text-to-speech

Name: text-to-speech
Author: heygen-com

github.com/heygen-comクリエイティブ・メディア5251.2k 回インストール15 週間前に更新

リポジトリ

text-to-speech について

HeyGen v3 APIのStarfish TTSモデルで、テキストから音声ファイルを生成するスキルです。音声の検索に加え、SSML、速度、言語、ロケールを指定できます。

主な機能

01Starfish対応音声の検索
02テキストまたはSSMLから音声を生成
03速度・言語・ロケールの指定
04単語タイムスタンプによる同期
05ページ分割された音声一覧

活用シーン

01選んだ音声でナレーションを作成
02SSMLのポーズやマークアップを使った音声生成
03単語タイムスタンプを使った字幕同期

MCP 対応

HeyGen MCPツールが利用可能な場合、TTS音声の一覧取得と音声生成に使うことを推奨しています。利用できない場合はHeyGen v3 HTTP APIを使います。

インストール

コマンドをコピーしてターミナルで実行します。

$npx skills add https://github.com/heygen-com/skills --skill text-to-speech

インストール後、Claude Code で/text-to-speechを入力して読み込まれたか確認します。

詳細

テキスト読み上げ（HeyGen Starfish）

HeyGen 独自の Starfish TTS モデルを v3 API 経由で使用し、テキストから音声ファイルを生成します。このスキルは単独での音声生成を対象としており、動画作成とは別です。

認証

すべてのリクエストで X-Api-Key ヘッダーが必要です。HEYGEN_API_KEY 環境変数を設定してください。

curl -X GET "https://api.heygen.com/v3/voices?engine=starfish" \
  -H "X-Api-Key: $HEYGEN_API_KEY"

ツールの選択

HeyGen MCP ツール（mcp__heygen__*）が利用可能な場合は、直接 HTTP API を呼び出すよりも優先して使用してください。

タスク	MCP ツール	フォールバック（直接 API）
TTS 音声の一覧表示	`mcp__heygen__list_audio_voices`	`GET /v3/voices?engine=starfish`
音声の生成	`mcp__heygen__text_to_speech`	`POST /v3/voices/speech`

デフォルトのワークフロー

mcp__heygen__list_audio_voices（または GET /v3/voices?engine=starfish）で音声を一覧表示します
希望する言語、性別、特徴に合った音声を選択します
テキストと voice_id を指定して mcp__heygen__text_to_speech（または POST /v3/voices/speech）を呼び出します
返された audio_url を使用して、音声をダウンロードまたは再生します

TTS 音声の一覧表示

Starfish TTS モデルに対応する音声を取得します。

注：統合された GET /v3/voices エンドポイントで engine=starfish フィルターを使用し、TTS 対応の音声のみを返します。すべての動画音声が Starfish TTS に対応しているわけではありません。レスポンスはページ分割されます。追加のページを取得するには next_token を使用してください。

クエリパラメーター

パラメーター	型	説明
`engine`	string	エンジンでフィルターします（TTS 音声には `starfish` を使用）
`type`	string	`public` または `private`
`language`	string	言語でフィルターします
`gender`	string	性別でフィルターします
`limit`	integer	1 ページあたりの結果数、1～100
`token`	string	`next_token` から取得したページネーションカーソル

curl

curl -X GET "https://api.heygen.com/v3/voices?engine=starfish" \
  -H "X-Api-Key: $HEYGEN_API_KEY"

