textstring必須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。
- デフォルト値
- 指定なし
- 制約
- minLength:1maxLength:10000
alibaba/qwen-audio-3.1-tts-flash/text-to-speechQwen-Audio 3.1 TTS Flash は、多言語音声向けの台本と演技の指示を受け付けます。Qwen-Audio 3.1 TTS Flash は 70 種類のシステムボイスを使い、速度、ピッチ、音量、音声出力を設定できます。
例は、選択中のエンドポイントの公開パラメーター定義から作っています。API キーとサンプル素材を差し替えて、ご自身のサーバーから送信してください。
SDK・連携https://api.spicyapi.ai/api/v1/jobs/createTaskAPI キーはサーバーの環境変数 SPICY_API_KEY に保存します。Bearer 認証を使用し、JSON リクエストには Content-Type: application/json を指定してください。
Authorization: Bearer $SPICY_API_KEY# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${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"このモデルの入力スキーマから生成した例です。API はどのリクエストも、同じスキーマで検証します。
これらのフィールドは、リクエスト本文の input オブジェクトに指定します。名前と型は API と一致します。デフォルト値の指定がない項目に、デフォルト値があると想定しないでください。
textstring必須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。
seedinteger任意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。
enable_ssmlboolean任意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。
bitrateinteger任意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。
320006400096000128000192000256000sample_rateinteger任意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。
8000120001600022050240004410048000output_formatstring任意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。
"mp3""wav""pcm""opus"volumeinteger任意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。
pitchnumber任意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。
speednumber任意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。
languagestring任意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。
"auto""zh""en""ja""ko""fr""de""pt""it""vi""id"instructionsstring任意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。
voice_idstring任意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。3.1 TTS Flash のボイス選択によって料金は変わりません。
"longanhuan_v3.1""longanlingxin_v3.1""longanfengyue_v3.1""xunanchuan_v3.1""Emily_v3.1""Luna_v3.1""Eric_v3.1""Luca_v3.1""Abby_v3.1""Annie_v3.1""Ava_v3.1""Beth_v3.1""Betty_v3.1""Cally_v3.1""Cindy_v3.1""Donna_v3.1""Andy_v3.1""Brian_v3.1""David_v3.1""qwen-audio-3.1-tts-flash-zora_bg""qwen-audio-3.1-tts-flash-linde_nl""qwen-audio-3.1-tts-flash-hajnal_hu""qwen-audio-3.1-tts-flash-senin_ro""qwen-audio-3.1-tts-flash-birk_da""qwen-audio-3.1-tts-flash-lipa_hr""qwen-audio-3.1-tts-flash-avgi_el""qwen-audio-3.1-tts-flash-jitrenka_cs""qwen-audio-3.1-tts-flash-solglimt_nn""qwen-audio-3.1-tts-flash-glimma_sv""qwen-audio-3.1-tts-flash-svar_hi""qwen-audio-3.1-tts-flash-iskra_sk""qwen-audio-3.1-tts-flash-aava_fi""qwen-audio-3.1-tts-flash-sahar_ur""qwen-audio-3.1-tts-flash-jasna_sr""qwen-audio-3.1-tts-flash-brisa_es_mx""qwen-audio-3.1-tts-flash-ausra_lt""qwen-audio-3.1-tts-flash-rasa_lv""qwen-audio-3.1-tts-flash-deniz_tr""qwen-audio-3.1-tts-flash-ava_fa""qwen-audio-3.1-tts-flash-or_he""qwen-audio-3.1-tts-flash-ayalguu_mn""qwen-audio-3.1-tts-flash-zarja_sl""qwen-audio-3.1-tts-flash-ishiq_az""qwen-audio-3.1-tts-flash-zorza_pl""qwen-audio-3.1-tts-flash-alba_ca""qwen-audio-3.1-tts-flash-romduol_km""qwen-audio-3.1-tts-flash-aurora_pt_br""qwen-audio-3.1-tts-flash-dao_lo""qwen-audio-3.1-tts-flash-tsiskari_ka""qwen-audio-3.1-tts-flash-lente_af""qwen-audio-3.1-tts-flash-kiran_ne""qwen-audio-3.1-tts-flash-zorka_be""qwen-audio-3.1-tts-flash-nilaav_ml""qwen-audio-3.1-tts-flash-staer_lb""qwen-audio-3.1-tts-flash-drita_sq""qwen-audio-3.1-tts-flash-nila_ta""qwen-audio-3.1-tts-flash-aruna_si""qwen-audio-3.1-tts-flash-vennela_te""qwen-audio-3.1-tts-flash-sade_et""qwen-audio-3.1-tts-flash-bituon_ceb""qwen-audio-3.1-tts-flash-vedrina_bs""qwen-audio-3.1-tts-flash-layaung_my""qwen-audio-3.1-tts-flash-luys_hy""qwen-audio-3.1-tts-flash-lumen_la""qwen-audio-3.1-tts-flash-birta_is""qwen-audio-3.1-tts-flash-zerniq_mt""qwen-audio-3.1-tts-flash-nuru_sw""qwen-audio-3.1-tts-flash-arai_kk""qwen-audio-3.1-tts-flash-zetwal_crs""qwen-audio-3.1-tts-flash-zoria_uk"{
"type": "object",
"required": [
"text"
],
"x-pricing": {
"billingMode": "per_unit",
"variantFields": []
},
"properties": {
"seed": {
"type": "integer",
"x-ui": {
"order": 10,
"widget": "number",
"advanced": true
},
"maximum": 65535,
"minimum": 0,
"description": "Random seed for controlled comparisons."
