Qwen Audio 3.1 TTS vs Qwen Audio 3.0 TTS

Qwen Audio 3.1 TTS vs Qwen Audio 3.0 TTS の概要

Qwen Audio 3.1 TTS と Qwen Audio 3.0 TTS はどちらも Alibaba Cloud のモデルで、オーディオ生成カテゴリに属し、EmpirioLabs API から利用できます。

主な違い

• Qwen Audio 3.1 TTS のほうが新しいリリースです (2026年9月23日)。Qwen Audio 3.0 TTS のリリースは 2026年7月20日 です。
• Qwen Audio 3.1 TTS だけに記載されている機能: streaming, realtime。
• Qwen Audio 3.0 TTS だけに記載されている機能: dialect。

Qwen Audio 3.1 TTS vs Qwen Audio 3.0 TTS: 仕様

Qwen Audio 3.1 TTS vs Qwen Audio 3.0 TTS: API の料金

両モデルの EmpirioLabs カタログのライブ料金です。各料金表は常に API の請求額と一致します。

Qwen Audio 3.1 TTS vs Qwen Audio 3.0 TTS: API のパラメーター

EmpirioLabs で各モデルに記載されているリクエストパラメーターと、指定できる値または範囲です。ハイフンは、そのモデルに記載のないパラメーターを示します。

Qwen Audio 3.1 TTS vs Qwen Audio 3.0 TTS: 上限と注意点

Qwen Audio 3.1 TTS

声

• 19人の声:英語の声が15人、多言語の声が4人。エミリー、ルナ、エリック、ルカはイギリス英語のアクセントを持っています。アビー、アニー、エイヴァ、ベス、ベティ、キャリー、シンディ、ドナ、アンディ、ブライアン、デイビッドはアメリカ英語のアクセントです。多言語の声longanhuan_v3.1、longanlingxin_v3.1、longanfengyue_v3.1、xunanchuan_v3.1は中国語、英語、その他の言語を読みます。
• 例えば、すべての声IDは終わる音_v3.1、例えばEmily_v3.1です。

カスタムボイス

• voiceをcustomに設定し、1人のスピーカーから10〜20秒間のクリアな発話をするためのhttps URLvoice_audio_urlパスしてください。
• WAV、MP3、M4A、OGG、WEBM、FLACが対応しており、最大15MBまで対応可能です。音楽や他の声が流れない静かな部屋で録音できます。
• 応答にはvoice_idとvoice_id_expires_atが含まれます。voice_idをvoiceとして渡し、POST /v1/audio/speech、POST /v1/audio/speech:stream、またはリアルタイムsession.updateソケットで7日間、同じフィールドを使いsession.updatedvoice_id返します。作成したアカウントだけが使用可能です。
• このモデルでは、各アカウントで同時に10のカスタムボイスを保持できます。
• GET /v1/voices?model=qwen-audio-3-1-ttsモデルの声と、あなたのカスタム声とそのIDを一覧表示します。カスタム声のみをリストするtype=customを追加してください。
• DELETE /v1/voices/{voice_id}?model=qwen-audio-3-1-ttsカスタムボイスを削除し、その位置がすぐに解放されます。
• Playgroundで「Voice」をカスタムに設定して、保存したボイスを再度使うか、IDをコピーするか、削除してください。
• カスタムボイスの作成、リスト作成、削除には料金がかかりません。

配達方向

• instruction感情、トーン、キャラクター、ペース、話し方を自然言語で設定し、最大1,000文字まで表現します。
• テキスト内のインラインタグは、その時点からの配信(例えば[excited]や[whispers]、[laughing]や[sighing]のような一度きりの音を追加します。タグの全リストはinputパラメータにあります。
• SSML入力はサポートされていません。

入力制限

• リクエストごとに最大10,000文字まで対応可能です。
• language_hints言語混合テキストの発音に偏りがあります。

ソリューション

• MP3、WAV、PCM、またはOpus(8,000〜48,000Hz)などです。
• POST /v1/audio/speech:stream音声が生成される間に音声のチャンクを送信します。

