← すべてのモデル

Qwen-Audio-3.0-TTS-Flash

公開日 提供元 Alibabaqwen-audio-3.0-tts-flash

概要

リアルタイムの対話向けに最適化された音声合成モデル。テキストを入力し、音声を出力する。公式発表では、音声アシスタント、リアルタイム対話、インテリジェントカスタマーサービスなどへの利用を想定している。リリース日:2026年7月14日。(alibabacloud.com)

能力と用途

  • 自由形式の指示や細かなタグによって、感情、口調、役柄、話速、音量などを調整できる。多言語や中国語方言にも対応する。公式発表は初回音声パケットの遅延を200ミリ秒以内としているが、実際の利用条件での保証値とは確認できない。(alibabacloud.com)
  • WebSocketによる利用、音声クローン、指示制御に対応する。クローン音声では日本語を含む言語に対応するが、利用できる言語は音声の種類によって異なる。(docs.qwencloud.com)

制限

音声デザイン、Function Calling、構造化出力、ウェブ検索、コンテキストキャッシュ、バッチ推論、ファインチューニングには非対応。公式モデル情報では最大入力長、最大出力長、コンテキスト長の数値は示されていない。北京・シンガポールの公表レート制限は各180リクエスト/分。(docs.qwencloud.com)

料金

以下は2026年11月16日に確認した公式通常料金で、期間限定割引を含まない。いずれも入力テキストの文字数で課金し、出力音声への追加課金はない。異なるサイト・地域の料金であり、同一プランの通貨換算ではない。(help.aliyun.com)

公式サイト・提供地域 入力料金 出力料金
中国国内サイト・中国北部2(北京) CNY 1 / 10,000文字 無料
中国国内サイト・シンガポール、国際展開 CNY 1.12413 / 10,000文字 無料
国際サイト・シンガポール、国際展開 USD 0.15 / 10,000文字 無料
国際サイト・中国本土(北京) USD 0.137521 / 10,000文字 無料

国内サイトの文字数計算では、日本語の漢字は1字につき2文字、かなは1字につき1文字として数える。SSMLタグ自体は課金文字数に含まれない。(help.aliyun.com)

公式情報源