TypeScript

interface AudioVoiceItem {
  voice_id: string;
  name: string;
  language: string;
  gender: "female" | "male" | "unknown";
  preview_audio_url: string | null;
  support_pause: boolean;
  support_locale: boolean;
  type: string;
}

interface TTSVoicesResponse {
  error: null | string;
  data: AudioVoiceItem[];
  has_more: boolean;
  next_token: string | null;
}

async function listTTSVoices(): Promise<AudioVoiceItem[]> {
  const allVoices: AudioVoiceItem[] = [];
  let token: string | null = null;

  do {
    const url = new URL("https://api.heygen.com/v3/voices");
    url.searchParams.set("engine", "starfish");
    if (token) url.searchParams.set("token", token);

    const response = await fetch(url.toString(), {
      headers: { "X-Api-Key": process.env.HEYGEN_API_KEY! },
    });

    const json: TTSVoicesResponse = await response.json();

    if (json.error) {
      throw new Error(json.error);
    }

    allVoices.push(...json.data);
    token = json.next_token;
  } while (token);

  return allVoices;
}

Python

import requests
import os

def list_tts_voices() -> list:
    all_voices = []
    token = None

    while True:
        params = {"engine": "starfish"}
        if token:
            params["token"] = token

        response = requests.get(
            "https://api.heygen.com/v3/voices",
            headers={"X-Api-Key": os.environ["HEYGEN_API_KEY"]},
            params=params,
        )

        data = response.json()
        if data.get("error"):
            raise Exception(data["error"])

        all_voices.extend(data["data"])

        if not data.get("has_more"):
            break
        token = data.get("next_token")

    return all_voices

レスポンス形式

{
  "error": null,
  "data": [
    {
      "voice_id": "f38a635bee7a4d1f9b0a654a31d050d2",
      "name": "Chill Brian",
      "language": "English",
      "gender": "male",
      "preview_audio_url": "https://resource.heygen.ai/text_to_speech/WpSDQvmLGXEqXZVZQiVeg6.mp3",
      "support_pause": true,
      "support_locale": false,
      "type": "public"
    }
  ],
  "has_more": false,
  "next_token": null
}

音声の生成

指定した音声を使用して、テキストを音声に変換します。

エンドポイント

POST https://api.heygen.com/v3/voices/speech

リクエストフィールド

フィールド	型	必須	説明
`text`	string	Y	変換するテキストコンテンツ（1～5000 文字）
`voice_id`	string	Y	`GET /v3/voices?engine=starfish` で取得した音声 ID
`input_type`	string		`"text"`（デフォルト）または完全な SSML マークアップ用の `"ssml"`
`speed`	number		読み上げ速度、0.5～2.0（デフォルト：1.0）
`language`	string		基本言語コード（例：`"en"`、`"pt"`）。省略時は自動検出されます
`locale`	string		多言語音声用の BCP-47 ロケール（例：`"en-US"`、`"pt-BR"`）

curl

curl -X POST "https://api.heygen.com/v3/voices/speech" \
  -H "X-Api-Key: $HEYGEN_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "text": "Hello! Welcome to our product demo.",
    "voice_id": "YOUR_VOICE_ID",
    "speed": 1.0
  }'

TypeScript

interface TTSRequest {
  text: string;
  voice_id: string;
  input_type?: "text" | "ssml";
  speed?: number;
  language?: string;
  locale?: string;
}

interface WordTimestamp {
  word: string;
  start: number;
  end: number;
}

interface TTSResponse {
  error: null | string;
  data: {
    audio_url: string;
    duration: number;
    request_id?: string;
    word_timestamps?: WordTimestamp[];
  };
}

async function textToSpeech(request: TTSRequest): Promise<TTSResponse["data"]> {
  const response = await fetch(
    "https://api.heygen.com/v3/voices/speech",
    {
      method: "POST",
      headers: {
        "X-Api-Key": process.env.HEYGEN_API_KEY!,
        "Content-Type": "application/json",
      },
      body: JSON.stringify(request),
    }
  );

  const json: TTSResponse = await response.json();

  if (json.error) {
    throw new Error(json.error);
  }

  return json.data;
}

Python

import requests
import os

def text_to_speech(
    text: str,
    voice_id: str,
    input_type: str = "text",
    speed: float = 1.0,
    language: str | None = None,
    locale: str | None = None,
) -> dict:
    payload = {
        "text": text,
        "voice_id": voice_id,
        "speed": speed,
    }

    if input_type != "text":
        payload["input_type"] = input_type

    if language:
        payload["language"] = language

    if locale:
        payload["locale"] = locale

    response = requests.post(
        "https://api.heygen.com/v3/voices/speech",
        headers={
            "X-Api-Key": os.environ["HEYGEN_API_KEY"],
            "Content-Type": "application/json",
        },
        json=payload,
    )

    data = response.json()
    if data.get("error"):
        raise Exception(data["error"])

    return data["data"]

