byteplus/seed-audio-1.0-multilingual の API リファレンスです。Comfy Router が BytePlus から提供します。
クイックスタート
Comfy ワークスペースでキーを作成し、COMFY_API_KEY としてエクスポートします。Python と TypeScript のスニペットは Comfy SDK(pip install comfy-sdk、npm install @comfyorg/sdk)を使用しています。cURL のスニペットは、生の HTTP による同じ呼び出しです。
モデル ID: byteplus/seed-audio-1.0-multilingual
エンドポイント: POST https://api.comfy.org/v2/models/byteplus/seed-audio-1.0-multilingual
- Wait for the result
- Queue and collect later
スキーマ
入力
object
出力オーディオの設定。
boolean
字幕サービスを有効にするかどうか。有効にすると、レスポンスに発話単位および単語単位のタイムスタンプが含まれます(デフォルト: false)。
string
出力オーディオ形式: wav(デフォルト)、mp3、pcm、または ogg_opus。指定可能な値:
wav、mp3、pcm、ogg_opusinteger
-50 から 100。100 は 2.0 倍の音量、-50 は 0.5 倍の音量を意味します(デフォルト: 0)。範囲:
-50 から 100integer
-12 から 12(デフォルト: 0)。範囲:
-12 から 12integer
出力サンプルレート: 8000、16000、24000(デフォルト)、32000、44100、または 48000。指定可能な値:
8000、16000、24000、32000、44100、48000integer
-50 から 100。100 は 2.0 倍の速度、-50 は 0.5 倍の速度を意味します(デフォルト: 0)。範囲:
-50 から 100string
モデル識別子。対応モデル: seed-audio-1.0 および seed-audio-1.0-multilingual。POST /proxy/byteplus/api/v3/tts/create への直接の v1 呼び出しでは必ずこれを指定する必要があります。プロキシはそれ以外の値や省略された値を 400 で拒否します。これがこのスキーマの
required リストに含まれていないのは、Comfy Router が /v2/models/byteplus/{model} の {model} パスセグメントからこれを設定するためであり、Router の呼び出し元は省略します。object[]
参照リソース。テキストのみの生成では省略します。最大 3 つのオーディオ参照(それぞれ最大 30 秒、デコード後 10 MB。wav、mp3、pcm、または ogg_opus)、または正確に 1 つの画像参照(デコード後最大 10 MB。jpeg、png、または webp)。画像参照とオーディオ参照は混在できません。これらの上限は BytePlus によるもので、デコード後のバイト数で示されています。base64 はアセットを約 4/3 に膨張させ、Comfy Router の呼び出しは JSON ドキュメント全体で 10 MiB に制限されるため、/v2/models/byteplus/{model} に送信するインラインの
audio_data/image_data 参照は、デコード後でおよそ 7.5 MB 未満に抑える必要があります。それより大きいものには audio_url/image_url を使用してください。インライン化された場合、BytePlus 自身の 10 MB 上限に達する参照は、検証が実行される前に 413 で拒否されます。string
Base64 エンコードされた参照オーディオ。
string
リモート参照オーディオファイルの URL。
string
Base64 エンコードされた参照画像。
string
リモート参照画像の URL。
string
ボイス ID。対応する Doubao TTS ボイス、またはボイスクローン ID を指定できます。
string
必須
合成するプロンプトまたはテキスト(1 ~ 3,000 文字。空文字列は拒否されます)。オーディオ参照を指定した場合は、@Audio1、@Audio2、@Audio3 を使って順番に参照します。
object
ウォーターマーク設定オブジェクト。空のオブジェクトも受け付けられます。
object
暗黙的なウォーターマーク。合成されたオーディオのヘッダーにメタデータを追加します。
string
合成サービスプロバイダーの名前またはコード。
string
コンテンツ配信サービスプロバイダーの名前またはコード。
boolean
暗黙的なウォーターマークを有効にするかどうか(デフォルト: false)。
string
コンテンツ制作 ID。
string
コンテンツ配信 ID。
boolean
明示的なウォーターマークの切り替え。合成されたオーディオの末尾にオーディオリズムマーカーを追加します(デフォルト: false)。
GET /v2/models/byteplus/seed-audio-1.0-multilingual/openapi.json で提供するスキーマから生成されたもので、リクエストがプロバイダーに到達する前に Router が呼び出しを検証する際に使用するのと同じドキュメントです。
出力
string
生成済みのオーディオデータ。Base64 でエンコードされています。
integer
ステータスコード。詳細は公式のエラーコードドキュメントを参照してください。
number
速度変更または後処理後の再生時間(秒)。フォーマット:
doublestring
ステータスの詳細。
number
モデルが元々出力した再生時間(秒)。課金に使用され、上限は 120 秒です。フォーマット:
doubleobject
オーディオの字幕情報。リクエストで audio_config.enable_subtitle が true に設定されている場合にのみ含まれます。
object[]
発話単位の字幕情報。
integer
セグメントの終了時間。オーディオの先頭からのミリ秒単位。
integer
セグメントの開始時間。オーディオの先頭からのミリ秒単位。
string
セグメントの完全なテキスト。
string
オーディオに対応する字幕テキスト。
object[]
単語単位の字幕情報。
integer
セグメントの終了時間。オーディオの先頭からのミリ秒単位。
integer
セグメントの開始時間。オーディオの先頭からのミリ秒単位。
string
セグメントの完全なテキスト。
string
一時的なオーディオ URL。2 時間有効です。
例
入力
出力
出荷前の確認
SDK はIdempotency-Key を生成し、自動リトライで再利用します。手動リトライでは元のキーを再利用してください。Router は最大 10 分間接続を保持できます。
リクエストが失敗すると、Router は理由を示す X-Comfy-Error-Type レスポンスヘッダーを送信します。422 は、プロバイダーを呼び出す前に Router が入力を拒否したことを意味します。生成されたアセットは 結果 URL の有効期限 があるため、早めにダウンロードしてください。
ヘッダー
認証、冪等性、リクエスト ID、エラー分類、リトライ間隔、支出上限。
Router API の利用
モデルの検出、バリデーションエラー、リトライ、課金。
制限事項
Router が現在対応していないことと、代替手段。