

AlibabaのQwen Audio 3.0 TTSファミリーは、ソーシャル、コンパニオン、およびリアルタイムアプリケーションに役立ちます。自然言語の指示でPlusの音声配信と音量をガイドするか、ライブ対話やカスタマーサービスにFlashを使用します。Atlas Cloudは、1,000入力文字あたりPlusで0.02ドル、Flashで0.015ドルの標準価格を提供し、各ワークロードのコストを見積もるのに役立ちます。今日から構築を始めましょう。
Qwen Audio 3.0 TTS は Alibaba が開発したモデルです。Atlas Cloud(運営:Atlas Cloud AI LLC)は本モデルへのアクセスを提供するものであり、その所有者ではありません。すべての商標は各所有者に帰属します。
Atlas Cloudは、業界をリードする最新のクリエイティブモデルを提供します。
コンパニオン体験向けの表現豊かなフラッグシップ音声、またはリアルタイム対話向けの低遅延音声を選べます。
| モダリティ | 説明 |
|---|---|
| Qwen Audio 3.0 TTS Flash API(テキスト読み上げ) | 低遅延の音声合成、幅広い言語への対応、中国語の方言への対応により、テキストを音声に変換します。柔軟な指示で音声の話し方を調整でき、音声アシスタント、ライブ対話、カスタマーサービスに適しています。標準料金は入力文字数1,000文字あたり$0.015です。 |
| Qwen Audio 3.0 TTS Plus API(テキスト読み上げ) | ソーシャルアプリやコンパニオンアプリ向けのフラッグシップエンドポイントです。システム音声を使って、テキストを自然で表現豊かな音声に変換します。柔軟な指示で感情、口調、役割、速度、音量を調整し、やり取りを自在に演出できます。標準料金は入力文字数1,000文字あたり$0.02です。 |
さまざまな会話のニーズに合わせて Qwen Audio 3.0 TTS Flash または Plus をお選びください。Atlas Cloud を通じて、豊富な音声カタログ、多言語音声合成、調整可能な発話、構造化テキスト入力、柔軟な音声出力を提供します。
Qwen Audio 3.0 TTS は、低遅延インタラクション向けの Flash と、自然で表現豊かなコンパニオン音声向けの Plus を提供します。標準の Atlas Cloud 料金は、1,000入力文字あたり Flash が $0.015、Plus が $0.02 です。従量課金制を利用して、製品の会話の優先事項に合ったモデルをお選びください。これにより、音声アシスタント、カスタマーサービスツール、ソーシャルアプリケーションに、価格が明確な2つの音声合成オプションが提供されます。
各 3.0 モデルは、プレビューサンプル、および性別と言語のラベルを備えた 597 種類の音声クローン化されたベース音声のカタログを提供します。利用可能な音声を閲覧してサンプルを試聴し、選択したモデルの音声 ID をテキストと一緒に渡してください。音声 ID は各モデルに固有のものです。これにより、アプリケーションに音声を統合する前に、ナレーターやコンパニオンキャラクターのキャスティングが容易になります。
多言語音声について、両方のモデルはリクエストごとに1つの言語ヒントを受け付け、中国語、英語、日本語、韓国語、フランス語、ドイツ語、ポルトガル語、イタリア語、ベトナム語、インドネシア語をカバーする10のサポート済みコードを提供します。目的の言語に対して language_hints を設定し、互換性のある音声を選択してください。また、Flash は中国語の方言合成もサポートしています。開発者はこれらのコントロールを使用して、海外の視聴者や地域的な中国人コミュニティに合わせて音声エクスペリエンスを適応させることができます。
感情、トーン、ペルソナ、話し方に関する自然言語の指示を通じて、セリフのニュアンスをモデルに伝えます。両方のモデルでは、0.5〜2.0の範囲の速度とピッチの乗数、0〜100の範囲の音量も調整可能です。スタイルの指示とこれらの数値コントロールを組み合わせることで、同じスクリプトを微調整できます。表現豊かな対話やコンパニオン体験は、その状況に合わせた話し方によって向上します。
スクリプトに意図的なポーズや数式の読み上げが必要な場合、enable_ssml を有効にすることで、両方のモデルで SSML および LaTeX 入力がサポートされます。すべての文章をプレーンテキストとして扱うのではなく、同じ音声合成リクエストを通じて準備されたテキストを送信してください。SSML はポーズをマークする方法を提供し、LaTeX は音声用の数式を表現します。これらの入力オプションは、教育用ナレーションや、より慎重な読み上げを必要とするスクリプトに適しています。
音声の配信は、MP3、PCM、WAV、Opusの4つのフォーマットに対応しており、8,000~48,000 Hzの7つのサンプリングレートオプションがあります。リクエストでoutput_formatとsample_rateを選択してください。bit_rateはOpusにのみ適用されます。Atlas Cloudは、非同期送信とタスクIDのポーリングを使用して、生成された音声URLを取得します。このワークフローにより、チームは1つのAPIを通じて、さまざまな再生や制作の要件に合わせた音声ファイルを準備できます。
