非リアルタイム音声合成

機能

非リアルタイム音声合成では、1 回の HTTP リクエストでテキスト全体を送信し、非ストリーミング出力または SSE ストリーミング出力を受け取ります。非ストリーミング出力で返される音声 URL の有効期限は 24 時間です。期限内に音声をダウンロードして保存してください。期限切れ後は再合成できます。ストリーミング出力では、音声データがチャンク単位で返されます。

言語と方言: 対象の言語に適したモデルと音声を選択するか、指示で方言を指定します。方言をご参照ください。
表現の制御: 自然言語の指示で話し方を調整したり、感情タグや非言語音タグを挿入したりできます。指示による制御と感情タグと非言語音タグをご参照ください。
カスタム音声: 音声クローニングで音声サンプルから、または音声デザインでテキストの説明から音声を作成します。
詳細な制御と数式の読み上げ: SSML と LaTeXを使用してポーズや発音を制御したり、数式を音声に変換したりできます。

対応する機能はモデルと音声によって異なります。各機能のドキュメントで対応範囲を確認してください。
テキストを分割して送信する場合は、リアルタイム音声合成を使用します。

利用開始

コンソールで API キーを取得し、環境変数 DASHSCOPE_API_KEY に設定します。例に必要な依存パッケージをインストールします。

pip install requests

Qwen-Audio-TTS (推奨)
CosyVoice

次の例では、シンガポールの qwen-audio-3.1-tts-flash とシステム音声 longanhuan_v3.1 を使用して、非ストリーミング出力とストリーミング出力を示します。

非ストリーミング出力
ストリーミング出力

Python

import os
import requests

response = requests.post(
    'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/audio/tts/SpeechSynthesizer',
    headers={"Authorization": f"Bearer {os.environ['DASHSCOPE_API_KEY']}"},
    json={
        "model": "qwen-audio-3.1-tts-flash",
        "input": {
            "text": "Hello, welcome to Alibaba Cloud Model Studio.",
            "voice": "longanhuan_v3.1",
            "format": "wav",
            "sample_rate": 24000
        }
    },
    timeout=60,
)
response.raise_for_status()
audio_url = response.json()["output"]["audio"]["url"]
audio_response = requests.get(audio_url, timeout=60)
audio_response.raise_for_status()
with open("output.wav", "wb") as f:
    f.write(audio_response.content)

音声は現在のディレクトリの output.wav に保存されます。

この例では、返された SSE イベントを行単位で表示します。output.audio.data フィールドには、Base64 エンコードされた音声チャンクが含まれます。

Python

import os
import requests

response = requests.post(
    'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/audio/tts/SpeechSynthesizer',
    headers={"Authorization": f"Bearer {os.environ['DASHSCOPE_API_KEY']}", "X-DashScope-SSE": "enable"},
    json={
        "model": "qwen-audio-3.1-tts-flash",
        "input": {
            "text": "Hello, welcome to Alibaba Cloud Model Studio.",
            "voice": "longanhuan_v3.1",
            "format": "wav",
            "sample_rate": 24000
        }
    },
    stream=True,
    timeout=60,
)
response.raise_for_status()
for line in response.iter_lines():
    print(line.decode("utf-8"))
response.close()

次の例では、北京の cosyvoice-v3-flash とシステム音声 longanyang を使用して、非ストリーミング出力とストリーミング出力を示します。

非ストリーミング出力
ストリーミング出力

Python

import os
import requests

response = requests.post(
    'https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/services/audio/tts/SpeechSynthesizer',
    headers={"Authorization": f"Bearer {os.environ['DASHSCOPE_API_KEY']}"},
    json={
        "model": "cosyvoice-v3-flash",
        "input": {
            "text": "Hello, welcome to Alibaba Cloud Model Studio.",
            "voice": "longanyang",
            "format": "wav",
            "sample_rate": 24000
        }
    },
    timeout=60,
)
response.raise_for_status()
audio_url = response.json()["output"]["audio"]["url"]
audio_response = requests.get(audio_url, timeout=60)
audio_response.raise_for_status()
with open("output.wav", "wb") as f:
    f.write(audio_response.content)

