ボイスとオーディオ
Nodaro SDK を使って、TypeScript からボイスの参照、変更、差し替え、デザイン、動画の吹き替え、オーディオの分離、ミックス、文字起こしを行います。
client.voices は ElevenLabs のボイスを扱います。ボイスの一覧表示と検索、録音の声の変更、話者ごとの新しいボイスの割り当て、新しいボイスのデザイン、オーディオや動画の別の言語への吹き替えができます。client.audio は、オーディオの構成要素をそれぞれ単独で提供します。分離、声の抽出、エフェクト、ミックス、音量、結合、文字起こしです。どの生成メソッドも jobId を返すので、client.jobs.getStatus() でポーリングしてください。これらのメソッドは、音声とメディアの REST API を呼び出します。
メソッド
client.voices:ボイス
voices.list()
ElevenLabs の標準ボイスを一覧表示します(GET /v1/voices)。サーバーに ElevenLabs のキーが設定されていない場合は、代わりに厳選されたセットを返します。
list(params?: { model?: string }): Promise<Voice[]>model に Gemini の音声モデル(gemini-3-8-flash-lite-tts、gemini-3-8-flash-tts、gemini-3-1-flash-tts、gemini-2-5-pro-tts)を指定すると、代わりにそのモデル自身のボイスを一覧表示します。Gemini のモデルはそれらのボイスだけを話すので、text-to-speech の voice はそのいずれかでなければなりません。各行の voice_id と name はボイスの名前です。3.8 のモデルでは、use_case がそのボイスの用途を示します。たとえば podcast や storyteller です。ほかのモデルを指定した場合や指定しない場合は、標準ボイスを一覧表示します。
const voices = await client.voices.list()
const geminiVoices = await client.voices.list({ model: "gemini-3-8-flash-tts" })プレビューを自分のホストから配信するデプロイメントでは、ここと searchLibrary() の各ボイスの preview_url が、プロバイダーのアドレスではなく同じサイトのパス(/v1/voices/<id>/preview?…)になります。再生するには、API のオリジンを基準に解決してください。デプロイメント自身のホストから配信するボイスのプレビューを参照してください。
voices.searchLibrary(params?)
コミュニティのボイスライブラリを検索します(GET /v1/voices/library)。どのパラメーターも任意で、空の値は取り除かれるため、サーバーのデフォルトが適用されます。応答の hasMore で、次のページがあるかどうかがわかります。
searchLibrary(params?: VoiceLibraryParams): Promise<{ voices: Voice[]; hasMore: boolean }>プロパティ
型
const { voices, hasMore } = await client.voices.searchLibrary({ search: "deep", language: "en" })
const voice = voices[0]
await client.nodes.run("text-to-speech", {
text: "Hello!",
voice: voice.voice_id,
voiceType: "library",
...(voice.recommendedProvider ? { provider: voice.recommendedProvider } : {}),
})各ボイスには、そのボイスが検証済みの音声モデルについて、2 つのヒントが付くことがあります。
recommendedProviderは、そのボイスに最適なモデルです。モデルピッカーのないアプリは、これをproviderとしてテキストから音声に送ってください。そうすると、ボイスがライブラリのプレビューと同じように聞こえます。verifiedProvidersは、そのボイスが検証済みのすべてのモデルを一覧にします。モデルピッカーのあるアプリは、ユーザーの選んだモデルがこの一覧にない場合にだけ、それを置き換えてください。
どちらのヒントも、ElevenLabs v4、ElevenLabs v3、ElevenLabs v4 Turbo、Turbo v2.5、Multilingual v2 の順です。recommendedProvider は verifiedProviders の最初の項目です。モデルが一覧に含まれるかどうかを確認し、決まった値の組と比べないでください。あとで追加された音声モデルは、リリースされた時点で一覧に加わります。どちらのヒントも、そのインストールが提供するモデルだけを示します。そこで検証済みのモデルがないボイスは、どちらのフィールドも持たないので、ユーザーの現在のモデルを使い続けてください。
各ボイスには、ライブラリが示す音の特徴と言語も含まれます。そのため、カードに「Cute · Spanish」と表示するのに 2 回目の呼び出しは要りません。
descriptiveは、calm、deep、cuteのようなライブラリの 1 語のトーンです。示されていなければ""です。descriptivesフィルターが受け取る値で、既知の値は@nodaro/shared/pipelineのVOICE_LIBRARY_DESCRIPTIVESです。languageとlocaleは、ライブラリが付けた主な言語のコード(en、he)とそのロケール(en-US)です。記載がなければ""です。verifiedLanguagesは、そのボイスの動作が確認されているすべての言語コードで、主な言語が先頭です。languageフィルターはこのリストと照合されます。英語のボイスでスペイン語の確認が取れているものは、language: "es"で一覧に出ます。
use_cases の値は @nodaro/shared/pipeline の VOICE_LIBRARY_USE_CASES です。どちらのフィルターも値を送ったとおりに渡すので、ライブラリが後から追加した値も、一覧に載る前から使えます。古いサーバーでは新しいフィールドが含まれません。
voices.libraryFacets(params?)
