88API 音声 API：STT と TTS

88API の音声認識（STT）と音声合成（TTS）の統合ガイド。稼働状況、モデル、フィールド、形式、音声、サンプル、制限を説明します。

88API には独立した 2 種類の音声機能があります。入力と出力の方向に応じてエンドポイントを選び、STT と TTS のモデルやリクエスト形式を混在させないでください。

現在の提供状況（2026-08-11）

STT は本番環境で利用できます。TTS アダプターはデプロイ済みで、実際の WAV リクエストも本番検証に合格していますが、公開モデル価格はまだ設定されていません。価格が有効になるまで通常の API キーは 400 model_price_error となるため、TTS を本番業務へ組み込まないでください。

機能一覧

機能	エンドポイント	公開モデル	状態	出力
音声認識（STT）	`POST /v1/audio/transcriptions`	`gemini-2.5-stt`、`gemini-3-stt`、`gemini-3.5-stt`、`gemini-3.6-stt`	本番利用可、実リクエスト検証済み	`{ "text": "..." }`
音声合成（TTS）	`POST /v1/audio/speech`	`gemini-3.1-tts`	デプロイ・WAV 検証済み、公開価格待ち	WAV または raw PCM
音声翻訳	`/v1/audio/translations`	なし	未対応	—

Base URL: https://88api.ai/v1
Authorization: Bearer $API_KEY

音声認識（STT）

multipart/form-data で音声を送信します。boundary は cURL または SDK に生成させ、Content-Type: multipart/form-data を手動設定しないでください。

curl --fail-with-body https://88api.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $API_KEY" \
  -F "file=@./meeting.wav;type=audio/wav" \
  -F "model=gemini-2.5-stt" \
  -F "prompt=製品レビュー会議。人名と技術用語を正確に認識してください"

{
  "text": "認識された全文がここに入ります。"
}

モデルとフィールド

4 つはいずれも 88API の公開モデル ID で、本番の実リクエストを検証済みです。通常は gemini-2.5-stt から開始し、他のモデルは実際の録音で比較してください。言語、アクセント、ノイズをまたいだ固定の精度順位は保証しません。

フィールド	必須	説明
`file`	はい	音声ファイル 1 個、最大 15 MB
`model`	はい	上記 4 モデルのいずれか
`prompt`	いいえ	文脈、人名、ブランド、専門用語、希望する表記

対応形式は .mp3 (audio/mp3)、.wav (audio/wav)、.m4a (audio/aac)、.ogg (audio/ogg)、.flac (audio/flac)、.aiff/.aif (audio/aiff) です。拡張子と実際のエンコードを一致させてください。WAV は本番のエンドツーエンド回帰済みです。

基本 JSON 文字列のみを保証します。翻訳、話者分離、タイムスタンプ、SRT/VTT、リアルタイム配信、分割アップロード、非同期長時間音声には対応しません。

Python

from openai import OpenAI

client = OpenAI(api_key="YOUR_88API_KEY", base_url="https://88api.ai/v1")
with open("meeting.wav", "rb") as audio_file:
    result = client.audio.transcriptions.create(
        model="gemini-2.5-stt",
        file=audio_file,
        prompt="製品レビュー会議。用語: Vertex AI、NewAPI、88API",
    )
print(result.text)

音声合成（TTS）

公開価格の設定待ち

以下の仕様は本番へデプロイ済みで、実際の WAV 回帰にも合格しています。gemini-3.1-tts の正式価格が設定されるまで、通常の API キーは 400 model_price_error で拒否されます。

curl --fail-with-body https://88api.ai/v1/audio/speech \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gemini-3.1-tts",
    "input": "88API 音声合成サービスへようこそ。",
    "voice": "Kore",
    "response_format": "wav",
    "instructions": "自然で落ち着いた、明瞭な日本語ナレーション"
  }' \
  --output speech.wav

成功レスポンスは JSON ではなく音声バイナリです。

フィールド	必須	既定値	説明
`model`	はい	—	`gemini-3.1-tts`
`input`	はい	—	合成するテキスト
`voice`	はい	—	Gemini プリセット音声。まず `Kore` を推奨
`response_format`	いいえ	`wav`	`wav` または `pcm` のみ
`instructions`	いいえ	—	声調、感情、アクセント、速度、発音を自然言語で指定
`speed`	いいえ	`1`	`0.25`–`4`。自然言語指示へ変換され、厳密な倍率ではありません

結合後の input、instructions、速度指示は 8,000 UTF-8 バイト以下にしてください。

形式	Content-Type	仕様
`wav`	`audio/wav`	推奨。24 kHz、16-bit、モノラル、WAV ヘッダーあり
`pcm`	`audio/pcm`	24 kHz、16-bit、モノラル、ヘッダーなし raw PCM

MP3、Opus、AAC、FLAC、SSE、WebSocket、複数話者、音声クローン、参照音声、SSML は未対応です。

音声プリセット

正確なスペルを使用してください。更新は Google Gemini-TTS 公式ドキュメントを参照してください。

女性: Achernar、Aoede、Autonoe、Callirrhoe、Despina、Erinome、Gacrux、Kore、Laomedeia、Leda、Pulcherrima、Sulafat、Vindemiatrix、Zephyr
男性: Achird、Algenib、Algieba、Alnilam、Charon、Enceladus、Fenrir、Iapetus、Orus、Puck、Rasalgethi、Sadachbia、Sadaltager、Schedar、Umbriel、Zubenelgenubi

OpenAI の alloy、nova、shimmer は使用できません。

Python

import httpx

response = httpx.post(
    "https://88api.ai/v1/audio/speech",
    headers={"Authorization": "Bearer YOUR_88API_KEY"},
    json={
        "model": "gemini-3.1-tts",
        "input": "88API 音声合成サービスへようこそ。",
        "voice": "Kore",
        "response_format": "wav",
        "instructions": "自然で落ち着いた、明瞭な日本語ナレーション",
    },
    timeout=120,
)
response.raise_for_status()
open("speech.wav", "wb").write(response.content)

主なエラー

400: 必須フィールド不足、非対応形式、長すぎる入力、無効な音声。
400 model_price_error: 公開価格が未設定。同じリクエストを再試行しても解決しません。
401: API Key がない、または無効。
413: STT ファイルが 15 MB を超過。
429: レート、残高、上流容量の制限。指数バックオフで再試行してください。
500/502/503: 上流またはサーバーの一時障害。回数を制限して再試行し、継続する場合は request ID を添えてサポートへ連絡してください。

目次