音声は現在のディレクトリの output.wav に保存されます。

この例では、返された SSE イベントを行単位で表示します。output.audio.data フィールドには、Base64 エンコードされた音声チャンクが含まれます。

Python

import os
import requests

response = requests.post(
    'https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/services/audio/tts/SpeechSynthesizer',
    headers={"Authorization": f"Bearer {os.environ['DASHSCOPE_API_KEY']}", "X-DashScope-SSE": "enable"},
    json={
        "model": "cosyvoice-v3-flash",
        "input": {
            "text": "Hello, welcome to Alibaba Cloud Model Studio.",
            "voice": "longanyang",
            "format": "wav",
            "sample_rate": 24000
        }
    },
    stream=True,
    timeout=60,
)
response.raise_for_status()
for line in response.iter_lines():
    print(line.decode("utf-8"))
response.close()

合成品質の改善

言語と発音

数字、略語、記号の読み方が適切でない場合は、language_hints で合成の対象言語を指定するか、hot_fix で発音とテキスト置換を設定します。対象モデルと設定方法は、Qwen-Audio-TTS API または CosyVoice API をご参照ください。ポーズ、数字の読み方、単語の発音を制御するには SSML を使用します。Qwen-Audio-TTS と CosyVoice の対応モデル、音声、インターフェイス、タグの使い方については、SSML と LaTeXをご参照ください。

指示による制御

リクエストの input に instruction を追加し、合成する言語と、話す速度、感情、話し方を自然言語で指定して、合成音声の表現を制御します。

性別、年齢、声質などの特徴を指定して新しい音声を作成する場合や、音声の説明の書き方と例を確認する場合は、音声デザインをご参照ください。

Qwen-Audio-TTS
CosyVoice

qwen-audio-3.1-tts-plus、qwen-audio-3.1-tts-flash, qwen-audio-3.0-tts-plus, qwen-audio-3.0-tts-flash のシステム音声、クローン音声、デザイン音声はすべて、合成リクエストの instruction による自然言語の指示に対応しています。合成品質を向上させるために、instruction に合成する言語と希望する表現を指定することを推奨します。指示で指定する言語は、合成対象のテキストの言語と一致させてください。たとえば、オランダ語のテキストを合成する場合は、次のように設定します：

{"instruction": "Speak in Dutch, slowly and clearly."}

CosyVoice の instruction は最大 100 文字です。文字数の計算では、簡体字、繁体字、日本語および韓国語で使う漢字は 1 文字を 2 文字として数えます。句読点、英字、数字、かな、ハングルなどその他の文字は 1 文字として数えます。

モデル	対象の音声	指示の要件	指示テキストの言語
cosyvoice-v3.5-plus, cosyvoice-v3.5-flash	クローン音声とデザイン音声システム音声はありません。	自然言語による指示。	中国語、英語、フランス語、ドイツ語、日本語、韓国語、ロシア語、ポルトガル語、タイ語、インドネシア語、ベトナム語。
cosyvoice-v3-plus	システム音声	音声一覧の固定の形式と内容を使用します。クローン音声とデザイン音声は指示による制御に対応していません。	音声一覧に指定された言語を使用します。
cosyvoice-v3-flash	システム音声	音声一覧の固定の形式と内容を使用します。	中国語。
cosyvoice-v3-flash	クローン音声とデザイン音声	自然言語による指示。	中国語、英語、フランス語、ドイツ語、日本語、韓国語、ロシア語。

方言

方言合成を使用すると、河南方言や四川方言などの中国語方言で音声を生成できます。方言の選択方法は、モデルと音声の種類によって異なります。

Qwen-Audio-TTS
CosyVoice

システム音声: Qwen-Audio-TTS 音声一覧から対象の方言に対応する音声を選択します。方言を直接サポートする音声は追加設定が不要です。方言指示に対応する音声では指示制御パラメーター instruction を使用します。
クローン音声: 指示制御パラメーター instruction で方言を指定します。
デザイン音声: 方言には対応していません。