保持しているフィルターに対して、グループ(use_cases)、トーン(descriptives)、言語、性別、年齢、アクセント、カテゴリーごとにボイスライブラリのボイスを数えます(GET /v1/voices/library/facets)。クレジット不要の公開呼び出し 1 回で、ピッカー画面全体を埋められます。すべてのグループに件数が付き、ボイスのあるトーンと言語だけが表示されます。
libraryFacets(params?: VoiceLibraryFacetsParams): Promise<VoiceLibraryFacets>params は、ページングと並べ替えを除いた searchLibrary() のフィルターです:search、gender、age、accent、language、category、use_cases、descriptives、featured。
{
total: 681, // voices matching every filter sent
use_cases: [{ value: "characters_animation", count: 681 }, { value: "social_media", count: 930 }, …],
languages: [{ value: "en", count: 681 }, { value: "es", count: 496 }, …],
descriptives: [{ value: "confident", count: 73 }, { value: "casual", count: 64 }, …],
genders: […], ages: […], accents: […], categories: […],
approximate: false,
updatedAt: "2026-11-09T06:00:00.000Z",
}totalにはすべてのフィルターが適用されます。各ファセットの件数には、そのファセット自身を除くすべてのフィルターが適用されるので、1 つのグループを選んだ状態でも、すべてのグループの件数を表示できます。ボイスのない値は含まれません。リストは件数順、次に値の順に並び、値はライブラリ自身の綴りです。そのままフィルターとして渡してください。languagesでは、ボイスは確認済みのすべての言語で数えられます。そのため、件数の合計はtotalより多くなります。- 件数は、プラットフォームが定期的に読み込むライブラリのコピーから数えます。 いつ読み込んだかは
updatedAtでわかるので、件数が一覧より数件遅れることがあります。searchを付けると、件数は下限の見積もりになり、approximateがtrueになります。 - デプロイメントが初めてライブラリを読み込んでから数分間は、
503 voice_library_warmingでエラーになります。Retry-Afterの秒数が経ってから再試行してください。音声のキーがないデプロイメントは、keyMissing: true付きで件数 0 を返します。
const facets = await client.voices.libraryFacets({ use_cases: "characters_animation", language: "en" })
const tones = facets.descriptives // only tones that have voices, most first
const hebrew = facets.languages.find((l) => l.value === "he")?.count ?? 0voices.listClones()
自分のボイスクローンを一覧表示します(GET /v1/voice-clones)。クローン機能が廃止される前に作ったクローンは、ボイスを指定できるところならどこでも、ボイス ID として引き続き使えます。廃止の唯一の例外は、Gemini 3.8 Flash での 1 回のリクエストだけの使い捨てのクローン(nodes.textToSpeech と textToDialogue の話者の replica)で、これはボイスとして保存されることはありません。
listClones(): Promise<VoiceClone[]>const clones = await client.voices.listClones()voices.deleteClone(id)
自分のボイスクローンの 1 つを削除します(DELETE /v1/voice-clones/:id)。
deleteClone(id: string): Promise<void>プロパティ
型
await client.voices.deleteClone(cloneId)voices.listFavorites()、favorite(input)、unfavorite(voiceId)
お気に入りのボイスを一覧表示、追加、削除します(GET /v1/voices/favorites、PUT と DELETE /v1/voices/favorites/:voiceId)。お気に入りは、標準ボイス、ボイスライブラリのボイス、自分のクローンのいずれかです。どのクライアントから追加しても、すべてのクライアントで新しい順に読み取れます。
listFavorites(): Promise<VoiceFavorite[]>
favorite(input: VoiceFavoriteInput): Promise<VoiceFavorite>
unfavorite(voiceId: string): Promise<void>プロパティ
型
- お気に入りには、テキスト読み上げの実行が
voiceとvoiceTypeとして受け取るvoiceIdとvoiceType、そして追加したときのnameとpreviewUrlが含まれます。お気に入り一覧は、2 回目の検索なしで表示できます。 - どちらの書き込みも冪等です。 すでに追加したボイスを追加するとスナップショットが更新され、お気に入りにないボイスを外しても成功します。
- お気に入りが 500 件を超えると、
favorite()は409 limit_reachedでエラーになります。 - OAuth アプリでは、一覧に
assets:read、書き込みにassets:writeが必要です。
const { voices } = await client.voices.searchLibrary({ search: "calm narrator", language: "en" })
const pick = voices[0]