レスポンス形式

{
  "error": null,
  "data": {
    "audio_url": "https://resource2.heygen.ai/text_to_speech/.../id=365d46bb.wav",
    "duration": 5.526,
    "request_id": "p38QJ52hfgNlsYKZZmd9",
    "word_timestamps": [
      { "word": "<start>", "start": 0.0, "end": 0.0 },
      { "word": "Hey", "start": 0.079, "end": 0.219 },
      { "word": "there,", "start": 0.239, "end": 0.459 },
      { "word": "<end>", "start": 5.526, "end": 5.526 }
    ]
  }
}

使用例

基本的な TTS

const result = await textToSpeech({
  text: "Welcome to our quarterly earnings call.",
  voice_id: "YOUR_VOICE_ID",
});

console.log(`Audio URL: ${result.audio_url}`);
console.log(`Duration: ${result.duration}s`);

速度を調整する場合

const result = await textToSpeech({
  text: "We're thrilled to announce our newest feature!",
  voice_id: "YOUR_VOICE_ID",
  speed: 1.1,
});

多言語音声で言語とロケールを指定する場合

const result = await textToSpeech({
  text: "Bem-vindo ao nosso produto.",
  voice_id: "MULTILINGUAL_VOICE_ID",
  language: "pt",
  locale: "pt-BR",
});

SSML 入力を使用する場合

const result = await textToSpeech({
  text: '<speak>Hello <break time="1s"/> and welcome!</speak>',
  voice_id: "YOUR_VOICE_ID",
  input_type: "ssml",
});

音声を探して生成する場合

async function generateSpeech(text: string, language: string): Promise<string> {
  const voices = await listTTSVoices();
  const voice = voices.find(
    (v) => v.language.toLowerCase().includes(language.toLowerCase())
  );

  if (!voice) {
    throw new Error(`No TTS voice found for language: ${language}`);
  }

  const result = await textToSpeech({
    text,
    voice_id: voice.voice_id,
  });

  return result.audio_url;
}

const audioUrl = await generateSpeech("Hello and welcome!", "english");

Break タグによる一時停止

一時停止を挿入するには、テキスト内で SSML 形式の break タグを使用します。

word <break time="1s"/> word

ルール：

秒数には s の接尾辞を付けます：<break time="1.5s"/>
タグの前後にはスペースが必要です
自己終了タグ形式を使用します

v3 では input_type: "ssml" を使用して完全な SSML にも対応できます。これにより、break タグ以外のより豊富なマークアップを使用できます。

{
  "text": "<speak>Welcome! <break time=\"1s\"/> Let's get started.</speak>",
  "voice_id": "YOUR_VOICE_ID",
  "input_type": "ssml"
}

ベストプラクティス

GET /v3/voices?engine=starfish を使用して対応する音声を探します。統合された /v3/voices エンドポイントはすべての音声タイプを提供するため、TTS では engine=starfish フィルターが必須です
locale を設定する前にsupport_locale を確認します。ロケールの選択に対応しているのは、多言語音声のみです
自然な音声出力にするには、速度を 0.8～1.2 に保ちます
音声を生成する前に、preview_audio_url を使用してプレビューします（一部の音声では null の場合があります）
キャプションの同期やタイミング付きテキストオーバーレイには、レスポンス内の word_timestamps を使用します
一時停止を入れるには、テキスト内で SSML の break タグを使用します：word <break time="1s"/> word
単純な break タグを超える SSML マークアップの完全な制御が必要な場合は、input_type: "ssml" を使用します
音声一覧をページネーションします。v3 エンドポイントはページネーションされた結果を返すため、すべての音声を取得するには has_more と next_token を使用します

