NodaroAccount
Nodaro ドキュメント
ドキュメントノードリファレンスモデルテンプレートAI エージェント(MCP)開発者向けセルフホスティングリサーチ比較
ツールリファレンス

オーディオ

Nodaro MCP のオーディオツールで、音声や会話の生成、ボイスのデザインと変更、吹き替え、効果音の作成、文字起こし、オーディオのクリーンアップやトリミングを行います。

オーディオツールを使うと、アシスタントは Nodaro で音を作ったり変えたりできます。音声と会話、新しいボイスとボイスの変更、吹き替え、効果音、文字起こし、クリーンアップに対応しています。list_voices、お気に入りボイスのツール、2 つの吹き替え読み取りツール以外の各ツールはジョブを開始してその ID を返し、結果はライブラリに保存されます。オーディオツールには workflows:execute 権限が必要です。ただし、お気に入りボイスと吹き替えのツールは別で、list_voice_favorites、get_dubbing、get_dubbing_captions には assets:read、favorite_voice と add_dubbing_language には assets:write が必要です。

ツール機能
generate_speechボイスを指定したテキストの読み上げ
generate_dialogue複数のボイスによる会話を 1 つのファイルに
list_voices標準ボイス、または Gemini のモデル自身のボイスの一覧
list_voice_favoritesユーザーがお気に入りにしたボイス
favorite_voiceボイスをお気に入りに追加、またはお気に入りから外す
voice_design説明から新しいボイスを作成
voice_remixボイス ID を使わず、説明したボイスで読み上げ
voice_changer録音や動画の声を変更
voice_changer_pro複数の話者の声を一度に変更
dubbing声を保ったまま、音声を別の言語に翻訳
get_dubbing吹き替えを読み取る:言語、話者、翻訳したセリフ
get_dubbing_captions吹き替えの字幕を SRT または WebVTT ファイルで
add_dubbing_language吹き替えに別の言語を追加
text_to_audio説明から効果音を作成
transcribe単語のタイミング付きで、音声をテキストに変換
audio_isolationミックスからメインの声や音を分離
separate_audioオーディオを、ボーカルとインストゥルメンタル、またはステムに分割
apply_audio_fx声を空間に置くリバーブとエフェクト
pitch_tempo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
trim_audioオーディオをトリミング、または動画から抽出
mix_audio2〜20 本のトラックを 1 つのファイルに重ね、音楽のベッドを音声の下で下げる
download_youtube_audioYouTube 動画のオーディオトラック