Qwen Audio 3.0 TTSを、そのフラッグシップ後継機およびElevenLabsの代替案と、微妙な間、感情の変化、そして温かみのある結末を促す全く同じスクリプトを使用して比較します。
静かに……もうだめかと思いました。待ってください、あの光は……帰る道を見つけたのですね!こちらへ。もう大丈夫ですよ。今夜は、誰も一人で闇と向き合う必要はありません。
Generated with Qwen-Audio 3.1 TTS Plus on Atlas Cloud
Generated with ElevenLabs v3 Text-to-Speech on Atlas Cloud
Generated with Qwen-Audio 3.0 TTS Plus on Atlas Cloud
お聞きください……このかすかな音。さあ、最初の一口を。サクサクのクラスト、温かいバター、純粋な喜び!ああ、何と美味しいのでしょう。どうぞ席についてください。私たちのテーブルには、いつでもあなたのための場所が用意されています。
Generated with Qwen-Audio 3.1 TTS Plus on Atlas Cloud
Generated with ElevenLabs v3 Text-to-Speech on Atlas Cloud
Generated with Qwen-Audio 3.0 TTS Plus on Atlas Cloud
Qwen Audio 3.0 TTSで、表現力豊かなPlusの音声と低レイテンシーを重視したFlashの音声合成を組み合わせ、コンパニオンとの対話、音声アシスタント、多言語対応のサポート、物語のナレーション、ブランドのナレーション、音声レッスンを実現します。
Plusを使ってバーチャルコンパニオンに表現力豊かな声を与え、指示によって感情や口調、役割を調整できます。ソーシャルアプリやキャラクターとのインタラクティブな体験に向けて、親しみやすい挨拶、遊び心のあるやり取り、安心感を与える返答を作成できます。
アシスタントが音声で応答する場面では、Flashが低レイテンシーとリアルタイムの対話に最適化された音声合成を提供します。生成されたテキストを音声に変換する対話型インターフェースの音声出力レイヤーとして利用できます。
Flashは複数の言語と中国語の方言に対応し、カスタマーサービスの業務にローカライズされた音声を提供します。アプリケーションの利用者に合わせた地域サポートを実現するため、文章によるヘルプの回答を音声で案内できます。
Plusでは、指示でナレーターの感情や口調を調整でき、音声コントロールで話す速さや音量も変更できます。オーディオブック、ストーリーテリングアプリ、連載形式の音声コンテンツ向けに、物語の朗読やキャラクターのセリフを作成できます。
Plusを使えば、指示で話し方やペルソナを定め、製品紹介の台本を表現力豊かなナレーションに仕上げられます。ブランドのイメージに合った音声表現で、製品紹介、プロモーション動画、アプリの操作ガイドを作成できます。
学習アプリでは、Plusが教材の文章を、速度や音量を調整できる表現力豊かな音声に変換します。教育者は、教材に合った話し方で、例文のナレーション、レッスンの導入、音声学習ガイドを作成できます。
アプリケーションの重点、音声制御、オーディオ形式、および標準の Atlas Cloud 価格設定に基づき、Qwen Audio 3.0 TTS を 3.1 バリアントおよび MiniMax Speech モデルと比較します。
| モデル | 主な用途 | 音声制御 | 音声形式 | 標準料金/1,000文字 |
|---|---|---|---|---|
| Qwen-Audio 3.0 TTS Plus | SNSやコンパニオン体験向けの表現豊かな音声 | 指示で感情、トーン、役柄を指定し、速度、ピッチ、音量を調整 | MP3, PCM, WAV, Opus | $0.02 |
| Qwen-Audio 3.0 TTS Flash | アシスタント、リアルタイム対話、カスタマーサービス向けの低遅延音声合成 | 感情や話し方の指示に加え、速度、ピッチ、音量を調整 | MP3, PCM, WAV, Opus | $0.015 |
| Qwen-Audio 3.1 TTS Plus | ブランドボイス、オーディオブック、吹き替え、キャラクターの演技 | 指示で感情表現やキャラクターの役柄を指定し、速度、ピッチ、音量を調整 | MP3, PCM, WAV, Opus | $0.03 |
| Qwen-Audio 3.1 TTS Flash | 対話型アプリケーション向けの多言語・方言音声 | 自然言語の指示と表現タグを組み合わせ、音声パラメーターを調整 | MP3, PCM, WAV, Opus | $0.003 |
| MiniMax Speech 2.8 HD | 自然さと表現力を重視した音声生成 | 音声を選び、速度、ピッチ、音量を調整 | MP3, WAV, FLAC | $0.10 |