Markdown 対応

ログインしてコメント

基本情報

作者: heygen-com
リポジトリ: heygen-com/skills
カテゴリ: クリエイティブ・メディア
インストール数: 1,189
GitHub スター: 525

問題を報告

おすすめの Skills

すべての Skills

ai-video-generation

github.com/inference-sh

1.7M

inference.sh CLI で Google Veo、Seedance 2.0、HappyHorse、Wan、Grok など 40 以上のモデルを使って AI 動画を生成する。モデル：Veo 3.1、Seedance 2.0、HappyHorse 1.0、Wan 2.5、Grok Imagine Video、OmniHuman、Fabric、HunyuanVideo。機能：テキストから動画、画像から動画、参照から動画、動画編集、リップシンク、アバターアニメーション、動画アップスケーリング、フォーリー音。用途：ソーシャルメディア動画、マーケティングコンテンツ、解説動画、製品デモ、AI アバター。トリガー：video generation、ai video、text to video、image to video、veo、animate image、video from image、ai animation、video generator、generate video、t2v、i2v、ai video maker、create video with ai、runway alternative、pika alternative、sora alternative、kling alternative、seedance、happyhorse

ai-image-generation

github.com/inference-sh

1.7M

inference.sh CLI で GPT-Image-2.5、FLUX、Gemini、Grok、Seedream、Reve など 50 以上のモデルを使って AI 画像を生成する。モデル：GPT-Image-2.5 Flare、GPT-Image-2.5 Sunburst、GPT-Image-2、FLUX Dev LoRA、FLUX.2 Klein LoRA、Gemini 3 Pro Image、Grok Imagine、Seedream 4.5、Reve、ImagineArt。機能：テキストから画像、画像から画像、インペインティング、LoRA、画像編集、アップスケーリング、テキストレンダリング。用途：AI アート、製品モックアップ、コンセプトアート、ソーシャルメディア用グラフィック、マーケティングビジュアル、イラスト。トリガー：flux、image generation、ai image、text to image、stable diffusion、generate image、ai art、midjourney alternative、dall-e alternative、text2img、t2i、image generator、ai picture、create image with ai、generative ai、ai illustration、grok image、gemini image、gpt image、openai image、chatgpt image

ai-avatar-video

github.com/inference-sh

1.7M

inference.sh CLI で AI アバターやトーキングヘッド動画を作成します。おすすめ：P-Video-Avatar（最速、最安、TTS 内蔵）。その他：OmniHuman、Fabric、PixVerse。音声：Inworld TTS-2（100以上の言語に対応し、キャラクターの感情を調整可能）、ElevenLabs、Kokoro。機能：音声駆動アバター、テキストからアバター、リップシンク動画、トーキングヘッド生成、バーチャルプレゼンター、UGC コンテンツ。用途：AI プレゼンター、解説動画、バーチャルインフルエンサー、吹き替え、マーケティング動画、UGC 広告、ゲームアバター、NPC の会話。トリガー：ai avatar、talking head、lipsync、avatar video、virtual presenter、ai spokesperson、audio driven video、heygen alternative、synthesia alternative、talking avatar、lip sync、video avatar、ai presenter、digital human、ugc、ugc video、ugc ad、avatar ugc

remotion-render

github.com/inference-sh

1.6M

inference.sh を介して React/Remotion コンポーネントコードから動画をレンダリングします。TSX コードを渡すと MP4 を取得できます。useCurrentFrame、useVideoConfig、spring、interpolate、AbsoluteFill、Sequence など、すべての Remotion API に対応します。解像度、FPS、長さ、コーデックを設定できます。用途：プログラムによる動画生成、アニメーショングラフィック、モーションデザイン、データ駆動型動画、React アニメーションの動画化。トリガー：remotion、render video from code、tsx to video、react video、programmatic video、remotion render、code to video、animated video、motion graphics code、react animation video