await client.voices.favorite({ voiceId: pick.voice_id, voiceType: "library", name: pick.name, previewUrl: pick.preview_url })
const favorites = await client.voices.listFavorites()
await client.nodes.run("text-to-speech", { text: "Hello!", voice: favorites[0].voiceId, voiceType: favorites[0].voiceType })
await client.voices.unfavorite(pick.voice_id)voices.createClone() と createCloneFromFile()
ボイスクローンの作成は、Nodaro ではもう提供されていません。2026 年 9 月に廃止されました。両方のメソッドはクライアントに残っていますが、非推奨として示されます。code が voice_cloning_retired の NodaroError を、ステータス 410 でスローします。新しいカスタムボイスには、代わりに design() を使ってください。
client.voices:ボイスチェンジャー
voices.change(input)
録音や、話している動画全体の声を、別の声に置き換えます(POST /v1/voice-changer)。ボイスチェンジャーノードと同じ処理です。videoUrl を指定すると、サーバーは動画から音声を取り出し、声を変換して、新しい声を元の映像に載せ直します。
change(input: {
voiceId: string
audioUrl?: string
videoUrl?: string
model?: string
stability?: number
similarityBoost?: number
style?: number
useSpeakerBoost?: boolean
seed?: number
removeBackgroundNoise?: boolean
}): Promise<{ jobId: string }>プロパティ
型
const { jobId } = await client.voices.change({
videoUrl: "https://example.com/talking.mp4",
voiceId: "Aria",
})
// the finished job's output_data has videoUrl and audioUrlvoices.recast(input)
録音の中で検出された各話者に、それぞれ異なるボイスを割り当てます(POST /v1/voice-changer-pro)。ボイスチェンジャー Proノードと同じ処理です。Nodaro Cloud で実行され、クレジットがかかり、ジョブとして実行されます。
recast(input: VoiceChangerProInput): Promise<{ jobId: string }>プロパティ
型
orderedVoices の各エントリーは、次のいずれかです。
- ボイス ID:
"Rachel"のような標準ボイスの名前か、ElevenLabs のボイス ID です。 null:元の声を維持するスロットです。その話者は自分の声のままですが、それより後の話者は引き続き差し替えられます。差し替える話者にだけ料金がかかるため、維持するスロットは無料です。- オブジェクト:
voiceIdと、その話者の設定です。stability、similarityBoost、styleは 0〜1、useSpeakerBoost、seedは 0〜4,294,967,295 です。volumeModeは"match"(デフォルト、元の話者のレベル)、"normalize"、またはvolumeを 0〜200% で指定する"manual"のいずれかです。engine: "v3"は、録音した音声を変換する代わりに、その話者のセリフを文字起こしから ElevenLabs v3 で読み上げ直します。[audio tags]にも対応します。engine: "v4"は同じことを ElevenLabs v4 で行い、stabilityに 0〜1 の任意の値を指定でき、similarityBoostが適用されます。
話者 0 には orderedVoices[0] が、話者 1 には orderedVoices[1] が割り当てられ、以降も同様です。最後のエントリーより後の話者は、自分の声のままです。声と音楽は、常に最初に分離されます。preserveBackground が決めるのは、音楽を戻すかどうかだけです。
voiceFx.preset は、リバーブの空間(room、bathroom、car、hall、concert-hall、church、cave、arena、outdoor)か、telephone、megaphone、echo、custom のいずれかです。リバーブのプリセットは、0〜100 の wetDryMix を使います。echo と custom は、20〜2,000 の delayMs と、0〜1 の decay を使います。
// Recast speakers 0 and 2, and keep speaker 1's own voice
const { jobId } = await client.voices.recast({
audioUrl: "https://example.com/panel.mp3",
orderedVoices: ["Rachel", null, "Aria"],
})
// Repeatable voices, a hall reverb, and finer separation
const { jobId: tuned } = await client.voices.recast({
audioUrl: "https://example.com/dialogue.mp3",
orderedVoices: [
{ voiceId: "Rachel", seed: 12345, stability: 0.6 },
{ voiceId: "Aria", seed: 67890, volumeMode: "manual", volume: 120 },
],
voiceFx: { preset: "hall", wetDryMix: 35 },
separationQuality: "best",
})動画モードでは、完了したジョブの output_data に videoUrl と audioUrl が入ります。
voices.analyze(input)