},
"text": {
"type": "string",
"x-ui": {
"rows": 6,
"order": 100,
"widget": "textarea",
"primary": true
},
"maxLength": 10000,
"minLength": 1,
"description": "The words to speak. Billed per 1,000 characters. Turn on enable_ssml to use SSML tags."
},
"pitch": {
"type": "number",
"x-ui": {
"step": 0.05,
"unit": "×",
"order": 65,
"widget": "slider"
},
"default": 1,
"maximum": 2,
"minimum": 0.5,
"description": "Pitch from 0.5 to 2."
},
"speed": {
"type": "number",
"x-ui": {
"step": 0.05,
"unit": "×",
"order": 70,
"widget": "slider"
},
"default": 1,
"maximum": 2,
"minimum": 0.5,
"description": "Speaking speed from 0.5 to 2."
},
"volume": {
"type": "integer",
"x-ui": {
"step": 1,
"order": 60,
"widget": "slider"
},
"default": 50,
"maximum": 100,
"minimum": 0,
"description": "Output volume from 0 to 100."
},
"bitrate": {
"enum": [
32000,
64000,
96000,
128000,
192000,
256000
],
"type": "integer",
"x-ui": {
"order": 40,
"widget": "select",
"advanced": true,
"enum_labels": {
"32000": "32 kbps",
"64000": "64 kbps",
"96000": "96 kbps",
"128000": "128 kbps",
"192000": "192 kbps",
"256000": "256 kbps"
}
},
"description": "Opus bit rate in bits per second. Only applies to opus."
},
"language": {
"enum": [
"auto",
"zh",
"en",
"ja",
"ko",
"fr",
"de",
"pt",
"it",
"vi",
"id"
],
"type": "string",
"x-ui": {
"order": 80,
"widget": "select",
"enum_labels": {
"de": "German",
"en": "English",
"fr": "French",
"id": "Indonesian",
"it": "Italian",
"ja": "Japanese",
"ko": "Korean",
"pt": "Portuguese",
"vi": "Vietnamese",
"zh": "Chinese",
"auto": "Auto-detect"
}
},
"default": "auto",
"description": "Reading language hint, or auto to detect it from the text."
