

Qwen Audio 3.1 TTSは、Alibabaの音声合成ファミリーを開発者に提供します。Flashは、インタラクティブなアプリケーション向けに、上海語や広東語を含む多言語の音声と中国語の方言を提供します。Plusは、高品質な音声ワーク向けに、ノイズの多いリファレンスオーディオからの音声クローニングをサポートしています。Atlas Cloudでの1,000文字あたりの標準価格は、Flashが0.003ドル、Plusが0.03ドルです。今すぐ構築を始めましょう。
Qwen Audio 3.1 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。
ライブ対話向けの低遅延な音声合成か、高品質なボイスクローンに対応した最上位の音声生成かを選択できます。
| モダリティ | 説明 |
|---|---|
| Qwen Audio 3.1 TTS Flash(Text to Speech) | 複数の言語や中国語の方言に対応したシステムボイスで、テキストを音声に変換します。指示によって感情、トーン、役柄、速度、音量を調整できます。音声応答の初期レイテンシーを最適化しており、音声アシスタント、ライブ会話、対話型カスタマーサポートに適しています。 |
| Qwen Audio 3.1 TTS Plus(Text to Speech) | 高品質な音声制作向けのPlusは、テキストを多言語または方言の音声に変換し、ノイズを含む参照音声からの高精度なボイスクローンにも対応します。指示で感情、トーン、役柄、速度、音量を調整でき、ブランドナレーション、オーディオブック、キャラクターの演技に活用できます。 |
Flashのレイテンシ重視の音声合成からPlusのプレミアムな音声生成まで、Qwen Audio 3.1 TTSは、多言語配信、中国語の方言、表現豊かなコントロール、そしてAtlas Cloudの統合APIアクセスを組み合わせています。
Flashは、Qwen Audio 3.1 TTSの低レイテンシティアであり、リアルタイムインタラクションにおけるファーストパケット応答に最適化されています。その音声合成は、多言語の音声と、感情、トーン、役割、速度、音量に関する指示を組み合わせています。読み上げるテキストを提供する際に、アプリケーションが必要とする表現方法を記述してください。このティアは、音声の応答性が重要となる音声アシスタント、対話型製品、カスタマーサービスエクスペリエンスに適しています。
Plusは、高品質な音声合成と堅牢な音声クローニングをQwen Audio 3.1 TTSにもたらし、Atlas Cloudのパラメータスキーマで4つのシステム音声を利用できます。このモデルは、参照録音にノイズや残響が含まれている場合でも明瞭さを維持するように設計されています。自然言語による指示が、出力される感情、トーン、ペルソナを形成します。ブランドナレーション、オーディオブック制作、映画の吹き替え、表現豊かなキャラクターパフォーマンスには、Plusをお選びください。
多言語音声と中国語の方言がこのファミリーの中心に位置しており、サポートされている言語には中国語、英語、日本語、韓国語が含まれます。Flash の方言のカバー範囲には、上海語、広東語、東北方言、四川方言が含まれます。必要な言語または方言に適切な音声を選択し、指示を通じてその発声をガイドします。ローカライズされたナレーションや地域特有の音声エクスペリエンスにより、オーディエンスの実際の話し方を反映させることができます。
感情、トーン、役割、話し方に関する自然言語の指示を使用して、パフォーマンスをディレクションします。Plusでは、速度とピッチをそれぞれ0.5から2.0の範囲で、音量を0から100の範囲で設定できます。これらのコントロールをスクリプトと組み合わせることで、ペース、声域、出力レベルを調整できます。このような制御により、落ち着いたナレーション、エネルギッシュなプロモーション、またはキャラクターの対話に合わせてパッセージを調整することができます。
Plusの4つの出力フォーマットは、MP3、PCM、WAV、Opusをカバーしており、8,000〜48,000 Hzの範囲で選択可能なサンプリングレートを備えています。オーディオパイプラインに一致するフォーマットとレートを選択してください。入力がサポートされているマークアップまたはLaTeXを使用している場合は、SSMLを有効にします。これらのオプションにより、開発者は単一の配信フォーマットに依存することなく、再生、編集、および教育コンテンツ用の合成音声を準備できます。