generate_speech

ElevenLabs のボイスまたは Gemini のボイスで、テキストを音声に変換します。テキストから音声ノードと同じように動作します。

権限:workflows:execute。クレジット:下記のモデルの料金です。

モデル開発元モードクレジット詳細
ElevenLabs v4ElevenLabsテキストから音声5 からテキストから音声を生成する ElevenLabs の最新モデルで、[オーディオタグ]、安定性と類似度の調整に対応し、1 回のリクエストで最大 10,000 文字まで扱えます。ElevenLabs の API を直接使います。
ElevenLabs v4 TurboElevenLabsテキストから音声3 から忠実度と引き換えに、より速く、より安く使える ElevenLabs v4 で、[オーディオタグ]、安定性と類似度の調整に対応し、料金は Turbo と同じです。品質を重視するなら v4 を選んでください。ElevenLabs の API を直接使います。
ElevenLabs v3ElevenLabsテキストから音声5 から表現力の高い ElevenLabs のテキスト音声モデルで、感情や話すテンポを指定する[オーディオタグ]に対応しています。ElevenLabs の API を直接使います。
ElevenLabs Turbo v2.5ElevenLabsテキストから音声3 からElevenLabs の API を直接使って、高速かつ安価にテキストから音声を生成します。ナレーションに向いています。
ElevenLabs Multilingual v2ElevenLabsテキストから音声5 からElevenLabs の API を直接使って、多言語でテキストから音声を生成します。
パラメーター型説明
textstring必須。読み上げる内容で、最大 10,000 文字、かつ選んだモデルの上限までです(ElevenLabs v3 は 5,000 文字)。長いテキストは切り捨てられず、拒否されます。それより長い台本は、複数の呼び出しに分けます。
voice_idstring標準ボイスの名前か、自分でクローンしたボイスの ID です。デフォルトは Rachel です。不明な名前を指定すると失敗します。不明な ID を指定すると Rachel が使われるので、アシスタントはオーディオを受け取れます。voice_type が custom または library の場合は、不明な ID でも Rachel は使われず、失敗します。
voice_typestringpremade、custom、library のいずれかです。
modelstringelevenlabs-v4(デフォルト)、elevenlabs-v4-turbo、elevenlabs-v3、elevenlabs-turbo、elevenlabs-multilingual のいずれかです。elevenlabs-turbo の旧 ID である elevenlabs も使えます。Gemini のモデルは、gemini-3-8-flash-lite-tts、gemini-3-8-flash-tts、gemini-3-1-flash-tts、gemini-2-5-pro-tts です。
language_codestringテキストの言語です。ElevenLabs のみです。Gemini のモデルでは、テキストが言語を決めます。
stability, similarity_boost, stylenumber話し方の設定で、0〜1 です。
speednumber0.7〜1.2 です。
style_directionstringGemini のみです。Gemini 3.8 では、トーン、感情、ペースを説明する自由なテキストです。Gemini 3.1 と 2.5 では、Vocal Smile、Newscaster、Whisper、Empathetic、Promo/Hype、Deadpan のいずれかです。読み上げられず、課金もされません。最大 1,000 文字です。
pacestringGemini 3.1 と 2.5 のみです:Natural、Rapid Fire、The Drift、Staccato のいずれかです。
accentstringGemini 3.1 と 2.5 のみです:Neutral、American (Gen)、American (Valley)、American (South)、British (RP)、British (Brixton)、Transatlantic、Australian のいずれかです。
audio_profilestringGemini 3.1 と 2.5 のみです。話しているのが誰かを言葉で説明します。たとえば「a warm, unhurried narrator」(温かく、落ち着いたナレーター)です。最大 1,000 文字です。
replicaobjectGemini 3.8 Flash のみです。本人の声で話します。声はこのリクエストのためだけにクローンされ、保存されることはありません。voice_id の代わりになり、追加料金はかかりません。自分の声で話すを参照してください。
previous_textstringこの行の直前に話されるセリフで、クリップをまたいで読み上げを途切れさせないための文脈です。読み上げられません。最大 1,000 文字です。ElevenLabs v3 と Gemini のモデルは使いません。
next_textstringこの行の直後に話されるセリフです。ルールは previous_text と同じです。
output_formatstringオーディオファイルの形式です。mp3_44100_128(デフォルト)、ビットレートの高い MP3 の mp3_44100_192、非圧縮 WAV の wav_24000 のいずれかです。どの形式もクレジットは同じです。
presetIdstringlist_node_presets で取得できる、話し方のプリセットです。たとえば落ち着いたナレーター、CM ナレーション、オーディオブックです。プリセットを使う場合も、text は指定します。

モデルの選び方:デフォルトの ElevenLabs v4 は、感情や間の取り方を指定する [laughs]、[whispers]、[sighs] などのオーディオタグに対応しています。また、完全な多言語対応なので、ヘブライ語、アラビア語、中国語、日本語、韓国語を含むすべての言語に使ってください。stability と similarity_boost は使えますが、speed と style は使えません。ElevenLabs v3 は以前のモデルで、タグは同じですが、使える設定は stability だけです。ElevenLabs v4 Turbo は、Turbo の料金で使える高速な v4 です。ElevenLabs Turbo は、シンプルなナレーションをより安く作れます。ElevenLabs Multilingual v2 は旧世代のモデルです。v2 でしか動かないことがわかっているボイスにだけ使ってください。Gemini のモデルは、1 文字あたりの料金がより低価格です。各 Gemini モデルは自身の名前付きボイスだけを話し、モデルを渡すと list_voices がそれらを一覧します。Gemini のデフォルトのボイスは、3.8 では Fola、3.1 と 2.5 では Kore です。Gemini 3.8 では、角かっこのオーディオタグは、モデル自身のタグになるか、取り除かれます。

自分の声で話す

gemini-3-8-flash-tts では、replica を使うと、テキストを実在の人物の声で読み上げます。声はこの 1 回のリクエストのためだけにクローンされ、保存されることはありません。replica は次の 3 つのフィールドを受け付けます。

  • source_audio_url:その人が静かな部屋で自然に話している、10〜30 秒の WAV ファイルへの https リンクです。

  • consent_audio_url:同じ人が、同じ部屋で同じマイクを使って録音した WAV ファイルへの https リンクです。その中で、本人が同意文を声に出して読み上げます。

    同意文

    プロンプトの翻訳です。モデルには英語の原文を送りました。原文は下にあります。

    私はこの声の所有者であり、この声を使って Google が合成音声モデルを作成することに同意します。
    英語の原文プロンプト
    I am the owner of this voice and I consent to Google using this voice to create a synthetic voice model.
  • consent:true です。ユーザーは、その声が自分自身の声であること、またはその声の成人の所有者がクローンに同意していることを確認します。また、どちらの録音も AI で生成されたものではないことも確認します。アシスタントは、この確認をユーザーに求めなければなりません。

