使用ガイド

Qwen-Audio 3.0 TTS Plus：EC向けナレーションに特化した音声合成モデル

Sep 22, 2026

Qwen-Audio 3.0 TTS Plus はテキスト読み上げモデルであり、画像生成器ではありません。AI商品画像を求めてここに来たのであれば、本当に必要なのは GPT Image 2 のような画像モデルです。このモデルが本当に得意とするのは、書き上がったスクリプトを数秒でクリーンなナレーションに変えることであり、これはまさにほとんどのECチームが実際に音声を必要とするシーンです。商品動画のナレーション、プロモーション用の音声、そして同一文内で言語を切り替える越境商品のコピーなどです。以下では、HiAPI の /v1/tasks エンドポイントを通じて生成した2つの実際のナレーションを紹介し、併せてインターフェース構造、料金、商品出品フローへの組み込み方についても説明します。

ECチームは結局のところ TTS を何に使うのか

ほとんどの店舗は常勤のナレーターを雇う必要はありません。必要なのは、ショート動画の商品コンテンツ用ナレーションを付け、TikTok Shop や Reels などのプラットフォーム向けのプロモーション短編に音声トラックを追加し、さらに自分が使うショッピング言語で聞きたいバイヤーがいる市場向けに商品コピーをローカライズする、迅速で再現可能な手段です。SKU ごとに数秒のスクリプト音声をオンデマンドで生成すれば、録音スタジオに入ることなくこれら3つのニーズをカバーできます。

2つの実際のナレーション、リクエストから完成品まで

私たちは2つの実際のスクリプト（プレースホルダーテキストではありません）をモデルに通して、実際の出力効果とコストを確認しました。

テスト1：英語の商品動画ナレーション

リクエスト：

{
  "model": "qwen-audio-3.0-tts-plus",
  "input": {
    "text": "Introducing the AeroFit wireless earbuds. Twenty-eight hours of battery life, active noise cancellation, and a charging case that fits in your pocket. Free shipping ends tonight.",
    "voice": "longanlingxin"
  }
}

実際の結果：

{
  "taskId": "tk-hiapi-01M33PRBVZJDDXKMHK7ANDG5DK",
  "status": "success",
  "model": "qwen-audio-3.0-tts-plus",
  "created": 1790052151,
  "completed": 1790052159,
  "storage": "temp",
  "output": [
    {
      "type": "audio",
      "url": "https://temp.hiapi.ai/7c6ttvrbpt/01M33PRBVZJDDXKMHK7ANDG5DK-0.mp3",
      "artifactId": "187560",
      "expireAt": 1790656959
    }
  ]
}

これは178文字のスクリプトで、生成は8秒で完了し、コストは約0.007ドルでした。私たちは format を設定しなかったため、出力はデフォルトで MP3 です。動画編集ソフトの音声トラックにドラッグする前に、別途エンコードする必要はありません。

テスト2：中英バイリンガルの越境商品ナレーション

リクエスト：

{
  "model": "qwen-audio-3.0-tts-plus",
  "input": {
    "text": "欢迎选购 AeroFit 无线耳机。This is our best-selling model on TikTok Shop this month. 电池续航二十八小时，支持主动降噪。Ships worldwide, free returns within 30 days.",
    "voice": "longanlufeng",
    "sample_rate": 44100
  }
}

実際の結果：

{
  "taskId": "tk-hiapi-01M33PS3GPV0GBXBSHYDMAEA5A",
  "status": "success",
  "model": "qwen-audio-3.0-tts-plus",
  "created": 1790052175,
  "completed": 1790052184,
  "storage": "temp",
  "output": [
    {
      "type": "audio",
      "url": "https://temp.hiapi.ai/7c6ttvrbpt/01M33PS3GPV0GBXBSHYDMAEA5A-0.mp3",
      "artifactId": "187562",
      "expireAt": 1790656984
    }
  ]
}

このスクリプトは138文字で、文の途中で中国語と英語を混在させています。言語フラグを別途設定する必要はありません。モデルは text の内容をそのまま読み取り、同じ音声内で2つの言語をきれいに切り替えます。生成には9秒かかり、コストは約0.0055ドルでした。

この記事を読んでいる頃には、上記2つの音声はほぼ確実に期限切れになっています。デフォルトの storage モードは temp で、expireAt は created の約7日後です。これは想定された動作であり、故障ではありません。実際の出力品質と所要時間の記録として扱ってください。本番環境では、タスクが完了したらすぐに output[0].url をダウンロードし、自社ストレージに再ホストしてください。

インターフェース構造と料金の概要

リクエスト構造は小さく厳格です（余分なフィールドは拒否されます）：

text（文字列、必須）— 読み上げるスクリプト
voice（列挙、必須）— longanlingxin または longanlufeng の2つのみ選択可能
format（列挙、任意）— mp3（デフォルト）、wav、pcm、または opus
sample_rate（列挙、任意）— 8000、16000、22050、24000、44100、48000 のいずれか
pitch（数値、任意）— 0.5 から 2
volume（数値、任意）— 0 から 100