クリップの話者を、差し替えずに検出します(POST /v1/voice-changer-pro/analyze)。声を音楽から 1 回分離し、誰がいつ話しているかを調べます。Nodaro Cloud で実行され、料金は一律で、ジョブとして実行されます。
analyze(input: {
audioUrl?: string
videoUrl?: string
separationQuality?: "fast" | "best"
suggestTitle?: boolean
}): Promise<{ jobId: string }>プロパティ
型
完了したジョブの output_data は VcpAnalysis です。分離した vocalsUrl と backgroundUrl、検出された speakers(それぞれに id、時間の segments、firstStartSec、wordCount、テキストの snippet を含む)、languageProbability を伴う languageCode、依頼した場合は suggestedTitle が含まれます。これを、後で呼び出す recast() に analysis として渡すと、分離済みのトラックが再利用され、検出のための料金がもう一度かかることはありません。
voices.exportMix(input)
ミックスしたステムから、最終的な動画をレンダリングします(POST /v1/voice-changer-pro/export)。recast({ output: "stems" }) の後に行う、最後のステップです。Nodaro Cloud で実行され、料金は一律で、ジョブとして実行されます。
exportMix(input: {
videoUrl: string
tracks: Array<{ url: string; gain: number; muted: boolean; kind?: "voice" | "background" }>
voiceFx?: { preset: AudioFxPreset; wetDryMix?: number; delayMs?: number; decay?: number }
}): Promise<{ jobId: string }>プロパティ
型
対話的なフローでは、1 回分析し、ステムに差し替え、その後ミックスしてレンダリングします。以下は、簡単なポーリング用のヘルパーを使った例です。
import type { VcpAnalysis } from "@nodaro/sdk"
async function outputOf(jobId: string): Promise<any> {
for (;;) {
const { data } = await client.jobs.getStatus(jobId)
if (data.status === "completed") return data.output_data
if (data.status === "failed" || data.status === "cancelled") throw new Error(data.error_message ?? data.status)
await new Promise((resolve) => setTimeout(resolve, 2_000))
}
}
const { jobId: analyzeJob } = await client.voices.analyze({ videoUrl })
const analysis = (await outputOf(analyzeJob)) as VcpAnalysis
const { jobId: recastJob } = await client.voices.recast({
videoUrl,
orderedVoices: ["Rachel", null, "Aria"],
output: "stems",
analysis,
})
const stems = await outputOf(recastJob)
const { jobId: exportJob } = await client.voices.exportMix({
videoUrl,
tracks: [
{ url: stems.tracks[0].url, gain: 100, muted: false },
{ url: stems.tracks[1].url, gain: 90, muted: false },
{ url: stems.backgroundUrl, gain: 70, muted: false, kind: "background" },
],
voiceFx: { preset: "hall", wetDryMix: 25 },
})
const { videoUrl: finalVideo } = await outputOf(exportJob)ゲイン、ミュート、エフェクトは、動画をレンダリングするときに適用され、映像はそのままコピーされます。そのため、エクスポートの結果はプレビューと一致し、エクスポートするまでは、好きなだけミックスを変更できます。すべてのトラックをミュートしたミックスは、400 で拒否されます。
client.voices:作成と翻訳
voices.design(input)
文章による説明から、新しい合成ボイスを作成します(POST /v1/voice-design)。ボイスデザインノードと同じ処理です。完了したジョブには、オーディオのプレビューと、新しいボイスの ID が含まれ、ボイスを指定できるところならどこでも使えます。
design(input: {
text: string
voiceDescription: string
model?: string
loudness?: number
guidanceScale?: number
seed?: number
quality?: number
shouldEnhance?: boolean
userPrompt?: string
}): Promise<{ jobId: string }>プロパティ
型
const { jobId } = await client.voices.design({
text: "Welcome back. Tonight we follow the river north, into the mountains where the story began.",
voiceDescription: "A calm, deep voice of an older male narrator with a slight British accent",
})voices.remix(input)