},
"voice_id": {
"enum": [
"longanhuan_v3.1",
"longanlingxin_v3.1",
"longanfengyue_v3.1",
"xunanchuan_v3.1",
"Emily_v3.1",
"Luna_v3.1",
"Eric_v3.1",
"Luca_v3.1",
"Abby_v3.1",
"Annie_v3.1",
"Ava_v3.1",
"Beth_v3.1",
"Betty_v3.1",
"Cally_v3.1",
"Cindy_v3.1",
"Donna_v3.1",
"Andy_v3.1",
"Brian_v3.1",
"David_v3.1",
"qwen-audio-3.1-tts-flash-zora_bg",
"qwen-audio-3.1-tts-flash-linde_nl",
"qwen-audio-3.1-tts-flash-hajnal_hu",
"qwen-audio-3.1-tts-flash-senin_ro",
"qwen-audio-3.1-tts-flash-birk_da",
"qwen-audio-3.1-tts-flash-lipa_hr",
"qwen-audio-3.1-tts-flash-avgi_el",
"qwen-audio-3.1-tts-flash-jitrenka_cs",
"qwen-audio-3.1-tts-flash-solglimt_nn",
"qwen-audio-3.1-tts-flash-glimma_sv",
"qwen-audio-3.1-tts-flash-svar_hi",
"qwen-audio-3.1-tts-flash-iskra_sk",
"qwen-audio-3.1-tts-flash-aava_fi",
"qwen-audio-3.1-tts-flash-sahar_ur",
"qwen-audio-3.1-tts-flash-jasna_sr",
"qwen-audio-3.1-tts-flash-brisa_es_mx",
"qwen-audio-3.1-tts-flash-ausra_lt",
"qwen-audio-3.1-tts-flash-rasa_lv",
"qwen-audio-3.1-tts-flash-deniz_tr",
"qwen-audio-3.1-tts-flash-ava_fa",
"qwen-audio-3.1-tts-flash-or_he",
"qwen-audio-3.1-tts-flash-ayalguu_mn",
"qwen-audio-3.1-tts-flash-zarja_sl",
"qwen-audio-3.1-tts-flash-ishiq_az",
"qwen-audio-3.1-tts-flash-zorza_pl",
"qwen-audio-3.1-tts-flash-alba_ca",
"qwen-audio-3.1-tts-flash-romduol_km",
"qwen-audio-3.1-tts-flash-aurora_pt_br",
"qwen-audio-3.1-tts-flash-dao_lo",
"qwen-audio-3.1-tts-flash-tsiskari_ka",
"qwen-audio-3.1-tts-flash-lente_af",
"qwen-audio-3.1-tts-flash-kiran_ne",
"qwen-audio-3.1-tts-flash-zorka_be",
"qwen-audio-3.1-tts-flash-nilaav_ml",
"qwen-audio-3.1-tts-flash-staer_lb",
"qwen-audio-3.1-tts-flash-drita_sq",
"qwen-audio-3.1-tts-flash-nila_ta",
"qwen-audio-3.1-tts-flash-aruna_si",
"qwen-audio-3.1-tts-flash-vennela_te",
"qwen-audio-3.1-tts-flash-sade_et",
"qwen-audio-3.1-tts-flash-bituon_ceb",
"qwen-audio-3.1-tts-flash-vedrina_bs",
"qwen-audio-3.1-tts-flash-layaung_my",
"qwen-audio-3.1-tts-flash-luys_hy",
"qwen-audio-3.1-tts-flash-lumen_la",
"qwen-audio-3.1-tts-flash-birta_is",
"qwen-audio-3.1-tts-flash-zerniq_mt",
"qwen-audio-3.1-tts-flash-nuru_sw",
"qwen-audio-3.1-tts-flash-arai_kk",
"qwen-audio-3.1-tts-flash-zetwal_crs",
"qwen-audio-3.1-tts-flash-zoria_uk"
],
"type": "string",
"x-ui": {
"order": 90,
"widget": "select",
"enum_labels": {
"Ava_v3.1": "Ava (female, English)",
"Abby_v3.1": "Abby (female, English)",
"Andy_v3.1": "Andy (male, English)",
"Beth_v3.1": "Beth (female, English)",
"Eric_v3.1": "Eric (male, English)",
"Luca_v3.1": "Luca (male, English)",
"Luna_v3.1": "Luna (female, English)",
"Annie_v3.1": "Annie (female, English)",
"Betty_v3.1": "Betty (female, English)",
"Brian_v3.1": "Brian (male, English)",
"Cally_v3.1": "Cally (female, English)",
"Cindy_v3.1": "Cindy (female, English)",
"David_v3.1": "David (male, English)",
"Donna_v3.1": "Donna (female, English)",
"Emily_v3.1": "Emily (female, English)",
"longanhuan_v3.1": "Longanhuan (female, Multilingual)",
"xunanchuan_v3.1": "Xunanchuan (male, Multilingual)",
"longanfengyue_v3.1": "Longanfengyue (female, Multilingual)",
"longanlingxin_v3.1": "Longanlingxin (female, Multilingual)",
"qwen-audio-3.1-tts-flash-or_he": "Or (male, Hebrew)",