ほかのモデルは replica を拒否します。

ボイスの選び方:標準ボイスは、Rachel、Aria、Roger、Sarah、Laura、Charlie、George、Callum、River、Liam、Charlotte です。さらに、Alice、Matilda、Will、Jessica、Eric、Chris、Brian、Daniel、Lily、Bill があります。温かみのある女性の声なら Rachel、若い女性の声なら Aria か Lily、深みのある男性の声なら Roger か Brian、ニュートラルな男性の声なら George か Daniel、イギリス英語の声なら Charlie か Charlotte を試してください。

戻り値:ジョブ ID です。音声の準備ができると、カードで再生されます。

generate_dialogue

複数の話者による台本を、ElevenLabs Dialogue v3、ElevenLabs Dialogue v4、または Gemini のモデルで、自然な話者交代を含む 1 つのオーディオファイルとして読み上げます。会話、インタビュー、ポッドキャスト風のやり取り、シーンには、generate_speech のクリップを別々につなげる代わりに、このツールを使います。テキストから会話ノードと同じように動作します。

権限:workflows:execute。クレジット:ElevenLabs Dialogue v3 または ElevenLabs Dialogue v4 の料金で、台本の 100 文字ごと(端数も 1 ブロック)に課金され、最低 8 ブロックです。Gemini のモデルは、1 文字あたりの料金がより低価格です。

パラメーター型説明
modelstringelevenlabs-dialogue(Dialogue v3、デフォルト)、elevenlabs-dialogue-v4、または Gemini のモデル(gemini-3-8-flash-lite-tts、gemini-3-8-flash-tts、gemini-3-1-flash-tts、gemini-2-5-pro-tts)です。
dialoguearray必須。話す順に並べたセリフで、1〜200 件です。各セリフは { text, voice_id } です。同じキャラクターには同じボイスを使います。セリフには [laughs] などのオーディオタグを入れられます。
stabilitynumberDialogue v3 では 0(最も変化に富む)、0.5(バランス)、1(最も安定)のいずれかです。Dialogue v4 では 0〜1 の任意の値です。
similarity_boostnumberDialogue v4 のみです。各セリフが、そのボイスの特徴をどれだけ保つかを 0〜1 で指定します。
language_codestring言語のヒントです。たとえば en や he です。省略すると、言語が自動で検出されます。
seedinteger再現できる結果にするための、固定のシードです。
apply_text_normalizationstring数字、日付、略語を、読み上げる形に展開します。auto(デフォルト)、on、off のいずれかです。
dialogue[].style_directionstringGemini 3.8 のみです。このセリフの話し方を言葉で指定します。読み上げられず、課金もされません。最大 1,000 文字です。
speakersarrayGemini のみで、最大 2 エントリーです。各エントリーは { voice_id } と任意の設定です。Gemini 3.1 と 2.5 では、generate_speech と同じく、各ボイスの style_direction、pace、accent、audio_profile です。Gemini 3.8 Flash では、generate_speech と同じく、その話者の声をこのリクエストのためだけにクローンする replica です。
filler_wordsbooleanボイスが 2 つの Gemini 3.8 のみです。話者の間に自然なフィラーを加えます。
output_formatstringファイルです:mp3_44100_128(デフォルト)、mp3_44100_192、または wav_24000 で、クレジットは同じです。ElevenLabs Dialogue は、デフォルトの MP3 だけを作ります。

上限は、合計で Dialogue v3 では 5,000 文字、Dialogue v4 では 10,000 文字と、1 回の呼び出しあたり 10 種類のボイスです。最高の品質を得るには、2,000 文字以下をおすすめします。同じ台本の中で、標準ボイスの名前とクローンしたボイスを混在させられます。Gemini のモデルでは、台本のボイスは 1 つか 2 つで、どれもモデル自身のボイスでなければならず、合計は 10,000 文字までです。Gemini の呼び出しは文字起こしを返しません。3 つ目のボイスや、モデルのリストにないボイスは、クレジットが確保される前に拒否されます。

戻り値:ジョブ ID です。

list_voices

標準ボイスを、ID、名前と、性別、アクセント、説明などの詳細(ある場合)とともに返します。generate_speech、voice_changer、voice_changer_pro には、ボイス ID が必要です。

権限:workflows:execute。クレジット:無料。

パラメーター型説明
modelstring任意です。音声モデルの ID です。Gemini のモデルを指定すると、代わりにそのモデル自身のボイスを一覧します。Gemini 3.8 では、各ボイスの use_case がそのボイスの用途を示します。

このツールはカタログを読み取るだけで、ジョブは開始しません。

list_voice_favorites

ユーザーのお気に入りのボイスを、新しい順に返します。お気に入りには、標準ボイス、ボイスライブラリのボイス、ユーザーがクローンしたボイスを登録できます。ユーザーは、アプリ、SDK、CLI、favorite_voice のどれからでもボイスをお気に入りにできます。

