はじめに
alibaba/qwen-audio-3.1-tts-flash/text-to-speech で、用意した台本を 70 種類のシステムボイスで合成します。3.1 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-3.1-tts-flash/text-to-speech |
| 台本の入力 | 3.1 TTS Flash:text が必須、最大 10,000 文字 |
| ボイスの選択 | 3.1 TTS Flash:70 種類のシステムボイス、モデル専用の ID |
| 出力設定 | 3.1 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 | 3.1 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 | 3.1 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 | 3.1 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。3.1 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 | 3.1 TTS Flash 専用の70 種類のシステムボイスから 1 つ選びます。3.1 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 | 3.1 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。3.1 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 | 3.1 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。3.1 TTS Flash の言語設定は料金に影響しません。 |
speed | いいえ | 3.1 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。3.1 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 | 3.1 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。3.1 TTS Flash のピッチ調整に追加料金はかかりません。 |
volume | いいえ | 3.1 TTS Flash の出力音量は 0–100、既定は 50 です。3.1 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 | 3.1 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。3.1 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 | 3.1 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。3.1 TTS Flash のレート変更で料金は増減しません。 |
bitrate | いいえ | 3.1 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。3.1 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 | 3.1 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。3.1 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 | 3.1 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。3.1 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
$0.0029 / 1,000 文字
Qwen-Audio 3.1 TTS Flash の利用料は text の 1,000 文字単位で算出します。instructions に書く演技の指示と、失敗したリクエストへの課金はありません。
ユースケース
多言語コンシェルジュのあいさつ
聞き手の言語で歓迎の言葉を用意し、多言語ボイスで試聴します。
ラジオ風のオープニング
短い演技の指示で、英語のオープニングにくつろいだ司会者の人物像を与えます。
地域の方言での会話テスト
中国語の方言を指示し、残りのセリフを作る前に短いサンプルを聴いて確かめます。
プロンプトガイドと実践のヒント
1 TTS Flash の台本を準備します
3.1 TTS Flash で最終的に読み上げる言葉を text に入れ、1 リクエストを 10,000 文字以内に収めてください。
1 TTS Flash の声と演技を決めます
3.1 TTS Flash のプリセットを選び、求める役柄、感情、ペースを instructions に記述してください。
1 TTS Flash を生成して確認します
3.1 TTS Flash の出力形式を選んでリクエストを送信し、タスクをポーリングして、完成した演技を聴いて確認してください。
はじめに
Qwen-Audio 3.1 TTS Flash は、言語の多様性と低遅延を求める音声プロジェクトに、70 種類のシステムボイスを提供します。Alibaba は、ここで紹介する Qwen-Audio の 4 モデルの中で最も幅広い言語に対応するモデルとして位置づけています。
3.1 TTS Flash のカタログには、多言語ボイス 4 種類、英語のプレミアムボイス 15 種類、その他の言語のボイス 51 種類があります。フランス語のコンシェルジュのテストでは多言語プリセットを利用できましたので、目的の言語で台本を用意し、演技の指示を加えて合成タスクをポーリングし、結果を試聴してください。
主な機能と特長
- ブルガリア語、オランダ語、ハンガリー語、ルーマニア語、デンマーク語、クロアチア語、ギリシャ語、チェコ語などのボイスを試せます。
- Emily、Luna、Eric、Luca、Abby などの英語のプレミアムボイスから選べます。
- テストで確認したように、多言語プリセットをフランス語の読み上げに使えます。
- 独立した instructions 欄で口調、人物像、ペース、方言をリクエストできます。
活用例
- 多言語コンシェルジュのあいさつ:聞き手の言語で歓迎の言葉を用意し、多言語ボイスで試聴します。
- ラジオ風のオープニング:短い演技の指示で、英語のオープニングにくつろいだ司会者の人物像を与えます。
- 地域の方言での会話テスト:中国語の方言を指示し、残りのセリフを作る前に短いサンプルを聴いて確かめます。
プロンプトの書き方とヒント
- 目的の言語であいさつを用意し、まず発音を確かめます。指示例:"Welcome the guest as a relaxed hotel concierge."
- 司会者の人物像を指定して、英語の話し方を導きます。指示例:"Read like a late-night radio host, low and unhurried."
- 方言の指示を明確に書き、短い文章で試聴します。指示例:"Use a conversational Cantonese delivery with a friendly tone."
- 音声に違いが生じることを踏まえ、同じ seed で口調の変更を 1 つ比較します。指示例:"Keep the wording calm and make the greeting brighter."
Qwen-Audio 3.1 TTS Flash のコンテンツに関する観測では、コンテンツフィルターはなく、大人を題材にした台本もテストで書かれたままに読まれました。3.1 TTS Flash で描写する人物は全員が成人である必要があり、台本の権利を確認し、誰の声なのかについて聞き手に誤解を与えないでください。
API クイックスタート
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "alibaba/qwen-audio-3.1-tts-flash/text-to-speech",
"input": {
"text": "Welcome back. Your files finished rendering a minute ago and are ready to download.",
"language": "auto",
"voice_id": "Emily_v3.1",
"sample_rate": 24000,
"output_format": "mp3"
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$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。








