fal-audio

fal.ai Audio

fal.ai の最先端オーディオモデルを使用したテキスト読み上げと音声テキスト変換です。

仕組み

1. ユーザーがテキスト（TTS の場合）または音声 URL（STT の場合）を指定します
2. スクリプトが適切なモデルを選択します
3. fal.ai API にリクエストを送信します
4. 音声 URL（TTS の場合）または文字起こしテキスト（STT の場合）を返します

モデルの検索

最適で最新のオーディオモデルを見つけるには、検索 API を使用します。

# Search for text-to-speech models
bash /mnt/skills/user/fal-generate/scripts/search-models.sh --category "text-to-speech"

# Search for speech-to-text models
bash /mnt/skills/user/fal-generate/scripts/search-models.sh --category "speech-to-text"

# Search for music generation models
bash /mnt/skills/user/fal-generate/scripts/search-models.sh --query "music generation"

または、search_models MCP ツールで「tts」、「speech」、「music」などの関連キーワードを指定します。

使用方法

テキスト読み上げ

bash /mnt/skills/user/fal-audio/scripts/text-to-speech.sh [options]

引数：

• --text - 音声に変換するテキスト（必須）
• --model - TTS モデル（デフォルトは fal-ai/minimax/speech-2.8-turbo）
• --voice - 音声 ID または名前（モデル固有）

例：

# Basic TTS (fast, good quality)
bash /mnt/skills/user/fal-audio/scripts/text-to-speech.sh \
  --text "Hello, welcome to the future of AI."

# High quality with MiniMax HD
bash /mnt/skills/user/fal-audio/scripts/text-to-speech.sh \
  --text "This is premium quality speech." \
  --model "fal-ai/minimax/speech-2.8-hd"

# Natural voices with ElevenLabs
bash /mnt/skills/user/fal-audio/scripts/text-to-speech.sh \
  --text "Natural sounding voice generation" \
  --model "fal-ai/elevenlabs/tts/eleven-v3"

# Multi-language TTS
bash /mnt/skills/user/fal-audio/scripts/text-to-speech.sh \
  --text "Bonjour, bienvenue dans le futur." \
  --model "fal-ai/chatterbox/text-to-speech/multilingual"

音声テキスト変換

bash /mnt/skills/user/fal-audio/scripts/speech-to-text.sh [options]

引数：

• --audio-url - 文字起こしする音声ファイルの URL（必須）
• --model - STT モデル（デフォルトは fal-ai/whisper）
• --language - 言語コード（任意、自動検出）

例：

# Transcribe with Whisper
bash /mnt/skills/user/fal-audio/scripts/speech-to-text.sh \
  --audio-url "https://example.com/audio.mp3"

# Transcribe with speaker diarization
bash /mnt/skills/user/fal-audio/scripts/speech-to-text.sh \
  --audio-url "https://example.com/meeting.mp3" \
  --model "fal-ai/elevenlabs/speech-to-text/scribe-v2"

# Transcribe specific language
bash /mnt/skills/user/fal-audio/scripts/speech-to-text.sh \
  --audio-url "https://example.com/spanish.mp3" \
  --language "es"

MCP ツールの代替手段

search_models MCP ツールまたは search-models.sh を使用して現在最適なモデルを見つけ、その後、見つかった modelId を指定して mcp__fal-ai__generate を呼び出します。

出力

テキスト読み上げの出力

Generating speech...
Model: fal-ai/minimax/speech-2.8-turbo

Speech generated!

Audio URL: https://v3.fal.media/files/abc123/speech.mp3
Duration: 5.2s

音声テキスト変換の出力

Transcribing audio...
Model: fal-ai/whisper

Transcription complete!

Text: "Hello, this is the transcribed text from the audio file."
Duration: 12.5s
Language: en

ユーザーへの結果の提示

TTS の場合：

Here's the generated speech:

[Download audio](https://v3.fal.media/files/.../speech.mp3)

• Duration: 5.2s | Model: Maya TTS

STT の場合：

Here's the transcription:

"Hello, this is the transcribed text from the audio file."

• Duration: 12.5s | Language: English

モデル選択のヒント

• テキスト読み上げ：text-to-speech カテゴリを検索します。品質と速度のトレードオフを考慮してください。
• テキストから音楽への変換：music generation を検索します。ボーカルに特化したモデルもあれば、インストゥルメンタルに特化したモデルもあります。
• 音声テキスト変換：speech-to-text カテゴリを検索します。話者ダイアライゼーションや多言語サポートが必要かどうかを考慮してください。

トラブルシューティング

音声が空の場合

Error: Generated audio is empty

Check that your text is not empty and contains valid content.

サポートされていない音声形式の場合

Error: Audio format not supported

Supported formats: MP3, WAV, M4A, FLAC, OGG
Convert your audio to a supported format.

言語を検出できない場合

Warning: Could not detect language, defaulting to English

Specify the language explicitly with --language option.