権限:assets:read。クレジット:無料。

このツールにパラメーターはありません。一覧を読み取るだけで、ジョブは開始しません。

戻り値:JSON です。各ボイスには voiceId と voiceType が含まれ、これを generate_speech の voice_id と voice_type に渡します。お気に入りにしたときの name と previewUrl も含まれます。

favorite_voice

ボイスを、お気に入り一覧に表示する名前とともに、ユーザーのお気に入りに追加します。favorite: false を指定すると、お気に入りから外します。

権限:assets:write。クレジット:無料。

パラメーター型説明
voice_idstring必須。ボイスの ID です。標準ボイスまたはボイスライブラリのボイスの voice_id、またはクローンしたボイスの ElevenLabs のボイス ID です。1〜200 文字です。
voice_typestringpremade、library、custom のいずれかで、このボイスを generate_speech に渡すときと同じ値です。お気に入りに追加するときは必須で、外すときは不要です。
namestringお気に入り一覧に表示するボイスの名前です。お気に入りに追加するときは必須です。1〜200 文字です。
preview_urlstringボイスのプレビュー音声の https URL で、最大 2,048 文字です。"" を指定すると、保存済みのプレビューを消去します。
favoritebooleanfalse でお気に入りから外します。デフォルトは true です。

どちらの操作も冪等です。すでにお気に入りのボイスを追加すると、その名前とプレビューが更新されます。ユーザーがお気に入りにできるボイスは最大 500 件です。上限を超えると、limit_reached で拒否されます。

voice_design

説明から新しいボイスをデザインし、そのボイスで台本を読み上げたサンプルを返します。ボイスを保存する前に、試聴するのに使います。ボイスデザインノードと同じように動作します。

権限:workflows:execute。クレジット:55。

パラメーター型説明
voice_descriptionstring必須。性別、年齢、アクセント、トーン、キャラクターなど、ボイスの説明で、最大 1,000 文字です。たとえば「warm female narrator with a soft British accent, low-pitched, calm pacing」(柔らかなイギリス英語のアクセントで、声は低め、ゆったりと話す温かい女性ナレーター)です。
textstring必須。ボイスに読み上げさせるサンプルの台本で、100〜1,000 文字です。
modelstringeleven_ttv_v3(デフォルト。すべての言語に対応)か、旧世代の eleven_multilingual_ttv_v2 です。
loudness, guidance_scale, quality, seed, should_enhance任意のデザイン設定です。loudness は -1〜1、guidance_scale は 0〜100 です。

戻り値:ジョブ ID です。結果は、デザインしたボイスのオーディオサンプルです。

voice_remix

言葉で説明したボイスで、ボイス ID を使わずにテキストを読み上げます。保存しておく必要のない、一度きりのボイスに使います。ボイスリミックスノードと同じように動作します。

権限:workflows:execute。クレジット:44。

パラメーター型説明
textstring必須。読み上げる内容で、最大 5,000 文字です。
voice_descriptionstring必須。ボイスの説明で、最大 1,000 文字です。たとえば「a warm, mid-40s British woman with a calm news-anchor tone」(落ち着いたニュースキャスターの口調で話す、温かみのある 40 代半ばのイギリス人女性)です。

戻り値:ジョブ ID です。

voice_changer

話し方とリズムを保ったまま、オーディオトラックや、話している動画全体の声を差し替えます。ボイスチェンジャーノードと同じように動作します。

権限:workflows:execute。クレジット:44。

パラメーター型説明
voice_idstring必須。新しいボイスです。標準ボイスの名前か、自分でクローンしたボイスの ID を指定します。
audio_url または audio_asset_idstringオーディオのソースです。
video_url または video_asset_idstring代わりに使う、動画のソースです。両方を渡した場合は、動画が優先されます。
remove_background_noisebooleantrue にすると、クリーンな声だけを返します。false にすると、音楽と効果音を新しい声の下に残します。
stability, similarity_boost, stylenumber0〜1 です。style は、元の話し方を誇張します。0 より大きくすると処理が遅くなり、安定性が下がることがあります。

戻り値:ジョブ ID です。ソースが動画の場合、カードでは新しいオーディオをプレビューでき、新しい動画はライブラリに保存されます。

voice_changer_pro

クリップ内のすべての話者を検出し、言葉とタイミングを保ったまま、それぞれに新しいボイスを割り当てます。最初に話した順に、話者 1 にはリストの 1 つ目のボイス、話者 2 には 2 つ目のボイス、というように割り当てられます。ボイスチェンジャー Proノードと同じように動作します。

