音声合成の概要

​

モデルの選択

リアルタイムの対話、コンテンツ制作、読み上げの細かな制御など、用途に合わせてモデルを選択します。

用途	推奨モデル	主な機能
音声アシスタント、リアルタイム対話、カスタマーサービス	qwen-audio-3.1-tts-flash	低遅延の対話向けのモデルです。システム音声、音声クローニング、音声デザイン、自然言語の命令、感情・パラ言語タグに対応します。
オーディオブック、吹き替え、ブランド音声、コンテンツ制作	qwen-audio-3.1-tts-plus	音質、自然さ、表現の細部を重視します。システム音声、音声クローニング、音声デザイン、多彩な表現制御に対応します。

各シリーズのモデル ID については、対応モデルをご参照ください。

​

音声の選択

Voice Plazaで音声を試聴できます。各モデルのシステム音声、voice の値、音声サンプルについては、次の表の音声リストをご参照ください。

音声の種類	準備するもの	用途	ドキュメント
システム音声	既存の音声を選択します。音声サンプルや音声の説明は不要です。	既存の音声で要件を満たせるカスタマーサービス、オーディオブック、コンテンツの読み上げなど。	Qwen-Audio-TTS 音声リスト CosyVoice 音声リスト Qwen-TTS 音声リスト
クローン音声	対象の話者の音声サンプルを用意します。	ブランドの代弁者や司会者の音声の再利用、パーソナライズされたアシスタントやバーチャル司会者の作成。	音声クローニング
デザイン音声	「温かみのある低い女性の声」など、希望する音声をテキストで説明します。	録音素材がない場合のブランド音声、ゲームやアニメーションのキャラクター音声の作成。	音声デザイン

音声デザインは、繰り返し使用できる音声を作成します。1 回の合成で話す速さ、感情、話し方を調整するには、命令による制御を使用します。

​

合成方式

合成方式は、テキストの送信方法と音声の受信方法によって異なります。テキストは全文を一度に送信するか、分割して継続的に送信できます。音声は完成後に一括で受信するか、生成中に順次受信できます。音声出力のストリーミングとテキスト入力のストリーミングは別の機能です。

合成方式	テキスト入力	音声出力	用途
非ストリーミング	テキスト全体を一度に送信します。	合成完了後に音声全体を取得します。	合成中の再生が不要なコンテンツ制作。
単方向ストリーミング	テキスト全体を一度に送信します。	合成中に音声を分割して受信します。	テキストが用意されており、できるだけ早く再生を始めたい場合。
双方向ストリーミング	テキストが生成されるたびに断片を送信します。	合成中に音声を分割して受信します。	大規模言語モデルの出力など、テキストが逐次生成されるリアルタイム対話。

• 非リアルタイム合成：全文を 1 回のリクエストで送信し、音声を一括またはストリームで受信します。非リアルタイム音声合成をご参照ください。
• リアルタイム合成：テキストを分割して継続的に送信するか、全文を一度に送信します。リアルタイム音声合成をご参照ください。モバイル端末などのリアルタイム対話では、Realtime API の概要で利用可能な接続プロトコルを選択できます。AOQ（AI over QUIC）は、低遅延と不安定なネットワーク環境での通信に最適化され、エコーキャンセルとノイズ抑制を内蔵しています。

​

合成効果の制御

音声の選択に加え、パラメーター、命令、タグを使用して合成音声を調整できます。

調整する効果	制御方法
話す速さ、ピッチ、音量	モデルが提供する対応パラメーターを設定します。
感情、スタイル、話し方	「ゆっくりと優しく話す」など、自然言語の命令を使用します。
部分的な感情、笑い声や呼吸などの表現	テキストに感情・パラ言語タグを追加します。
発音、間、数字の読み方	SSML タグで読み上げを細かく制御します。
数式の読み上げ	数式を LaTeX で記述します。

パラメーター、対応条件、サンプルについては、合成方式に応じたガイドをご参照ください。

• 非リアルタイム音声合成
• リアルタイム音声合成

​

対応モデル

リージョンを選択すると、各シリーズのモデル ID を確認できます。

​

言語と方言

合成する言語や方言に対応した音声を選択してください。次の表は、モデルシリーズと音声の種類ごとの対応範囲を示します。