はじめに
alibaba/qwen-audio-3.0-tts-flash/text-to-speech で、用意した台本を 597 種類のプリセットボイスで合成します。3.0 TTS Flash に話し方の指示を添えてタスクを送信し、完了までポーリングしてください。
| 項目 | 値 |
|---|---|
| 入力 | テキスト |
| 出力 | 音声 |
| API エンドポイント | alibaba/qwen-audio-3.0-tts-flash/text-to-speech |
| 台本の入力 | 3.0 TTS Flash:text が必須、最大 10,000 文字 |
| ボイスの選択 | 3.0 TTS Flash:597 種類のプリセットボイス、モデル専用の ID |
| 出力設定 | 3.0 TTS Flash:既定は MP3、WAV・生の PCM・Opus にも対応、既定のレートは 24,000 Hz |
| リクエストの流れ | 3.0 TTS Flash:非同期で送信した後、タスクをポーリング |
| 計測時の参考値 | 3.0 TTS Flash の参考値:2026 年 11 月 5 日の複数モデルでのテスト、英語 139 文字、完了まで約 5–18 秒、音声の長さ約 7–9.6 秒 |
リクエストパラメーター
| パラメーター | 必須 | 説明 |
|---|---|---|
text | はい | 3.0 TTS Flash の台本を入れる必須項目で、最大 10,000 文字、既定の台本はありません。3.0 TTS Flash はこの文字数を基に 1,000 文字単位で課金します。 1 文字以上 · 10000 文字以内 |
voice_id | いいえ | 3.0 TTS Flash 専用の597 種類のプリセットボイスから 1 つ選びます。3.0 TTS Flash はほかのモデルの ID を受け付けず、提供された仕様では既定値は示されていません。 |
instructions | いいえ | 3.0 TTS Flash に感情、口調、人物像、ペース、方言を自由に指示できます。3.0 TTS Flash の演技の指示は読み上げも課金もされず、提供された仕様では長さの上限や既定の指示は示されていません。 1000 文字以内 |
language | いいえ | 3.0 TTS Flash の言語ヒントで、既定は auto、ほかに zh、en、ja、ko、fr、de、pt、it、vi、id を選べます。3.0 TTS Flash の言語設定は料金に影響しません。 |
speed | いいえ | 3.0 TTS Flash の話す速度を 0.5–2 の範囲で調整でき、既定は 1 です。3.0 TTS Flash の読み上げを遅くしたり速めたりしても料金は変わりません。 |
pitch | いいえ | 3.0 TTS Flash の声の高さを調整する値で、範囲は 0.5–2、既定は 1 です。3.0 TTS Flash のピッチ調整に追加料金はかかりません。 |
volume | いいえ | 3.0 TTS Flash の出力音量は 0–100、既定は 50 です。3.0 TTS Flash の音量を変えても請求額は変わりません。 |
output_format | いいえ | 3.0 TTS Flash のエンコード形式は既定の mp3 のほか、wav、pcm(生の音声)、opus を選べます。3.0 TTS Flash の出力形式による料金の違いはありません。 |
sample_rate | いいえ | 3.0 TTS Flash のサンプリングレートは 8000、12000、16000、22050、24000(既定)、44100、48000 Hz から選べます。3.0 TTS Flash のレート変更で料金は増減しません。 |
bitrate | いいえ | 3.0 TTS Flash では Opus のビットレートを調整する項目で、料金への影響はありません。3.0 TTS Flash の提供された仕様には数値の範囲や既定値の記載はありません。 |
enable_ssml | いいえ | 3.0 TTS Flash で有効にすると、text を SSML として解釈し、間、発音、強調を指定できます。3.0 TTS Flash の提供された仕様には既定値の記載がなく、この切り替えで文字数に基づく料金以外の費用は発生しません。 デフォルト値: |
seed | いいえ | 3.0 TTS Flash の設定を 1 つ変えて比較する際、乱数の生成元をそろえるために使いますが、音声の完全な一致は保証されません。3.0 TTS Flash の提供された仕様には数値の範囲や既定値の記載がなく、料金への影響もありません。 |
料金
$0.014 / 1,000 文字
Qwen-Audio 3.0 TTS Flash は text の 1,000 文字ごとに料金を計算し、instructions は計算に含めません。失敗したリクエストの請求額はゼロです。
ユースケース
予約アシスタント
親しみやすくてきぱきとした話し方で、予約の確認と続く質問を読み上げます。