権限:workflows:execute。クレジット:ボイスチェンジャー Pro ノードと同じです。Nodaro Cloud のみ。

パラメーター型説明
ordered_voicesarray必須。話者 1 人につき 1 つで、1〜8 件のエントリーです。各エントリーは、ボイス ID、独自の設定を持つオブジェクト、またはその話者の元の声を保つ null のいずれかです。少なくとも 1 件は、null 以外にする必要があります。
audio_url、audio_asset_id、video_url または video_asset_idstringソースです。オーディオトラックか、声を差し替える動画を指定します。
analysisobject以前の voice_changer_pro_analyze ジョブの出力です。これを渡すと、話者をもう一度検出するのではなく、ボイスを割り当てたときの話者リストをそのまま使って変更します。
preserve_backgroundboolean音楽と効果音を、新しい声の下に再びミックスします。デフォルトは true です。
music_volume_mode, music_volume背景音の音量です。match(元の音量)、normalize、または 0〜200 の音量を指定する manual です。
voice_fxobject背景音を戻す前に、新しい声にかけるリバーブやエフェクトです。room、hall、church、telephone、echo などの preset に、wetDryMix、delayMs、decay を組み合わせます。
separation_qualitystringfast(デフォルト)または best です。
remove_background_noiseboolean最初に背景ノイズを除去し、声だけのクリーンな結果にします。
outputstring完成した動画を返す video(デフォルト)か、voice_changer_pro_export で自分でミックスするための個別のトラックを返す stems です。
modelstringボイスモデルを上書きします。

ボイスのエントリーのオブジェクトは、voiceId と、任意の engine、stability、similarityBoost、style、useSpeakerBoost、seed、volumeMode、volume を受け付けます。engine は、元の演技の声を差し替える sts(デフォルト)、v3、v4 のいずれかです。v3 と v4 は、ElevenLabs v3 または ElevenLabs v4 で文字起こしからセリフを読み上げ直し、オーディオタグを受け付けます。v3 エンジンは、0、0.5、1 のいずれかの安定性を受け付けます。v4 エンジンは、0〜1 の任意の安定性を受け付け、similarityBoost を適用します。どちらも文字起こしは analysis から読み取り、分析がない場合は独自に文字起こしを行います。

戻り値:ジョブ ID です。

voice_changer_pro_analyze

クリップ内の話者を、変更せずに検出します。インタラクティブな流れの最初のステップです。ジョブの出力には、分離された声と背景音のトラック、各話者とその時間区間、最初の登場位置、単語数、テキストの抜粋、そして言語が含まれます。出力を確認して、各話者のボイスを選んだり、拍手など、人ではない「話者」を見つけたりします。

権限:workflows:execute。Nodaro Cloud のみ。

パラメーター型説明
audio_url、audio_asset_id、video_url または video_asset_idstringソースのクリップです。
separation_qualitystringfast(デフォルト)または best です。
suggest_titleboolean文字起こしからタイトルも提案し、suggestedTitle として返します。

戻り値:ジョブ ID です。その output_data を、analysis として voice_changer_pro に渡します。

voice_changer_pro_export

自分で作ったトラックのミックスから、完成した動画をレンダリングします。output: "stems" を指定した voice_changer_pro の後に行う、インタラクティブな流れの最後のステップです。映像は再エンコードされずにコピーされます。

権限:workflows:execute。Nodaro Cloud のみ。

パラメーター型説明
tracksarray必須。1〜16 本のトラックです。各トラックには、url、0〜200 の gain(100 で変化なし)、muted、kind を指定します。kind は voice(デフォルト)か background です。少なくとも 1 本は、ミュートされていないトラックが必要です。
video_url または video_asset_idstringソースの動画です。
voice_fxobjectボイスのトラックにだけかけるエフェクトです。

戻り値:ジョブ ID です。

dubbing

各話者の声とタイミングを保ったまま、音声を別の言語に翻訳します。ソースが動画の場合は、吹き替えた動画とそのオーディオトラックが返されます。吹き替えノードと同じように動作します。

権限:workflows:execute。クレジット:吹き替える区間の 1 分ごとに課金されます。

パラメーター型説明
target_languagestring必須。言語コードです。たとえば en、es、fr、de、ja、zh、ko、ar です。
audio_url、audio_asset_id、video_url、video_asset_id または source_urlstringソースは 1 つだけ指定します。source_url には、公開されている YouTube や TikTok のリンク、またはファイルへの直接リンクを指定します。リンク先は直接取得されます。
source_languagestringソースの言語のヒントです。省略すると、自動で検出されます。
num_speakersinteger異なる声の数で、最大 20 です。0 にすると、自動で検出します。
disable_voice_cloningboolean各話者自身の声ではなく、似た声のネイティブのボイスを使います。
drop_background_audioboolean背景音を取り除きます。音声だけのソースに使います。
start_time, end_timenumberソースの一部だけを吹き替えます。単位は秒です。
highest_resolutionboolean動画のソースの解像度を保ちます。処理は遅くなります。
use_profanity_filter, target_accent, watermark任意です。target_accent は、声を特定のアクセントに近づけます。

