ParamField body="voice_modify" type="object">
  音声エフェクター設定。このパラメータがサポートする音声形式：

  * 非ストリーミング：mp3, wav, flac
  * ストリーミング：mp3

  <Expandable title="properties">
    <ParamField body="pitch" type="integer">
      ピッチ調整（低め/明るめ）。範囲 \[-100,100]。数値が -100 に近いほど音声はより低くなり、100 に近いほど音声はより明るくなります
    </ParamField>

    <ParamField body="intensity" type="integer">
      強度調整（力強さ/柔らかさ）。範囲 \[-100,100]。数値が -100 に近いほど音声はより力強くなり、100 に近いほど音声はより柔らかくなります
    </ParamField>

    <ParamField body="timbre" type="integer">
      音色調整（磁性/クリア）。範囲 \[-100,100]。数値が -100 に近いほど音声はより厚みのあるものになり、100 に近いほど音声はよりクリアになります
    </ParamField>

    <ParamField body="sound_effects" type="string">
      音響効果設定。1 回につき 1 種類のみ選択可能です。選択可能な値：

      * `spacious_echo`（広い空間のエコー）
      * `auditorium_echo`（講堂放送）
      * `lofi_telephone`（電話歪み）
      * `robotic`（電子音）
    </ParamField>
  </Expandable>
</ParamField>

## レスポンス情報

<ResponseField name="audio" type="string">
  合成後の音声断片。hex エンコードを採用し、入力で定義された形式 (`audio_setting.format`) に従って生成されます（mp3/pcm/flac）。返却形式は `output_format` の定義に従って返却され、`stream` が true の場合は hex の返却形式のみサポートされます。
</ResponseField>

<ResponseField name="status" type="number">
  現在の音声ストリーム状態。`stream` が true の場合のみ返却されます。1 は合成中、2 は合成終了を表します。
</ResponseField>