注文状況の電話案内
用意した配送状況の案内を、カスタマーサービスの電話フローに使える明瞭な録音にします。
リアルタイムの会話への返答
アシスタントの短い返答を試聴し、自分のアプリ内で完了までの時間を測定します。
プロンプトガイドと実践のヒント
0 TTS Flash の台本を準備します
3.0 TTS Flash で最終的に読み上げる言葉を text に入れ、1 リクエストを 10,000 文字以内に収めてください。
0 TTS Flash の声と演技を決めます
3.0 TTS Flash のプリセットを選び、求める役柄、感情、ペースを instructions に記述してください。
0 TTS Flash を生成して確認します
3.0 TTS Flash の出力形式を選んでリクエストを送信し、タスクをポーリングして、完成した演技を聴いて確認してください。
はじめに
Qwen-Audio 3.0 TTS Flash は、Alibaba がアシスタント、リアルタイムの会話、カスタマーサービス向けに提供する、初回パケットの低遅延を重視したモデルです。3.0 Plus と同じ 597 種類のプリセットを備え、3.0 シリーズでは最も低い価格です。
用意した返答と対応する Flash のプリセットを送信し、合成が終わるまでタスクをポーリングします。初回パケットの低遅延という位置づけは、この非同期 API の完了時間の保証にはならないため、電話フロー全体で所要時間を測ってください。
主な機能と特長
- 3.0 の音声カタログの選択肢を使い、対応する Flash の音声 ID を指定します。
- 課金対象の文字数を増やさない instructions で、てきぱきとしたアシスタントの口調を指定します。
- サービス案内は 1 リクエストあたり 10,000 文字以内に収めます。
- 音声処理の仕組みに合わせて MP3、WAV、生の PCM、Opus を選べます。
活用例
- 予約アシスタント:親しみやすくてきぱきとした話し方で、予約の確認と続く質問を読み上げます。
- 注文状況の電話案内:用意した配送状況の案内を、カスタマーサービスの電話フローに使える明瞭な録音にします。
- リアルタイムの会話への返答:アシスタントの短い返答を試聴し、自分のアプリ内で完了までの時間を測定します。
プロンプトの書き方とヒント
- 手続きの案内には、要点を直接伝えるサービス担当者らしい話し方を指定します。指示例:"Speak as a friendly, efficient booking assistant."
- 明瞭な話し方を指示し、注文状況を理解しやすくします。指示例:"Read the shipping update calmly and clearly."
- speed を上げる前に、落ち着いたペースで試聴します。指示例:"Keep a brisk rhythm while making every detail clear."
- 電話フロー全体を生成する前に、返答を 1 つ試します。指示例:"Ask the follow-up question with a helpful, neutral tone."
Qwen-Audio 3.0 TTS Flash のコンテンツに関する観測では、コンテンツフィルターはなく、大人を題材にした台本もテストで書かれたままに読まれました。3.0 TTS Flash で描写する人物は全員が成人である必要があり、台本の権利を確認し、誰の声なのかについて聞き手に誤解を与えないでください。
API クイックスタート
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${SPICY_IDEMPOTENCY_KEY:-$(uuidgen)}"
curl -X POST https://api.spicyapi.ai/api/v1/jobs/createTask \
-H "Authorization: Bearer $SPICY_API_KEY" \
-H "Content-Type: application/json" \
-H "Idempotency-Key: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "alibaba/qwen-audio-3.0-tts-flash/text-to-speech",
"input": {
"text": "Welcome back. Your files finished rendering a minute ago and are ready to download.",
"language": "auto",
"voice_id": "qwen-audio-3.0-tts-flash-loonglunawang",
"sample_rate": 24000,
"output_format": "mp3"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
認証、完全なスキーマ、ポーリング、エラー処理は API リファレンスを参照してください。