"qwen-audio-3.1-tts-flash-ava_fa": "Ava (male, Persian)",
"qwen-audio-3.1-tts-flash-dao_lo": "Dao (male, lo)",
"qwen-audio-3.1-tts-flash-aava_fi": "Aava (male, Finnish)",
"qwen-audio-3.1-tts-flash-alba_ca": "Alba (male, Catalan)",
"qwen-audio-3.1-tts-flash-arai_kk": "Arai (male, Kazakh)",
"qwen-audio-3.1-tts-flash-avgi_el": "Avgi (male, Greek)",
"qwen-audio-3.1-tts-flash-birk_da": "Birk (male, Danish)",
"qwen-audio-3.1-tts-flash-lipa_hr": "Lipa (male, Croatian)",
"qwen-audio-3.1-tts-flash-luys_hy": "Luys (female, hy)",
"qwen-audio-3.1-tts-flash-nila_ta": "Nila (female, Tamil)",
"qwen-audio-3.1-tts-flash-nuru_sw": "Nuru (female, Swahili)",
"qwen-audio-3.1-tts-flash-rasa_lv": "Rasa (female, Latvian)",
"qwen-audio-3.1-tts-flash-sade_et": "Sade (female, Estonian)",
"qwen-audio-3.1-tts-flash-svar_hi": "Svar (male, Hindi)",
"qwen-audio-3.1-tts-flash-zora_bg": "Zora (male, Bulgarian)",
"qwen-audio-3.1-tts-flash-aruna_si": "Aruna (male, si)",
"qwen-audio-3.1-tts-flash-ausra_lt": "Ausra (male, Lithuanian)",
"qwen-audio-3.1-tts-flash-birta_is": "Birta (male, Icelandic)",
"qwen-audio-3.1-tts-flash-deniz_tr": "Deniz (male, Turkish)",
"qwen-audio-3.1-tts-flash-drita_sq": "Drita (male, sq)",
"qwen-audio-3.1-tts-flash-ishiq_az": "Ishiq (male, az)",
"qwen-audio-3.1-tts-flash-iskra_sk": "Iskra (female, Slovak)",
"qwen-audio-3.1-tts-flash-jasna_sr": "Jasna (male, Serbian)",
"qwen-audio-3.1-tts-flash-kiran_ne": "Kiran (male, ne)",
"qwen-audio-3.1-tts-flash-lente_af": "Lente (female, Afrikaans)",
"qwen-audio-3.1-tts-flash-linde_nl": "Linde (male, Dutch)",
"qwen-audio-3.1-tts-flash-lumen_la": "Lumen (male, la)",
"qwen-audio-3.1-tts-flash-sahar_ur": "Sahar (male, Urdu)",
"qwen-audio-3.1-tts-flash-senin_ro": "Senin (male, Romanian)",
"qwen-audio-3.1-tts-flash-staer_lb": "Staer (female, lb)",
"qwen-audio-3.1-tts-flash-zarja_sl": "Zarja (male, Slovenian)",
"qwen-audio-3.1-tts-flash-zoria_uk": "Zoria (male, Ukrainian)",
"qwen-audio-3.1-tts-flash-zorka_be": "Zorka (female, be)",
"qwen-audio-3.1-tts-flash-zorza_pl": "Zorza (male, Polish)",
"qwen-audio-3.1-tts-flash-glimma_sv": "Glimma (female, Swedish)",
"qwen-audio-3.1-tts-flash-hajnal_hu": "Hajnal (female, Hungarian)",
"qwen-audio-3.1-tts-flash-nilaav_ml": "Nilaav (female, ml)",
"qwen-audio-3.1-tts-flash-zerniq_mt": "Zerniq (female, Maltese)",
"qwen-audio-3.1-tts-flash-ayalguu_mn": "Ayalguu (male, mn)",
"qwen-audio-3.1-tts-flash-bituon_ceb": "Bituon (male, ceb)",
"qwen-audio-3.1-tts-flash-layaung_my": "Layaung (male, my)",
"qwen-audio-3.1-tts-flash-romduol_km": "Romduol (male, km)",
"qwen-audio-3.1-tts-flash-vedrina_bs": "Vedrina (female, bs)",
"qwen-audio-3.1-tts-flash-vennela_te": "Vennela (male, te)",
"qwen-audio-3.1-tts-flash-zetwal_crs": "Zetwal (female, crs)",
"qwen-audio-3.1-tts-flash-brisa_es_mx": "Brisa (female, es-MX)",
"qwen-audio-3.1-tts-flash-jitrenka_cs": "Jitrenka (male, Czech)",
"qwen-audio-3.1-tts-flash-solglimt_nn": "Solglimt (male, nn)",
"qwen-audio-3.1-tts-flash-tsiskari_ka": "Tsiskari (male, ka)",
"qwen-audio-3.1-tts-flash-aurora_pt_br": "Aurora (male, pt-BR)"
}
},
"default": "Emily_v3.1",
"description": "Preset voice for this model."