1 回の吹き替えで扱えるのは、最大 30 分です。それより長いソースの一部を吹き替えるには、start_time と end_time を使います。

戻り値:ジョブ ID です。完成した吹き替えは get_dubbing で読み取ります。

get_dubbing

ジョブ ID で吹き替えを読み取ります。dubbing で作った吹き替えでも、エディター、SDK、CLI で作った吹き替えでも読み取れます。吹き替えの言語、話者、元の音声と、その吹き替えで今できることを返します。各言語には、code、status(processing、completed、stale、failed のいずれか)、そのメディアを持つ jobId、segmentCount があります。

権限:assets:read。クレジット:無料。

パラメーター型説明
job_idstring必須。吹き替えのジョブ ID、またはそれに追加した言語のジョブ ID です。
languagestring吹き替えが挙げている言語コード、または元の音声を表す source です。指定すると、代わりにその言語のセグメントを返します。
offsetintegerページの最初のセグメントで、0 から数えます。デフォルトは 0 です。
limitintegerページに含めるセグメントの数で、1〜200 です。デフォルトは 50 です。

capabilities は、今その吹き替えでできることを示します。addLanguage は、言語の追加に何が課金されるか、つまり分数(整数)と、それに料金を付ける料金 ID を示します。

各セグメントには、id、speakerId、秒単位の start と end、text があります。翻訳されたセグメントには、sourceSegmentId と sourceText、つまり翻訳元のセグメントとそのテキストもあります。吹き替えがそれを保持していない場合、どちらも null です。セグメントは 1 ページずつ返り、total、offset、nextOffset が付きます。最後のページでは nextOffset は null です。

まだ作成中の言語は、status とともに空のページを返します。吹き替えが挙げていない言語は dubbing_language_not_found で拒否されます。ほかのエラーは、not_found、not_a_dubbing_job、dubbing_not_ready、dubbing_failed、dubbing_unavailable、dubbing_read_failed です。

戻り値:JSON です。

get_dubbing_captions

吹き替えの字幕を、そのまま保存できる SRT または WebVTT ファイルのテキストとして返します。吹き替えが挙げている 1 つの言語、または元の音声に使えます。

権限:assets:read。クレジット:無料。

パラメーター型説明
job_idstring必須。吹き替えのジョブ ID、またはそれに追加した言語のジョブ ID です。
languagestring必須。吹き替えが挙げている言語コード、または元の音声を表す source です。
formatstringsrt(デフォルト)または vtt です。

吹き替えが挙げていない言語は dubbing_language_not_found で拒否されます。まだ作成中の言語は dubbing_language_processing で拒否されます。セリフを読み取れない言語は dubbing_captions_unavailable で拒否されます。

戻り値:字幕ファイルのテキストです。

add_dubbing_language

自分の吹き替えに言語を追加し、それを作るジョブを開始します。新しい言語は、吹き替えのソースと設定を引き継ぎます。ジョブは get_job または wait_for_job で追跡します。ジョブが完了すると、get_dubbing がその言語を一覧します。

権限:assets:write。クレジット:吹き替えの開始した 1 分ごとに、get_dubbing が addLanguage で示す料金で課金されます。

パラメーター型説明
job_idstring必須。吹き替えのジョブ ID、またはそれに追加した言語のジョブ ID です。
target_languagestring必須。追加する言語で、たとえば es や pt-BR です。
confirmation_idstringほかの人が保持しているリンクから作った吹き替えの場合の、コンテンツ権利の確認です。

このツールは、get_dubbing の capabilities.addLanguage が true のときだけ提示してください。吹き替えにすでにある言語は dubbing_language_exists で拒否されます。ソースや長さを読み取れなくなった吹き替えは unreadable_dubbing_source で拒否されます。ほかのエラーは get_dubbing と同じです。

戻り値:ジョブ ID です。

text_to_audio

説明から効果音を作ります。フォーリー、環境音、インターフェースの効果音などです。音声や音楽には使いません。テキストからオーディオノードと同じように動作します。

権限:workflows:execute。クレジット:ElevenLabs Sound Effects の料金で、duration の秒数に応じて課金されます。1 秒未満の端数は 1 秒として数えます。duration を指定しない呼び出しは、5 秒として課金されます。

パラメーター型説明
promptstring音の説明で、最大 2,000 文字です。たとえば「thunderstorm with heavy rain」(激しい雨を伴う雷雨)です。プリセットが指定する場合を除き、必須です。
durationnumber0.5〜30 秒です。デフォルトでは、モデルが長さを決めます。
loopboolean音が途切れずにループするようにします。
prompt_influencenumber音がプロンプトにどれだけ忠実に従うかで、0〜1 です。
presetIdstringプリセットです。たとえば雨の環境音、風切り音のトランジション、インパクト/ドーンです。

