概要
GLM-TTSは、テキストから音声を生成する産業向け音声合成システムです。2025年12月10日に発表され、モデルの重みが公開されました。BigModelではAPIとしても提供されています。(zhipuai.cn)
主な能力と用途
- 短い参照音声を用いたゼロショット音声クローンに対応します。公式モデルカードは参照音声の長さを3〜10秒としています。
- 多報酬強化学習によって感情や韻律の表現を改善し、ストリーミング推論や音素レベルの発音制御をサポートします。
- 中国語を主とし、中国語と英語の混在テキストに対応します。対話型アプリケーションや音声読み上げへの組み込みに利用できます。(huggingface.co)
- 音声トークンを生成する自己回帰モデルと、音響生成・波形再構成を行うモデルによる二段階構成です。(zhipuai.cn)
制限・留意点
- 公式資料は中国語と英語の混在を中心に説明しており、日本語への対応や品質は確認できません。
- 音声クローンは参照音声を必要とします。利用時は対象者の同意と適用される権利・規約を確認してください。
- モデル全体の能力と、公開重みや各APIで利用できる機能が常に同一とは限りません。(huggingface.co)
料金
中国国内のBigModel API:GLM-TTSの音声生成は、テキスト入力1万文字あたり2 CNY(人民元)です。料金表に音声出力の別途単価は記載されておらず、出力課金の有無は未確認です。これはトークン単価ではなく文字数単価です。別サービスのGLM-TTS-Cloneは音色クローン1回あたり6 CNYで、音声生成の単価とは別に掲載されています。(docs.bigmodel.cn)
国際向けZ.aiの公式料金表も確認しましたが、GLM-TTSの料金は掲載されていませんでした。確認日:2026年11月17日。(docs.z.ai)