わかりやすい言葉で説明したボイスでテキストを話します。ボイスを作成することはありません(POST /v1/voice-remix)。ボイスリミックスノードと同じ処理です。
remix(input: { text: string; voiceDescription: string; userPrompt?: string }): Promise<{ jobId: string }>プロパティ
型
const { jobId } = await client.voices.remix({
text: "Your order is on its way.",
voiceDescription: "A cheerful young woman, fast and upbeat",
})voices.dub(input)
オーディオ、または動画全体を、各話者の声を保ったまま別の言語に吹き替えます(POST /v1/dubbing)。吹き替えノードと同じ処理です。動画の吹き替えでは、吹き替えたクリップである output_data.videoUrl と、吹き替えたトラックのみの output_data.audioUrl が返ります。
dub(input: DubbingInput): Promise<{ jobId: string }>プロパティ
型
const { jobId } = await client.voices.dub({
videoUrl: "https://example.com/interview.mp4",
targetLanguage: "es",
numSpeakers: 2,
})料金は、吹き替える区間の分数によって決まり、最低 1 分として計算されます。区間は最長 30 分なので、それより長いソースには startTime と endTime を使ってください。
client.dubbing.create() も同じ呼び出しです。吹き替えが完了したら、client.dubbing で読み取ります。
sourceUrl は吹き替えサービスがあなたの代わりに取得するので、コンテンツ権利の宣言のもとでの、そのリンクのインポートです。そのリンクについて contentRights.confirm() が返した confirmationId を渡してください。渡さない場合、確認を必須とするデプロイ環境では、ジョブが作成される前に吹き替えが 403 で拒否されます。アカウントに継続的な承認(contentRights.authorize())があるキーやエージェントでは、確認は不要です。
voices.textToDialogue(input)
複数の話者による脚本を、1 つのオーディオファイルとして音声にします(POST /v1/text-to-dialogue)。テキストから会話ノードが ElevenLabs Dialogue v3 または ElevenLabs Dialogue v4 で行うのと同じ処理です。
textToDialogue(input: {
dialogue: Array<{ text: string; voice: string; styleDirection?: string }>
provider?: DialogueProvider
speakers?: Array<{ voice: string; styleDirection?: string; pace?: string; accent?: string; audioProfile?: string }>
fillerWords?: boolean
outputFormat?: TtsOutputFormat
stability?: number
similarityBoost?: number
languageCode?: string
seed?: number
applyTextNormalization?: "auto" | "on" | "off"
}): Promise<{ jobId: string }>プロパティ
型
const { jobId } = await client.voices.textToDialogue({
dialogue: [
{ text: "Did you hear that?", voice: "Rachel" },
{ text: "[whispers] Stay behind me.", voice: "Callum" },
],
})Gemini の会話。provider には、Gemini の音声モデル(gemini-3-8-flash-lite-tts、gemini-3-8-flash-tts、gemini-3-1-flash-tts、gemini-2-5-pro-tts)も指定でき、話者は 1 人または 2 人です。各セリフの voice はモデル自身のボイス(voices.list({ model }))のいずれかで、異なるボイスは最大 2 つ、合計は 10,000 文字までです。3.8 では、セリフの styleDirection が話し方を指定し、fillerWords: true で 2 人の話者の間にフィラーが加わります。3.1 と 2.5 では、speakers で各ボイスのスタイル、ペース、アクセント、オーディオプロファイルを指定します。モデルが拒否するボイスや指示は、何も請求される前に 400 になります。Gemini の会話の料金は、すべてのセリフに対するモデルの 1 文字あたりの料金で、transcript は返りません。outputFormat でファイルを選びます:mp3_44100_128(デフォルト)、mp3_44100_192、または wav_24000 です。
脚本は Dialogue v3 では最大 5,000 文字、Dialogue v4 では最大 10,000 文字まで使え、2,000 文字未満だと最も高品質になります。使えるボイスは最大 10 種類です。ボイスライブラリのボイス、デザインしたボイス、既存のクローンはどれも使えて、自由に組み合わせられます。完了したジョブの output_data.audioUrl が、そのファイルです。どちらのモデルでも、output_data.transcript にタイミングが入ります。startMs、endMs、speaker を持つ words[] と、セリフごとに 1 つの segments[] のエントリで、speaker はそのセリフの voice です。transcript.words を autoTranscribe: false とともに addCaptions に渡すと、2 回目の文字起こしをせずに会話に字幕を付けられます。
client.dubbing