戻り値:ジョブ ID です。

transcribe

オーディオファイルや動画ファイルの音声をテキストに変換します。model でほかのエンジンを指定しない限り、ElevenLabs STT エンジンで実行します。文字起こしノードと同じように動作します。

権限:workflows:execute。クレジット:ElevenLabs STT など、エンジンの料金です。Nemotron 3.5 Transcribe は、ファイルの長さを分単位で数え、始まった 1 分ごとに課金されます。

パラメーター型説明
audio_url または audio_asset_idstringソースです。ID には、オーディオのジョブか動画のジョブを指定できます。
modelstringエンジンです。elevenlabs-stt(デフォルト)、incredibly-fast-whisper、whisper、nemotron-3-5-transcribe のいずれかです。
languagestringen などの言語コードです。省略すると、自動で検出されます。Nemotron は常に自分で検出します。
diarizebooleanElevenLabs STT 専用です。各話者にラベルを付けます。デフォルトは false です。
tag_audio_eventsbooleanElevenLabs STT 専用です。[laughter] や [music] などの音に、印を付けます。デフォルトは false です。
word_timestampsboolean単語ごとのタイミングです。ElevenLabs STT は、どちらの場合でも返します。Incredibly Fast Whisper と Nemotron は true の場合だけ返し、Nemotron は単語ごとに話者も付けます。Whisper は返しません。
target_languagestringnemotron-3-5-transcribe 専用です。音声をこの言語(英語へ、または英語から)に翻訳します。たとえば en、ja、he です。翻訳は text に入り、単語のタイミングはありません。word_timestamps と一緒に使った場合と、ほかのエンジンでは拒否されます。

戻り値:ジョブ ID です。文字起こしは、ジョブの出力に入ります。修正したテキストで動画に字幕を付けるには、json.words を単語ごとに 1 エントリーとして、add_captions の captions に対応付けます。

Nemotron 3.5 Transcribe は、直接のファイルリンクで、最長 60 分、200 MB までのファイルを受け取ります。

audio_isolation

ミックスから BGM とノイズを取り除き、メインの声、ボーカル、楽器を 1 本のクリーンなトラックとして返します。音声抽出ノードと同じように動作します。

権限:workflows:execute。クレジット:ElevenLabs Voice Isolation の料金で、長さによって決まります。

パラメーター型説明
audio_url または audio_asset_idstringソースです。ID には、オーディオのジョブか動画のジョブを指定できます。

戻り値:ジョブ ID です。

separate_audio

任意のオーディオを、ボーカルとインストゥルメンタル、またはドラム、ベース、ギター、ピアノ、その他のフルステムに分割します。Demucs で実行され、suno_separate_stems が拒否する、商業的にリリースされた録音にも使えます。音源分離ノードと同じように動作します。

権限:workflows:execute。クレジット:モードと品質によって、33〜88 です。

パラメーター型説明
audio_url または audio_asset_idstringソースです。audio_asset_id には、オーディオのジョブか、アップロードしたオーディオファイルを指定できます。動画は指定できません。
modestringvocal_instrumental(デフォルト)または stems です。
qualitystringauto(デフォルト)、fast、best のいずれかです。

戻り値:ジョブ ID です。vocalUrl、instrumentalUrl、drumsUrl など、各ステムの URL は get_job で読み取ります。

apply_audio_fx

声やクリップに、演出用のエフェクトをかけます。ドライな声を空間に置くリバーブや、電話、メガホン、エコーのエフェクトです。オーディオ FXノードと同じように動作します。

権限:workflows:execute。クレジット:22。

パラメーター型説明
audio_url または audio_asset_idstringソースです。ID には、オーディオのジョブか動画のジョブを指定できます。
presetstringroom(デフォルト)、bathroom、car、hall、concert-hall、church、cave、arena、outdoor、telephone、megaphone、echo、custom のいずれかです。
mixnumberリバーブの量で、0〜100 です。

戻り値:ジョブ ID です。

pitch_tempo

声や曲のピッチを半音単位でシフトするか、ピッチを変えずにテンポを変更します。ピッチとテンポノードと同じように動作します。

権限:workflows:execute。クレジット:入力 1 分ごとに 22(1 分未満は切り上げ)、最長 30 分です。

パラメーター型説明
audio_url、video_url または asset_idstringソースを 1 つだけ指定します。ID には、オーディオか動画のジョブ、またはアップロードを指定できます。動画は映像がそのまま保たれます。
semitonesnumber-12〜12 です。デフォルトは 0 です。12 で 1 オクターブ上がります。
temponumber0.5〜2 で、ピッチは変わりません。デフォルトは 1 です。動画では無視されます。
preserve_formantsboolean声の自然な質感を保ちます。デフォルトは true です。チップマンクのような声や巨人のような声にするには、オフにします。