},
"enable_ssml": {
"type": "boolean",
"x-ui": {
"order": 30,
"widget": "switch",
"advanced": true
},
"default": false,
"description": "Read text as SSML markup."
},
"sample_rate": {
"enum": [
8000,
12000,
16000,
22050,
24000,
44100,
48000
],
"type": "integer",
"x-ui": {
"order": 45,
"widget": "select",
"advanced": true,
"enum_labels": {
"8000": "8 kHz",
"12000": "12 kHz",
"16000": "16 kHz",
"22050": "22.05 kHz",
"24000": "24 kHz",
"44100": "44.1 kHz",
"48000": "48 kHz"
}
},
"default": 24000,
"description": "Sample rate in Hz."
},
"instructions": {
"type": "string",
"x-ui": {
"rows": 3,
"order": 85,
"widget": "textarea"
},
"maxLength": 1000,
"description": "How to read the text: emotion, tone, persona, pace or dialect. Not spoken and not billed."
},
"output_format": {
"enum": [
"mp3",
"wav",
"pcm",
"opus"
],
"type": "string",
"x-ui": {
"order": 50,
"widget": "select",
"advanced": true,
"enum_labels": {
"mp3": "MP3",
"pcm": "PCM (raw, 16-bit)",
"wav": "WAV",
"opus": "Opus"
}
},
"default": "mp3",
"description": "Audio encoding. pcm is raw 16-bit audio without a file header."
}
},
"additionalProperties": false
}HTTP 202 はタスクを受け付けたという意味で、生成が終わったという意味ではありません。返ってきた taskId を保存し、そのタスクの状態を問い合わせてください。結果を待っている間に、同じ内容でタスクを作り直さないでください。
HTTP/1.1 202 Accepted
Location: /api/v1/jobs/recordInfo?taskId=job_01k3m8x9q2z4v7n5p6r8s0t1w3
{
"code": 200,
"msg": "success",
"request_id": "req_example_create",
"data": {
"taskId": "job_01k3m8x9q2z4v7n5p6r8s0t1w3",
"state": "queued",
"estimatedCost": "0.750000"
}
}受理レスポンスには今回の概算料金が含まれるため、アプリのタスク履歴と請求画面に同じ金額を表示できます。
curl --get "https://api.spicyapi.ai/api/v1/jobs/recordInfo" \
--data-urlencode "taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"ポーリングは約 2 秒間隔から始め、徐々に間隔を延ばします。終了状態になったら止めてください。通信が切れたときも、元の taskId で状態を確認します。作成をやり直すときは、同じ冪等キーと同じ本文をそのまま使い回してください。
import { verifyWebhook } from "@spicyapi/sdk";
// express.raw keeps the bytes we signed; express.json never matches.
app.post("/hooks/spicy", express.raw({ type: "application/json" }), (req, res) => {
const { payload } = verifyWebhook({
rawBody: req.body,
timestamp: req.header("X-Webhook-Timestamp"),
signature: req.header("X-Webhook-Signature"),
payloadVersion: Number(req.header("X-Webhook-Payload-Version")),
secret: process.env.SPICY_WEBHOOK_SECRET,
});
res.status(200).end();
void handleFinishedTask(payload);
});タスク作成時に callBackUrl を渡せば、完了したレコードが POST で届きます——ポーリングは一切不要です。配信には毎回 X-Webhook-Timestamp、X-Webhook-Signature、X-Webhook-Payload-Version が付きます。署名は taskId.timestamp.sha256(body) に対する HMAC-SHA256(base64)なので、生のバイト列で検証してください。JSON を解析して再度文字列化するとバイト列が変わり、検証は必ず失敗します。失敗した配信は再送されるため同じ taskId が二度届くことがあります。ハンドラーは冪等に。まず 2xx を返し、処理はその後で——応答が遅いと配信失敗として扱われます。
output を読むのは、state が succeeded のときだけにしてください。失敗したときは errorCode、errorMessage、request_id を手がかりに調べます。例に出ている料金や状態は、実際の請求ではありません。
{
"code": 200,