Atlas Cloudは両方の階層に統合されたAPIアクセスと文字ベースの課金を提供し、標準料金はFlashが1,000文字あたり0.003ドル、Plusが0.03ドルです。Plusの生成では、非同期リクエストを送信し、音声の準備ができるまでそのprediction IDをポーリングします。完了した結果には音声URLが含まれます。このワークフローにより、音声生成をアプリケーションや本番環境のキューへ実用的に統合できるようになります。
親密なストーリーテリングからスポーツのライブ実況まで展開する同一のスクリプトを使用して、Qwen Audio 3.1 TTS を他の音声モデルおよびその前世代のモデルと比較します。
窓際のお客様の席はそのままにしておきました。毎晩、お帰りになるかもしれないと考えておりました。お待ちください…本当にあなた様ですか?よくお越しくださいました!中へお入りください、愛しい人。ポットはまだ温かいままです、あなた様のためだけに。
Generated with Qwen-Audio 3.1 TTS Plus on Atlas Cloud
Generated with ElevenLabs v4 Text-to-Speech on Atlas Cloud
Generated with Qwen-Audio 3.0 TTS Plus on Atlas Cloud
最後のコーナー、彼女はまだ遅れをとっています。あの歓声を聞いてください…彼女は隙を見つけ、先頭に立ち、そして勝利しました!なんて素晴らしいフィニッシュでしょう!息を整えて、チャンピオン。すべての早起きした朝が、あなたをこの瞬間に導いたのです。
Generated with Qwen-Audio 3.1 TTS Plus on Atlas Cloud
Generated with ElevenLabs v4 Text-to-Speech on Atlas Cloud
Generated with Qwen-Audio 3.0 TTS Plus on Atlas Cloud
ブランドキャンペーンやオーディオブックから、キャラクターの対話、音声アシスタント、地域サポート、ローカライズされたレッスンに至るまで、Qwen Audio 3.1 TTSはコンテンツ制作とインタラクティブなアプリケーションに制御可能な音声をもたらします。
Plusは、感情、トーン、表現方法の指示に基づいて、キャンペーンのスクリプトを高品質なボイスオーバーに変換します。各キャンペーンに合わせたスピーチスタイルで、製品発表のナレーション、プロモーション音声、ブランドメッセージを作成できます。
感情、話速、音量を調整できるPlusのナレーションで、物語に命を吹き込みます。出版社やオーディオブックアプリは、章ごとのスクリプトを表情豊かな音声に変換し、対話や描写部分に合わせて語り口を調整することができます。
アプリケーションに音声による応答が必要な場合、Flashは低い初回パケットレイテンシに最適化された音声合成を提供します。対話型アシスタント、インタラクティブなコンパニオン、およびその他のダイアログインターフェースの音声出力レイヤーとして使用してください。
サポートされている言語と中国語の方言全体で、Flashは調整可能なトーンと速度でカスタマーサービスのスクリプトを音声化します。親しみやすい言語と現地の発音を好むユーザー向けに、音声によるヘルプ応答や地域限定のアナウンスを構築できます。
スクリプト化された台詞における感情、役割、話し方を指定する Plus の指示機能を通じて、キャラクターの演技を形成します。ゲーム開発者やアニメーションチームは、各キャラクターに最適な声の表現を試しながら、音声付きのシーンを制作できます。
ローカライズされた学習コンテンツ向けに、多言語音声合成はレッスン用のスクリプトを、速度と音調が制御可能な音声に変換します。教育プラットフォームは、さまざまな受講者やレッスンの形式に合わせて配信を適応させ、音声による解説やリスニング練習を作成できます。
Qwen Audio 3.1 TTS、前世代の3.0モデル、MiniMax Speechモデルを、読み上げの調整機能、音声形式、Atlas Cloudの標準料金で比較します。
| モデル | 読み上げの調整機能 | 音声形式 | 標準料金/1,000文字 |
|---|---|---|---|
| Qwen-Audio 3.1 TTS Plus | 自然言語の指示で感情、トーン、ペルソナを指定。速度、ピッチ、音量も調整可能 | MP3, PCM, WAV, Opus | $0.03 |
| Qwen-Audio 3.1 TTS Flash | 指示で感情、トーン、役柄を指定。速度、ピッチ、音量も細かく調整可能 | MP3, PCM, WAV, Opus | $0.003 |
| Qwen-Audio 3.0 TTS Plus | 指示で表現豊かな読み上げを指定し、速度、ピッチ、音量を調整 | MP3, PCM, WAV, Opus | $0.02 |
