Qwen Audio 3.0 TTS

位置づけの概要

qwen-audio-3.0-tts-flash は、Qwen Audio 3.0 TTS シリーズの中でリアルタイム対話向けのテキスト読み上げモデルであり、HiAPI.ai の統一インターフェース経由で呼び出します。入力テキストを自然な音声に合成し、中国語・英語・日本語・韓国語など16言語のヒントに対応し、自然言語の指示で感情や表現スタイルを調整できます。音声アシスタント、対話型アプリ、カスタマーサポートのアナウンス、多言語の吹き替えを構築する開発者に適しており、とくに最初のパケットの遅延に敏感で、応答速度と音質のバランスが求められるリアルタイムの場面に向いています。1回のタスクあたりのテキスト上限は20000 Unicodeコードポイントです。

主な特長

• リアルタイム対話向けの低遅延グレード——Flash はリアルタイム応答を志向し、最初のパケットの遅延は300ミリ秒級で、同期対話や音声アナウンスの経路に適しています。
• 指示による感情と表現スタイルの制御——任意の instruction フィールドで話し方や表現方法を記述でき、音声の後処理を減らせます。
• 多言語合成を幅広くカバー——16言語のヒントに対応し、同一モデルで多言語コンテンツを提供できるため、言語ごとにモデルを切り替える必要がありません。
• 出力形式とサンプリングレートを選択可能——pcm、wav、mp3、opus の4種類の出力に対応し、サンプリングレートは8000〜48000 Hz を再生側に合わせて選択できます。

機能説明

多言語テキスト読み上げ：テキストと音声を指定すれば音声を合成でき、language_hints で対象言語を指定できるため、一度の接続で多言語のコンテンツ制作をカバーできます。

きめ細かな音声パラメータ調整：話速とピッチはいずれも0.5〜2倍の範囲で調整でき、音量は0〜100で、さまざまな再生機器やコンテンツのテンポに合わせられます。

出力形式とサンプリングレートの制御：mp3、wav、pcm、opus の出力を選択でき、サンプリングレートは8000〜48000 Hz をカバーし、opus では6〜510 kbps のビットレートも指定できます。

指示とシードの制御：instruction フィールドは合成スタイルの記述に用い、seed で乱数シードを固定できるため、同じ合成結果の再現や安定した回帰テストが容易です。

長文の単一タスク合成：1回のタスクで最大20000 Unicodeコードポイントのテキストを受け付けるため、長い段落を呼び出し側で事前に分割する必要がありません。

適用シーン

• リアルタイム音声アシスタント開発者：対話応答テキスト——対話システムの応答をリアルタイムに音声へ合成し、音声アシスタントや対話型アプリのアナウンス部分に直接組み込めます。
• カスタマーサポートとコールセンター：アナウンス文言テキスト——標準的なトークスクリプトや通知内容を一括で音声化し、電話発信、IVR の案内、チケット状態の読み上げに利用できます。
• オンライン教育とオーディオコンテンツ：講座原稿——教材や講義原稿を話速調整可能な音声に合成し、講座のナレーションやオーディオブック制作に用います。
• 多言語コンテンツチーム：多言語コピー——同じコピーを言語ヒントに応じて異なる言語版へ合成し、製品の海外展開や多言語動画の吹き替えに利用できます。

制限と選定のアドバイス

本モデルは Flash グレードであり、応答速度を優先するため、音声の自然さと忠実度は同シリーズの Plus 変体に及びません。完成音質に高い要件がある場面では Plus への変更をおすすめします。システム音声は選択可能な値が4つだけで、テキスト記述からの音声設計には対応していません。声のクローン機能は本モデルのパラメータ範囲外です。合成は出力文字数で課金され、CJK 文字は2文字として計算されるため、長文を一括生成する際は使用量を見積もる必要があります。セルフホスト型のデプロイやオープンウェイトが必要な場合は、本モデルの適用範囲外です。