方言指示に対応する音声では、リクエストの input に instruction="请讲上海话。" を設定すると、中国語のテキストを上海語で合成できます。

システム音声: longshange_v3 など対象の方言を直接サポートする音声、または longanhuan_v3 など方言指示に対応する音声を選択します。音声一覧の形式に従ってください。
クローン音声: 指示による制御に対応するモデルで instruction を使用し、方言を指定します。
デザイン音声: 方言には対応していません。

cosyvoice-v3-plus のクローン音声は、指示による方言の指定に対応していません。

CosyVoice の利用開始の例で、input を次の内容に置き換えると、longanhuan_v3 で河南方言を生成できます。

{
  "text": "叫你去买盐，你买回来一袋面，这不是弄啥嘞吗！",
  "voice": "longanhuan_v3",
  "format": "wav",
  "sample_rate": 24000,
  "instruction": "请用河南话表达。"
}

Qwen3-TTS では対象の方言に対応するシステム音声を使用します。Qwen3-TTS 音声一覧をご参照ください。

感情タグと非言語音タグ

対象モデル：qwen-audio-3.1-tts-plus、qwen-audio-3.1-tts-flash, qwen-audio-3.0-tts-plus, qwen-audio-3.0-tts-flash。

感情タグとパラ言語タグは、音声の感情やスタイルを制御し、指定位置に笑い声やため息などの音を挿入します。追加のパラメーターを使わず、合成対象の text にタグを直接記述します。

使用例

次のテキストは興奮した話し方で始まり、指定した位置で笑い声を挿入してから読み上げを続けます。

[excited]What a beautiful day![laughing]Let us go outside and have some fun!

次のテキストは 2 文目で興奮した話し方に切り替わります。

[serious]Please pay attention to the safety instructions.[excited]Now, let us get started!

対応タグ

制御タグ
非言語音タグ

制御タグは、次の制御タグまでのテキストの感情やスタイルを設定します。長い文が自動分割される場合、効果の範囲は分割されたテキスト単位になります。

タグ	説明
`[sad]`	悲しい
`[amazed]`	驚いた
`[deep and loud shouting]`	低く大きな叫び声
`[trembling]`	震える
`[angry]`	怒った
`[excited]`	興奮した
`[sarcastic]`	皮肉な
`[curious]`	好奇心のある
`[like dracula]`	ドラキュラ風
`[bored]`	退屈した
`[tired]`	疲れた
`[scornful]`	軽蔑した
`[shouting]`	叫ぶ
`[asmr]`	柔らかい ASMR 音声
`[panicked]`	慌てた
`[mischievously]`	いたずらっぽい
`[empathetic]`	共感的な
`[whispers]`	ささやく
`[reluctantly]`	気の進まない
`[crying]`	泣く
`[serious]`	真剣な
`[very slowly]`	非常に遅い
`[very fast]`	非常に速い

非言語音タグは、その位置に音を挿入し、前後のテキストの感情スタイルは変更しません。

タグ	説明
`[gasp]`	息をのむ
`[sighing]`	ため息
`[clears throat]`	咳払い
`[giggles]`	くすくす笑う
`[laughing]`	笑う
`[cough]`	咳
`[snorts]`	鼻を鳴らす

対応モデル

シンガポール
中国（北京）

Qwen-Audio-TTS: qwen-audio-3.1-tts-plus, qwen-audio-3.1-tts-flash, qwen-audio-3.0-tts-plus, qwen-audio-3.0-tts-flash
Qwen3-TTS: qwen3-tts-flash

システム音声と試聴サンプルは、Qwen-Audio-TTS、CosyVoice、Qwen3-TTS の音声一覧をご参照ください。クローン音声またはデザイン音声は、作成時に指定したターゲットモデルで使用してください。

​機能

​利用開始

​合成品質の改善

​言語と発音

​指示による制御

​方言

​感情タグと非言語音タグ

​使用例

​対応タグ

​対応モデル

​API リファレンス

機能

利用開始

合成品質の改善

言語と発音

指示による制御

方言

感情タグと非言語音タグ

使用例

対応タグ

対応モデル

API リファレンス