"msg": "success",
"request_id": "req_example_record",
"data": {
"taskId": "job_01k3m8x9q2z4v7n5p6r8s0t1w3",
"model": "alibaba/qwen-audio-3.1-tts-flash/text-to-speech",
"state": "succeeded",
"output": {
"assets": [
{
"key": "tasks/2026/08/28/job_01k3m8x9q2z4v7n5p6r8s0t1w3/3f7a1c9e5b2d48f0a6c1e3d5b7f9a1c3.mp3",
"mime": "audio/mpeg",
"url": "https://example.r2.cloudflarestorage.com/results/job_01k3m8x9q2z4v7n5p6r8s0t1w3/result.mp3?X-Amz-Signature=SIGNATURE_FROM_RESPONSE",
"expiresAt": "2026-08-28T12:20:08.000Z"
}
]
},
"cost": "0.750000",
"settled": true,
"createdAt": "2026-08-28T12:00:00Z",
"completedAt": "2026-08-28T12:00:30Z"
}
}利用可能なファイルは assets[].url からそのまま開くか、ダウンロードできます。API の Authorization ヘッダーは不要です。署名付き URL は expiresAt で失効しますが、保存期間内であればタスクを再取得することで更新できます。処理中または利用できないファイルに URL はありません。署名付き URL は非公開情報として扱ってください。
アプリ、ターミナル、AI アシスタント、ビジュアルワークフローで SpicyAPI を活用。接続ガイドを選んでください。
上のコードを書く必要はありません。MCP サーバーを 1 回接続すれば、MCP に対応するエージェント(Claude Code、Codex、Cursor、Windsurf、VS Code、Gemini CLI、Cline、LibreChat)がこのモデルを名前で実行できます。シェルから 1 つのコマンドで実行することもできます。
Use alibaba/qwen-audio-3.1-tts-flash/text-to-speech to generate a portrait of a dancer under neon light, and save it to ./out/.
エージェントは公開カタログからモデルを引き、ローカルファイルを代わりにアップロードし、正確な見積もりと上限額を示して確認を待ちます。承認するまで課金は発生しません。
claude mcp add spicyapi -e SPICY_API_KEY=$SPICY_API_KEY \
-- npx --yes --package=@spicyapi/mcp spicyapi-mcp
npx skills add spicyapi-ai/spicy-skill1 行目でツールを、2 行目で Skill を渡します。Skill は使い方の取り決めです——課金の前に見積もりを取り、ローカルファイルはバイト列を貼らずにアップロードし、完成した成果物の URL を推測せずに読む。ほかのクライアントも同じサーバーをそれぞれの設定ファイルから使います。開発者向けページをご覧ください。
npx @spicyapi/cli tasks create --model alibaba/qwen-audio-3.1-tts-flash/text-to-speech \
--input-json '{"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"}' \
--wait入力は上の例と同じ、このエンドポイント固有のスキーマに従います。--wait はタスクの完了までポーリングして結果を表示します。CI では --yes を追加すると確認を省略できます。先に SPICY_API_KEY を設定してください。API、CLI、MCP サーバーで同じキーを使えます。
npx @spicyapi/cli tasks create --model alibaba/qwen-audio-3.1-tts-flash/text-to-speech \
--input-json '{…}' --retention 1h --wait
npx @spicyapi/cli tasks get $TASK_ID # read back the retention that applied--retention は保持期間を短くするだけです——30m、1h、7d、あるいは 0 なら終了と同時に削除。実際に効くのはリクエスト・アカウント設定・プラットフォーム上限のうち最も短い値なので、指定した数値が通った前提で進めず、タスクレコードから読み戻してください。アカウントの許容より長い値を渡しても何も起きません。
ComfyUI Manager か下のコマンドで SpicyAPI ノードをインストールしたら、キャンバスで Qwen-Audio 3.1 TTS Flash · Text to Speech を検索してください。このノードにはこのページと同じオプションがあり、実行前に価格が表示されます。
cd ComfyUI/custom_nodes
git clone https://github.com/spicyapi-ai/comfyui-spicyapi埋め込みパネルはこのページと同じスキーマを参照するため、API 仕様とのずれを防げます。ドキュメント内の検索対象にする場合は、/api/embed/models/ の JSON を取得して描画してください。
<iframe src="https://spicyapi.ai/embed/ja/models/qwen-audio-3-1-tts-flash/api?model=alibaba%2Fqwen-audio-3.1-tts-flash%2Ftext-to-speech" width="100%" height="560" loading="lazy" title="リクエスト例" style="border:1px solid rgba(0,0,0,.12)"></iframe>