| MiniMax Speech 2.8 Turbo | 音声を選択でき、合いの手タグにも対応した高速音声生成 | 感情プリセットとテキスト内の合いの手指定を使い、速度、ピッチ、音量を設定 | MP3, WAV, FLAC | $0.06 |
数分で始められます — 以下の簡単なステップに従って、Atlas Cloud プラットフォームでモデルを統合・デプロイしましょう。
atlascloud.ai でサインアップし、認証を完了します。新規ユーザーには無料クレジットが付与され、プラットフォームの探索やモデルのテストに使用できます。
高度なQwen Audio 3.0 TTSモデルとAtlas CloudのGPU加速プラットフォームを組み合わせることで、比類のないパフォーマンス、スケーラビリティ、開発者エクスペリエンスを提供。
低レイテンシ:
リアルタイム推論のためのGPU最適化推論。
統合API:
1つの統合でQwen Audio 3.0 TTS、GPT、Gemini、DeepSeekを実行。
透明な料金:
サーバーレスオプション付きの予測可能なtoken単位の課金。
開発者エクスペリエンス:
SDK、分析、ファインチューニングツール、テンプレート。
信頼性:
99.99%の稼働率、RBAC、コンプライアンス対応ロギング。
セキュリティとコンプライアンス:
SOC 2 Type II、HIPAA準拠、米国内のデータ主権。
Qwen Audio 3.0 TTS は、Atlas Cloud で Plus と Flash の各バリアントを利用できる、Alibaba の音声合成モデルファミリーです。テキストを音声に変換でき、自然言語の指示で感情、声のトーン、キャラクター、話し方を調整できます。
ソーシャルコンパニオン、音声アシスタント、対話型アプリ、カスタマーサポート向けの音声体験を構築できます。表現力豊かな音声が求められるコンパニオンとのやり取りには Plus が適しており、低レイテンシーの音声生成を優先するアプリケーションには Flash が最適化されています。
Atlas Cloud API キーを作成し、model、text、voice を指定して認証済みの POST リクエストを https://api.atlascloud.ai/api/v1/model/generateAudio に送信します。モデル ID には alibaba/qwen-audio-3.0-tts-plus/text-to-speech または alibaba/qwen-audio-3.0-tts-flash/text-to-speech を指定します。返されたタスク ID を使って https://api.atlascloud.ai/api/v1/model/prediction/{prediction_id} をポーリングし、生成が完了したら outputs から音声 URL を取得します。
Atlas Cloud の標準料金は、Plus が入力文字 1,000 文字あたり $0.02、Flash が $0.015 です。どちらのバリアントも文字数に応じた従量課金です。
各バリアントの Atlas Cloud モデルページには、言語と性別のラベルが付いた 597 種類の基本音声とプレビューサンプルが掲載されています。モデルは多言語音声と中国語の方言に対応しており、言語ヒントには中国語、英語、日本語、韓国語などを指定できます。本番環境で使う音声を選ぶ前に、対象の言語や方言でプレビューしてください。
instruction パラメーターに希望する感情、トーン、キャラクターを記述し、専用パラメーターで話速、ピッチ、音量を調整します。構造化テキスト入力では enable_ssml を有効にすると SSML と LaTeX に対応し、音声のレンダリングをさらに細かく制御できます。
output_format で MP3、PCM、WAV、Opus を選択できます。デフォルトは MP3 です。どちらのモデルも sample_rate を指定でき、bit_rate は Opus 出力にのみ適用されます。
自然で表現力豊かな話し方がソーシャルまたはコンパニオン体験の中心となる場合は Plus を選んでください。低レイテンシーの対話や文字あたりのコストの低さを優先するアプリケーションには、Flash がより適した出発点です。決定する前に、同じスクリプトと希望する話し方で両方を比較してください。
Atlas Cloud のドキュメントに記載されている連携方法は、非同期でリクエストを送信してポーリングする方式で、タスクの完了後に音声 URL が返されます。再生機能を設計する際は、このエンドポイントをジョブベースのワークフローとして扱ってください。生成中に音声チャンクが必要な場合は、ストリーミングの対応状況を別途確認してください。
別のモデルに属する音声 ID を指定すると InvalidParameter が返されることがあります。選択したバリアントに対応するカタログから音声を選んでください。Plus と Flash を切り替える際は、以前の音声 ID を再利用せず、model と voice の両方を更新してください。
Atlas Cloud を最大限に活用するためのガイド、チュートリアル、製品アップデート。