作成後の吹き替えを読み取ります。元の音声のセリフ、各言語とそのセリフ、話者、各言語の字幕です。吹き替えに言語を追加することもできます。吹き替えを読み取れるのは、それを作成したアカウントだけで、ほかの人のジョブ ID は NotFoundError になります。読み取りは無料です。OAuth アプリでは、読み取りに assets:read、言語の追加(有料)に assets:write が必要です。拒否は NodaroError で、その code は DubbingErrorCode です。client.dubbing.create(input) は吹き替えを開始する、voices.dub() と同じ呼び出しです。@nodaro/sdk/dubbing からもインポートできます。ルートはボイスとメディアで説明しています。
dubbing.get(jobId)
吹き替えの構造です(GET /v1/dubbing/:jobId)。jobId は、吹き替えを作成したジョブ、またはあとから追加した言語のジョブです。
get(jobId: string): Promise<DubbingStructure>
interface DubbingStructure {
jobId: string
durationSec: number | null
source: { language: string | null; segments: DubbingSourceSegment[] } | null
languages: DubbingLanguage[] // { code, jobId, status, segments }
speakers: DubbingSpeaker[] // { id, name, voice, segmentCount }
capabilities: DubbingCapabilities // { editSegments, regenerate, setSpeakerVoice, render, addLanguage, captions }
addLanguage: DubbingAddLanguagePrice // { billableMinutes, creditId, creditIdByLanguage }
}言語の status は processing、completed、stale、failed のいずれかで、segments が入るのは completed または stale のときだけです。各セグメントには、秒単位の start と end、text があり、吹き替えが保持している場合は sourceSegmentId と sourceText もあります。capabilities のフラグが true のときだけ、その操作を提示してください。現在、editSegments、regenerate、setSpeakerVoice、render は false です。この呼び出しは、吹き替えが完了するまでは dubbing_not_ready(409)、作成されなかった場合は dubbing_failed(422)、ほかの種類のジョブには not_a_dubbing_job(422)、吹き替えサービスが保持していない場合は dubbing_unavailable(410)で拒否します。
dubbing.captions(jobId, options)
1 つの言語、または language: "source" を指定した元の音声の字幕を、SubRip("srt"、デフォルト)または WebVTT("vtt")ファイルのテキストとして返します(GET /v1/dubbing/:jobId/captions)。
captions(jobId: string, options: { language: string; format?: "srt" | "vtt" }): Promise<string>言語は、状態が completed または stale になると書き出せます。この呼び出しは、dubbing_language_not_found(404)、dubbing_language_processing(409)、または dubbing_captions_unavailable(422)で拒否します。
const { jobId } = await client.dubbing.create({ videoUrl, targetLanguage: "es" })
// poll client.jobs.get(jobId) until the job completes, then:
const dub = await client.dubbing.get(jobId)
for (const language of dub.languages) {
if (language.status !== "completed") continue
const srt = await client.dubbing.captions(jobId, { language: language.code })
}
const original = await client.dubbing.captions(jobId, { language: "source" })dubbing.addLanguage(jobId, input)
完成した吹き替えに言語を追加し(POST /v1/dubbing/:jobId/languages)、その言語を届けるジョブを返します。
addLanguage(jobId: string, input: { targetLanguage: string; confirmationId?: string }): Promise<{ jobId: string }>get(jobId).capabilities.addLanguage が true のときだけ提示してください。料金は吹き替えの開始した 1 分ごとで、get(jobId).addLanguage が示す料金です。ヘブライ語の吹き替えでは、言語が同じプロジェクトに追加されるので、何も再アップロードされません。それ以外の吹き替えでは、同じソースの新しい吹き替えとして、同じ設定で追加されます。この呼び出しは、吹き替えにすでにある言語や作成中の言語には dubbing_language_exists(409)、ソースを読み取れなくなった場合は unreadable_dubbing_source(422)で拒否します。
const dub = await client.dubbing.get(jobId)
if (dub.capabilities.addLanguage) {
const added = await client.dubbing.addLanguage(jobId, { targetLanguage: "de" })
// poll client.jobs.get(added.jobId); get(jobId) then lists "de".
