コアコンセプト
ListenHub OpenAPI における Episode、Speaker、生成モード、データフロー。
基本概念
- Episode（エピソード） — ListenHub における基本的なコンテンツ単位です。各エピソードは一意の
episodeIdを持ち、音声、スクリプト、メタデータを含みます。 - Speaker（話者） — 生成に使用するボイスの特性を定義します。
speakerIdで識別され、言語や性別などの属性を持ちます。利用できるボイスを確認するにはGET /v1/speakers/listを呼び出すか、話者 API リファレンス を参照してください。
生成モード
| モード | サブモード | 説明 | 生成時間 | API エンドポイント |
|---|---|---|---|---|
| Podcast | quick | 効率を優先した高速生成。ニュース速報など速報性の高いコンテンツに適しています | 1-2 分 | /v1/podcast/episodes |
| debate | 2 人のホストによるディベート形式。意見の議論や多角的な分析に適しています | 2-4 分 | ||
| deep | 内容の質が高い深掘り分析。専門知識の共有や深い解説に適しています | 2-4 分 | ||
| Text to Speech | smart | AI が内容を最適化してから合成。不自然な文や誤字の修正に適しています | 1-2 分 | /v1/flow-speech/episodes |
| direct | テキストをそのまま音声に変換。完成済みの原稿やアナウンスに適しています | 1-2 分 | ||
| Content Extract | — | 非同期の URL コンテンツ抽出。記事の解析、調査、コンテンツ分析に適しています | 10-30 秒 | /v1/content/extract |
Podcast モードは 1-2 人の Speaker（1 人または 2 人のホスト）に対応します。debate モードでは Speaker がちょうど 2 人必要です。
出力の種類
生成された各エピソードからは、スクリプトのテキストと音声ファイルという 2 種類のデータを取得できます。
スクリプトストリーム（Server-Sent Events）
音声の生成中でも、完成を待たずに SSE 経由でアウトラインとスクリプトのデータを取得できます：
- Podcast：作成から 20-60 秒後に取得可能
- Text to Speech：作成から約 3 秒後に取得可能
音声ファイル
生成が完了すると、レスポンスには次のフィールドが含まれます：
| フィールド | 形式 | 説明 |
|---|---|---|
audioStreamUrl | M3U8 | ストリーミング再生用。リアルタイム用途に適しています |
audioUrl | MP3 | ファイル全体のダウンロード用。オフライン用途に適しています |
Playground
ListenHub は、コードを書かずに複数話者の音声合成を試せるオンライン Playground を提供しています。
URL：Multi-speaker TTS Playground
- 複数ロールの対話 — 1 回のリクエストで複数のボイスを含む音声を生成
- 柔軟な割り当て — スクリプトの行ごとに異なる Speaker を指定
- 即時プレビュー — オンラインでスクリプトを編集し、その場で結果を試聴
オーディオブックやラジオドラマの制作、対話形式のコンテンツ生成、製品デモの短時間での作成に適しています。
次のステップ
- クイックスタート — 5 分で最初の API 呼び出しを行う
- 認証 — Base URL、API キー、レート制限
- ポッドキャスト生成 API — リクエストパラメータとレスポンスフィールドの詳細