このモデルには感情、話速、SSML の制御はありません。トーンとリズムは、スクリプトにどのように句読点や区切りを入れるかによって決まります。

料金は1,000文字あたり0.04ドルで、HiAPI のリアルタイム価格エンドポイントで確認済みです。150文字の商品紹介は1セントを大きく下回るコストです。この長さの短い紹介500件でも総コストは約3ドルです。Qwen-Audio 3.0 TTS Plus モデルページにはリアルタイムの Playground があり、API を組み込む前に自分のスクリプトをテストし、2つの音色を試聴したい場合にそのまま利用できます。

商品出品または動画ワークフローへの組み込み

実際に読み上げたときの効果を基準にスクリプトを書く（またはローカライズする）。
POST /v1/tasks に、モデル、text のスクリプト、voice を含めてリクエストを送信する。
GET /v1/tasks/<id> をポーリングするか、コールバックを使用して、status が success になるまで待つ。
すぐに output[0].url をダウンロードする。一時リンクを保存しないこと。
MP3 を自社ストレージまたは CDN に再ホストする。
動画編集ソフトの音声トラックに配置するか、商品ページに直接添付する。

タスク作成リクエストに Idempotency-Key リクエストヘッダーを設定すると、タイムアウト後に再試行した呼び出しが重複した音声クリップを生成（および課金）しなくなります。フィールドごとのリクエストとレスポンスの完全な説明については、qwen-audio-3.0-tts-plus API チュートリアルをご覧ください。

できないこと

感情や話速のパラメータはありません。ある文にもっと訴求力が必要な場合は、音色設定を探すのではなく、より短い文とより明確な句読点で書き直すべきです。
音声のみです。商品ページのビジュアル部分は処理しません。商品写真や動画素材には画像または動画モデルを組み合わせる必要があります。
デフォルトでは一時ストレージを使用します。永続ストレージを要求しない限り、リンクの有効期限は約7日です。初日から再ホストのステップをフローに組み込んでください。
音色は2種類のみです。商品カタログ全体で一貫したブランドボイスが必要な場合、これはむしろ頼りになる制約です。SKU ごとに毎回ランダムに選ぶのではなく、同じ2つの音色を使い続けられます。

よくある質問

qwen-audio-3.0-tts-plus は感情を込めた、または表現力豊かな音声をサポートしていますか？

いいえ。インターフェースが公開しているのは pitch（0.5～2）と volume（0～100）のみで、感情、スタイル、SSML の制御はありません。表現力はスクリプト自体の書き方と句読点から生まれます。

qwen-audio-3.0-tts-plus は1回のリクエストで中国語と英語が混在したテキストを読み上げられますか？

はい。上記の2番目のテストでは同じ text フィールドに中国語と英語を混在させましたが、モデルは別途言語パラメータを設定することなく、両者をきれいに切り替えました。

qwen-audio-3.0-tts-plus の出力ファイルはどのくらい保持されますか？

デフォルトでは storage が temp で、expireAt はタスク完了の約7日後です。長期保存が必要な場合は、その期間が終了する前にファイルをダウンロードして再ホストしてください。

qwen-audio-3.0-tts-plus はどの音声フォーマットをサポートしていますか？

mp3（デフォルト）、wav、pcm、opus で、任意の format フィールドで設定します。

より安価な Qwen-Audio TTS のティアはありますか？

はい。同シリーズの Qwen-Audio 3.0 TTS Flash は1,000文字あたり0.03ドルで、Plus は0.04ドルです。両者は同じタスクベースの API 形態を共有しています。

実際に試してみる

商品出品にさらに画像ではなくナレーションが必要なら、Qwen-Audio 3.0 TTS Plus は迅速で低コストな実現方法です。まずモデルページの Playground でスクリプトを実行し、各音色を試聴してから、商品カタログ全体のスクリプトを作成してください。その他の音声・音楽モデルについては、HiAPI の AI 音声 API コレクションをご覧ください。

重要なポイント

読み上げてほしい通りに完全なスクリプトを書くこと。話速パラメータが別途ないため、句読点と区切りがリズムを制御します。
プロジェクト単位ではなくスクリプト単位で予算を組むこと。1,000文字あたり0.04ドルで、典型的な150文字の商品ナレーションは1セント未満です。大規模でもカタログ全体のナレーションコストは低く抑えられます。
各出力を直ちにダウンロードして再ホストすること。デフォルトの一時ストレージ期間は約7日で、永続ストレージを要求しない限り恒久的なホスティングはありません。
このモデルは音声のみを出力します。商品ページのビジュアル部分には画像または動画モデルを組み合わせる必要があり、商品写真の生成は期待できません。