}client.audio
ボイスチェンジャー Pro が内部で使っているオーディオの構成要素で、1 つずつ個別に使えます。どのメソッドも jobId を返します。
audio.separate(input)
トラックをステムに分割します(POST /v1/audio-separation)。音源分離ノードと同じ処理です。
separate(input: { audioUrl: string; mode?: "vocal_instrumental" | "stems"; quality?: "auto" | "fast" | "best" }): Promise<{ jobId: string }>プロパティ
型
const { jobId } = await client.audio.separate({ audioUrl: songUrl })
// output: vocalUrl and instrumentalUrl, or one URL per stem in stems modeaudio.isolate(input)
主な声を残し、背景ノイズを取り除きます(POST /v1/audio-isolation)。音声抽出ノードと同じ処理です。
isolate(input: { audioUrl: string }): Promise<{ jobId: string }>プロパティ
型
const { jobId } = await client.audio.isolate({ audioUrl: interviewUrl })audio.applyFx(input)
リバーブ、エコー、電話、メガホンのエフェクトを加えます(POST /v1/audio-fx)。オーディオ FXノードと同じ処理です。プリセットは、ボイスチェンジャーの voiceFx と同じです。
applyFx(input: {
audioUrl: string
preset?: AudioFxPreset
mix?: number
delayMs?: number
decay?: number
eqLow?: number
eqHigh?: number
}): Promise<{ jobId: string }>プロパティ
型
const { jobId } = await client.audio.applyFx({ audioUrl: lineUrl, preset: "telephone" })audio.mix(input)
複数のトラックを重ねて 1 つにします(POST /v1/mix-audio)。オーディオをミックスノードと同じ処理です。
mix(input: {
audioUrls: string[]
trackVolumes?: number[]
duck?: { under: number; amount?: number; thresholdDb?: number; ratio?: number; attackMs?: number; releaseMs?: number }
endAt?: "longest" | "voice"
}): Promise<{ jobId: string }>プロパティ
型
const { jobId } = await client.audio.mix({ audioUrls: [voiceUrl, musicUrl], trackVolumes: [100, 35] })
// The music dips under the voice (track 0) while it speaks.
const ducked = await client.audio.mix({ audioUrls: [voiceUrl, musicUrl], duck: { under: 0, amount: 80 } })audio.adjustVolume(input)
オーディオファイル、または動画の音の音量を変更します(POST /v1/adjust-volume)。音量調整ノードと同じ処理です。
adjustVolume(input: {
audioUrl?: string
videoUrl?: string
volume?: number
normalize?: boolean
fadeIn?: number
fadeOut?: number
}): Promise<{ jobId: string }>プロパティ
型
const { jobId } = await client.audio.adjustVolume({ audioUrl: musicUrl, volume: 60, fadeOut: 3 })audio.pitchTempo(input)
ピッチをシフトするか、ピッチを変えずにテンポを変更します(POST /v1/pitch-tempo)。ピッチとテンポノードと同じ処理です。audioUrl と videoUrl のどちらか 1 つだけを指定します。動画は映像がそのまま保たれ、テンポは 1 のままです。
pitchTempo(input: {
audioUrl?: string
videoUrl?: string
semitones?: number
tempo?: number
preserveFormants?: boolean
}): Promise<{ jobId: string }>プロパティ
型
実行の料金は、入力 1 分ごとに 22 クレジットです(1 分未満は切り上げ)。最長 30 分です。
const { jobId } = await client.audio.pitchTempo({ audioUrl: voiceUrl, semitones: -3 })audio.combine(input)
オーディオのセグメントを順番につなげます(POST /v1/combine-audio)。オーディオを結合ノードと同じ処理です。
combine(input: { segments: Array<{ url: string; startTime?: number; endTime?: number }> }): Promise<{ jobId: string }>プロパティ
型
const { jobId } = await client.audio.combine({
segments: [{ url: introUrl }, { url: episodeUrl, startTime: 4 }, { url: outroUrl }],
})audio.transcribe(input)