| Qwen-Audio 3.0 TTS Flash | 指示による感情や話し方の指定に加え、速度、ピッチ、音量を調整可能 | MP3, PCM, WAV, Opus | $0.015 |
| MiniMax Speech 2.8 HD | 感情を選択でき、速度、ピッチ、音量も設定可能 | MP3, WAV, FLAC | $0.10 |
| MiniMax Speech 2.8 Turbo | 感情や声のパラメーターを設定。間投詞タグやタイミングを指定したポーズも挿入可能 | 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 3.1 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 3.1 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 3.1 TTSはAlibabaの音声合成モデルファミリーであり、Atlas Cloud上でPlusおよびFlashのバリアントが利用可能です。Plusは高品質な音声に焦点を当てており、一方Flashは多言語音声と中国語方言をサポートし、低遅延のインタラクションをターゲットとしています。
Plusを使用して、オーディオブック、ブランドコンテンツ、吹き替え、キャラクターパフォーマンスのナレーションを作成します。音声アシスタント、対話型アプリケーション、カスタマーサービス向けには、Flashが応答性の高い音声生成を優先します。
Atlas Cloud APIキーを作成し、モデルページからPlusまたはFlashのモデルIDを選択します。Bearer認証を使用して、テキストと互換性のある音声をgenerateAudioエンドポイントに送信します。返されたタスクIDを保持し、生成された音声が利用可能になるまでpredictionエンドポイントをポーリングします。
対応言語はモデルと選択した音声によって異なります。Flashには、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、インドネシア語に加え、上海語、広東語、東北官話などの中国語の方言をサポートする多言語音声が含まれています。音声を生成する前に、ターゲット言語または方言をサポートする音声を選択してください。
サポートされている音声出力フォーマットには、MP3、PCM、WAV、Opusが含まれます。SSMLおよびLaTeX入力もサポートされていますが、SSMLの利用可能性は選択した音声に依存します。Atlas Cloudでは、音声フォーマットを選択するには output_format を使用し、SSMLを送信する際は enable_ssml を使用してください。
自然言語の指示を使用して、感情、トーン、ペルソナ、話し方をガイドします。Atlas Cloud は、より正確な音声出力の調整のために、Plus エンドポイントで速度、ピッチ、音量のコントロールも提供しています。選択した音声で指示をテストし、結果が意図したパフォーマンスと一致することを確認してください。
Plusは、ノイズや残響を含むリファレンス音声からのロバストな音声クローニングをサポートしています。特に話者の類似性や発音が重要視される場合は、本番環境で使用する前に、代表的な録音を用いて合成結果を評価してください。
ブランドボイス、オーディオブック、吹き替えなど、オーディオの忠実度と表現のディテールが最も重要な場合は、Plusを選択してください。Flashは、音声アシスタントやインタラクティブな会話など、初回パケットレイテンシ(First-Packet Latency)の低さを重視するアプリケーション向けに設計されています。本番用モデルを選択する前に、同じスクリプトと適切な音声を使用して両方を比較してください。
Atlas Cloudの標準価格は、入力文字1,000文字あたり、Plusが0.03ドル、Flashが0.003ドルです。これらはAtlas Cloudのバックエンドによって提供される標準料金であり、プロモーション割引は含まれていません。
Flashは、モデルレベルでファーストパケットレイテンシが最適化されています。Atlas Cloudのドキュメント化された音声生成ワークフローでは、非同期タスクを送信し、タスクIDをポーリングすることで完了した結果を取得します。モデルのレイテンシをストリーミング配信の保証として扱うのではなく、アプリケーション内で送信から再生までの時間を測定してください。
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。