録音をアップロードして音声を作成し、Qwen-Omni または Qwen-Omni-Realtime の会話で使用できます。このガイドでは、対応言語、音声の要件、クローニング手順、課金、音声の管理について説明します。
音声の要件
録音の品質はクローニングの結果に影響します。
システム音声と音声クローニングでは、対応する方言が異なります。次の表は、音声クローニングに対応する言語と方言を示します。システム音声については、音声一覧 を参照してください。
項目 | 要件 |
|---|---|
対応形式 | WAV(16 ビット)、MP3、M4A |
長さ | 10~20 秒を推奨します。最大: 60 秒。 |
ファイルサイズ | < 10 MB |
サンプルレート | >= 24 kHz |
チャンネル数 | モノラル |
内容 | 背景音のない、連続した明瞭な発話を少なくとも 3 秒間含めてください。残りの部分には短い間(<=2 秒)を含めることができます。音声全体を通じて、BGM、ノイズ、他の人の声を避けてください。通常の話し声を入力として使用し、楽曲や歌唱音声はアップロードしないでください。 |
言語 | 中国語(zh)、英語(en)、ドイツ語(de)、イタリア語(it)、ポルトガル語(pt)、スペイン語(es)、日本語(ja)、韓国語(ko)、フランス語(fr)、ロシア語(ru)、タイ語(th)、インドネシア語(id)、アラビア語(ar)、チェコ語(cs)、デンマーク語(da)、オランダ語(nl)、フィンランド語(fi)、ヘブライ語(he)、ヒンディー語(hi)、アイスランド語(is)、マレー語(ms)、ノルウェー語(no)、ペルシャ語(fa)、ポーランド語(pl)、スウェーデン語(sv)、タガログ語(tl)、トルコ語(tr)、ウルドゥー語(ur)、ベトナム語(vi) 中国語の方言: Dongbei、Shannxi、Sichuan、Henan、Changsha、Tianjin、Hangzhou、Liaoning、Shenyang、Anshan |
クイックスタート
1. ワークフロー
音声を作成してから、モデル呼び出しで使用します。
-
音声の作成
音声の作成 API を呼び出し、音声クリップをアップロードします。システムは音声を分析し、カスタムのクローン音声を作成します。この手順では、音声を使用する omni モデルを指定するために、
target_modelを必ず設定してください。 すでに音声を作成している場合は、この手順をスキップして次に進めます。音声の一覧取得 API を呼び出すと、既存の音声を確認できます。 -
会話で音声を使用する
作成した音声を指定して、Omni API(リアルタイムまたは非リアルタイム)を呼び出します。Omni モデルは
target_modelと一致する必要があります。
2. モデルの設定と前提条件
モデルを選択し、前提条件を満たしてください。
モデルの設定
音声クローニングには、次の 2 つのモデルが必要です。
- 音声クローニングモデル:qwen-voice-enrollment
-
音声を使用する Omni モデル:
- qwen3.8-omni-flash-realtime
- qwen3.5-omni-plus-realtime
- qwen3.5-omni-flash-realtime
- qwen3.5-omni-plus
- qwen3.5-omni-flash
前提条件
- API キーの取得:API キーの取得 を参照してください。セキュリティのため、API キーは環境変数に設定してください。
- SDK のインストール:最新の DashScope SDK のインストール を参照してください。
- クローニング用の音声の準備:音声の要件 を満たす音声を用意してください。
3. エンドツーエンドの例
この例では、音声をクローニングし、その音声を会話で使用します。
重要な原則:クローニング時に指定した target_model は、その後の Omni API 呼び出しで指定するモデルと一致する必要があります。一致しない場合、合成は失敗します。サンプルファイル voice.mp3 を自分の音声に置き換えてください。
- リアルタイム
- 非リアルタイム
音声のクォータと自動削除
総数の上限:1 アカウントあたり 1,000 件の音声です。
この API には、音声数を取得するエンドポイントはありません。音声の一覧取得 API を呼び出して音声数を数えてください。自動削除:1 年間使用されなかった音声は自動的に削除されます。
課金
音声クローニングとモデル呼び出しは、個別に課金されます。
-
音声クローニング:音声の作成 は、1 件あたり $0.01 です。作成リクエストが失敗した場合は課金されません。
無料クォータ(中国サイトの北京リージョンおよび国際サイトのシンガポールリージョンのみ):
- Model Studio の有効化から 90 日以内は、1,000 件の音声を無料で作成できます。
- 作成に失敗した場合、無料クォータは消費されません。
- 音声を削除しても、無料クォータは回復しません。
- 無料クォータを使い切るか、90 日の有効期間が終了すると、音声の作成は 1 件あたり $0.01 で課金されます。
- クローン音声を使用した会話は、モデルのトークン使用量に基づいて課金されます。モデル推論の料金 を参照してください。
著作権と法令遵守
提供する音声の権利保有と適法な使用については、お客様が責任を負います。サービス契約 をお読みください。
録音ガイド
録音機器
ノイズキャンセリングマイクを使用するか、静かな環境でスマートフォンを口元に近づけて録音してください。
録音環境
場所
- 10 平方メートル以下の、小さく閉じられた空間で録音してください。
- 吸音フォーム、カーペット、カーテンなど、音を吸収する素材がある部屋を選んでください。
- 残響の大きい広いホール、会議室、教室は避けてください。
ノイズの抑制
- 屋外の騒音:ドアと窓を閉めて、交通、工事、その他の外部の音を遮断してください。
- 室内の騒音:エアコン、扇風機、蛍光灯の安定器の電源を切ってください。
- スマートフォンで環境音を録音し、大きな音量で再生して、気づきにくい騒音源を確認してください。
残響の抑制
- 残響があると、音声がこもり、明瞭さが低下します。
- 滑らかな表面からの反射を減らしてください。カーテンを閉め、クローゼットの扉を開け、机や棚を衣服や毛布で覆います。
- 本棚や布張りの家具など、形が不規則な物を利用して音を拡散反射させてください。
録音原稿の準備
- 原稿は、対象のユースケースに合わせて作成してください。たとえば、カスタマーサービス向けなら、接客会話のスタイルを使用します。
- 政治、ポルノ、暴力に関する内容など、センシティブまたは違法な内容を原稿に含めないでください。これらが含まれていると、クローニングは失敗します。
- 「こんにちは」や「はい」などの短いフレーズは避けてください。完全な文章を使用してください。
- 意味のつながりを保ち、読み上げ時に頻繁に間を空けないでください。少なくとも 3 秒間、途切れずに発話することを推奨します。
- 親しみやすさや真剣さなど、目的の感情を表現できます。自然な口調を保ち、過度な演技は避けてください。
推奨手順
一般的な寝室を例にすると、次の手順になります。
- ドアと窓を閉めて、外部の騒音を遮断します。
- エアコン、扇風機、その他の電化製品の電源を切ります。
- カーテンを閉めて、ガラス面からの反射を減らします。
- 机の表面を衣服や毛布で覆い、机からの反射を減らします。
- 原稿を練習し、キャラクターの口調を決めて、自然に話します。
- 破裂音によるひずみや信号の低下を防ぐため、録音機器から約 10 cm の距離を保ってください。