オーディオまたは動画ファイルの音声をテキストにします(POST /v1/transcribe)。文字起こしノードと同じ処理です。
transcribe(input: {
audioUrl: string
provider?: "elevenlabs-stt" | "incredibly-fast-whisper" | "whisper" | "nemotron-3-5-transcribe"
language?: string
diarize?: boolean
tagAudioEvents?: boolean
wordTimestamps?: boolean
targetLanguage?: string
confirmationId?: string
}): Promise<{ jobId: string }>プロパティ
型
ソーシャルプラットフォーム上の動画のページにリンクする audioUrl は、そのリンクのインポートです。先に音声が取得されます。そのリンクについて contentRights.confirm() が返した confirmationId を渡してください。渡さない場合、確認を必須とするデプロイ環境では、ジョブが作成される前にリクエストが 403 で拒否されます。アカウントに継続的な承認(contentRights.authorize())があるキーやエージェントでは、確認は不要です。ファイルへの直接リンクにも、確認は不要です。
provider | 単語のタイミング | 備考 |
|---|---|---|
elevenlabs-stt | 常に返す | diarize と tagAudioEvents に対応する唯一のエンジンです。 |
incredibly-fast-whisper | wordTimestamps: true のときだけ | このフラグがない場合、ジョブは成功して課金されますが、フレーズ単位のセグメントのみで、words は空のリストになります。 |
whisper | 返さない | フレーズ単位のセグメントのみです。wordTimestamps: true を指定すると、クレジットが使われる前に 400 validation_error で拒否されます。 |
nemotron-3-5-transcribe | wordTimestamps: true を指定した場合のみ | Nemotron 3.5 Transcribe は言語を自動で判別し(language は使われません)、単語ごとに speaker を加えます。翻訳できる唯一のエンジンで、targetLanguage を指定すると翻訳を返し、単語のタイミングは付きません。wordTimestamps: true と一緒に、またはほかのエンジンで指定すると 400 validation_error です。音声の開始した 1 分ごとに課金され、先に測定し、モデルがデコードした長さで課金されます。60 分以内かつ 200 MB 以内の、https の直接ファイルリンクを受け付けます。 |
provider を省略すると whisper が使われるため、provider を指定しない wordTimestamps: true も、同じ 400 になります。単語のタイミングが必要な場合は、elevenlabs-stt を指定するか、wordTimestamps: true を付けた incredibly-fast-whisper か nemotron-3-5-transcribe を指定してください。キネティックスタイルの字幕には、これが必要です。
const { jobId } = await client.audio.transcribe({ audioUrl: talkUrl, provider: "elevenlabs-stt" })完了したジョブの output_data は TranscribeJobOutput です。
| フィールド | 単位 | 内容 |
|---|---|---|
text | 文字起こし全体を、1 つの文字列にしたものです。 | |
language | 検出された、または指定した言語コードです。 | |
words | ミリ秒 | 単語ごとに 1 件で、{ text, startMs, endMs, speaker? } の形です。エンジンに単語のタイミングを求めなかった場合は空です。 |
json | ミリ秒 | 正規化された文字起こしで、{ version, language, words, segments? } の形です。client.edit が受け取る形式です。 |
segments | 秒 | 元のフレーズの範囲で、古いエンジンのみが返します。elevenlabs-stt は返さないので、words を読み取ってください。 |
words は、client.media.addCaptions() が受け取る captions と、まったく同じ形です。そのため、文字起こしを修正して、そのまま字幕として焼き込めます。
よくある質問
Nodaro の SDK で、動画の声を変更するにはどうすればよいですか?
client.voices.change を、videoUrl と voiceId とともに呼び出します。サーバーが声を置き換え、新しい声を元の動画に載せ直します。ジョブをポーリングして output_data.videoUrl を取得してください。
録音の中の話者ごとに、異なるボイスを割り当てるにはどうすればよいですか?
client.voices.recast を、検出された話者の順に 1 件ずつ対応する orderedVoices とともに呼び出します。自分の声のままにする話者には null を使います。Nodaro Cloud で実行されます。
SDK で、ボイスをクローンすることはまだできますか?
いいえ。ボイスクローンは 2026 年 9 月に廃止され、createClone は現在、410 voice_cloning_retired で失敗します。既存のクローンは引き続き使えます。代わりに client.voices.design で新しいボイスを作成してください。
単語のタイミングを返す文字起こしエンジンはどれですか?
elevenlabs-stt は常に単語のタイミングを返します。incredibly-fast-whisper は、wordTimestamps を true に設定した場合にだけ返し、whisper は決して返しません。
関連ページ
メディアとアップロード
編集
音声とメディア
ボイスチェンジャー Pro
文字起こし
最終更新