戻り値:ジョブ ID です。

trim_audio

オーディオを、指定した時間範囲にトリミングします。動画のオーディオを抽出して、トリミングすることもできます。オーディオのトリミングノードと同じように動作します。

権限:workflows:execute。クレジット:11。

パラメーター型説明
audio_url、audio_asset_id、video_url または video_asset_idstringソースを 1 つ指定します。動画のソースからは、そのオーディオトラックが得られます。
start_time, end_timenumber秒単位の時間範囲です。両方を省略すると、トラック全体が残ります。
audio_formatstringmp3(デフォルト)、wav、aac のいずれかです。

戻り値:ジョブ ID です。

mix_audio

2〜20 本のオーディオトラックを重ねて、1 つのファイルにします。duck を指定すると、音声が話している間は音楽のベッドが下がり、音声の間(ま)で元に戻ります。オーディオをミックスノードと同じように動作します。

権限:workflows:execute。クレジット:ダッキングの有無にかかわらず 22 クレジットです。

パラメーター型説明
tracksarray必須。ミックスの順に並べた 2〜20 本のトラックです。それぞれ { audio_url } または { audio_asset_id } で、任意の volume は 0〜200 パーセントです。デフォルトは 100 です。audio_asset_id には、Nodaro のオーディオまたは動画のジョブも指定できます。
duckobjectほかのすべてのトラックを、1 本のキートラックの下にダッキングします。普通のミックスにするには省略します。
duck.underintegerduck では必須。tracks の中のキートラック(通常は音声)の位置で、0 から数えます。
duck.amountnumberほかのトラックが下がる量で、0〜100 です。デフォルトは 75 です。
duck.threshold_dbnumber下げ始めるために、キートラックが超える必要のある dBFS のレベルで、-60〜0 です。デフォルトは -30 です。
duck.rationumber1〜20 のコンプレッサーのレシオです。amount より優先されます。
duck.attack_ms, duck.release_msnumber下げ始める速さ(1〜2,000 ms、デフォルト 20)と、ほかのトラックが戻る遅さ(10〜9,000 ms、デフォルト 500)です。
end_atstringミックスが終わる位置です。longest(デフォルト)はいちばん長いトラックに合わせて、voice は duck.under のトラックが終わったところで終わります。voice には duck が必要です。

ダッキングしたミックスは、トラックを平均せずに足し合わせるので、音声のレベルが保たれます。

戻り値:ジョブ ID です。ミックスしたオーディオが、ジョブの結果です。

download_youtube_audio

YouTube 動画のオーディオトラックを抽出します。

権限:workflows:execute。

パラメーター型説明
youtube_urlstring必須。YouTube 動画の URL です。

デプロイでは、imports.links: false でリンクからのインポートを無効にできます。そのデプロイでは、このツールは一覧に表示されません。このツール、または引数にほかのサイトへのリンクを含むツールを呼び出すと、ジョブを作成する前に 403 link_imports_disabled が返されます。トラブルシューティングを参照してください。

戻り値:ジョブ ID です。結果は、ほかのツールに渡せるオーディオファイルです。

よくある質問

generate_speech のデフォルトのボイスは何ですか?

ElevenLabs v4 モデルの Rachel です。voice_id には、Aria、Roger、Charlotte などの標準ボイスの名前か、自分でクローンしたボイスの ID を指定します。標準ボイスの一覧は list_voices で取得できます。

2 つのボイスで会話を作るにはどうすればよいですか?

generate_dialogue に、テキストとボイスを指定したセリフのリストを、話す順に渡します。自然な話者交代を含む 1 つのオーディオファイルが返されます。別々の音声クリップをつなげるよりも、自然に聞こえます。

ElevenLabs v4 は英語以外の言語も話せますか?

はい。ヘブライ語、アラビア語、中国語、日本語、韓国語を含む完全な多言語対応なので、どの言語にも使ってください。[laughs] や [whispers] などのオーディオタグも理解します。

字幕用の単語のタイミングを取得するにはどうすればよいですか?

transcribe を呼び出します。デフォルトの ElevenLabs STT エンジンでは、単語のタイミングはミリ秒単位で、常にジョブの output_data.json.words に入ります。これは、add_captions が captions として受け付ける形です。

1 つのクリップで、複数の声を変更できますか?

はい。Nodaro Cloud で voice_changer_pro を使います。各話者を検出し、最初に話した順に、リストで指定したボイスをそれぞれに割り当てます。言葉とタイミングはそのまま保たれます。

最終更新

目次