リアルタイム

• WEBSOCKET /v1/realtime?model=qwen-audio-3-1-ttsテキストが書かれている間に受け取り、生成された音声を返します。イベントinput_text_buffer.append送信し、input_text_buffer.commit、またはセッションを終了するためにsession.finishします。
• 音声はresponse.audio.delta、デフォルトで24,000Hzの16ビットPCM、またはMP3やOpusの16ビットイベントで届きます。音声、命令、フォーマットなどのオプションをsession.updateで設定できます。次のセグメントから変更が適用されます。
• テキストは文の境界で終わるセグメントに分けられ、各セグメントはその用法を示すresponse.doneイベントで終わります。

請求

• 入力トークンはテキスト、出力トークンは12.5トークン/秒で生成される音声です。
• 速度とピッチはレンダリングされた音声の長さを変えますが、請求されたトークンは変わりません。配信を遅くする命令は出力トークンを追加します。

Qwen Audio 3.0 TTS

階層

• さらに:コンテンツ制作、オーディオブック、吹き替え、ブランドボイスワークにおいて、最高音質と表現力を誇ります
• Flash:リアルタイム操作に最適化され、初回パケット遅延を低く、音声アシスタントやライブエージェント向けに調整されています
• model_tierパラメータで切り替えるか、モデルIDとしてqwen-audio-3.0-tts-plusやqwen-audio-3.0-tts-flashを送信してください。

声

• 1,000以上の基本ボイスが両ティアですべて利用可能なので、ティアを変更しても選択したボイスは保持されます
• 6つのフラッグシップシステム音声はティアごとに対応しています:Plusではlonganlingxinとlonganlufeng、Flashではlonganhuan_v3.6、longjielidou_v3.6、loongeva_v3.6、loongjohn
• GET /v1/voicesで全カタログを見て、どんな声でも通voice_id

カスタムボイス

• voiceをcustomに設定し、1人のスピーカーから10〜20秒間のクリアな発話をするためのhttps URLvoice_audio_urlパスしてください。
• WAV、MP3、M4A、OGG、WEBM、FLACが対応しており、最大15MBまで対応可能です。音楽や他の声が流れない静かな部屋で録音できます。
• 音声は選択したmodel_tierのために作成されます。応答にはvoice_idとvoice_id_expires_atが含まれます:同じmodel_tierでvoice_idをvoiceまたはvoice_idとして渡し、7日間再利用します。作成したアカウントのみが使用可能です。
• このモデルでは、各アカウントで同時に10のカスタムボイスを保持できます。
• GET /v1/voices?model=qwen-audio-3-0-ttsモデルの声、あなたのカスタムボイスとそのIDもリストアップします。カスタムボイスのみをリストアップするためにtype=customを追加してください。
• DELETE /v1/voices/{voice_id}?model=qwen-audio-3-0-ttsカスタムボイスを削除し、その位置が一気に解放されます。
• Playgroundで「Voice」をカスタムに設定して、保存したボイスを再度使うか、IDをコピーするか、削除してください。
• カスタムボイスの作成、リスト作成、削除には料金がかかりません。

入力制限

• リクエストごとに最大20,000文字まで
• instruction最大128文字まで対応可能です
• SSML入力はサポートされていません。instructionは配信方向に使い、テキスト内のインラインタグは[excited]や[whispers]に配置してください

請求

• 入力テキストの文字単位で、選択した階層の料金で請求されます

Qwen Audio 3.1 TTS と Qwen Audio 3.0 TTS の呼び出し方

Qwen Audio 3.1 TTS は POST /v1/audio/speech で音声を生成し、再生可能なオーディオを返します。読み上げるテキストを input として、モデル ID qwen-audio-3-1-tts と一緒に送信してください。 どちらのモデルも同じエンドポイントで呼び出します。model を qwen-audio-3-1-tts または qwen-audio-3-0-tts に設定してください。 EmpirioLabs ダッシュボードで API キーを取得してください。

curl https://api.empiriolabs.ai/v1/audio/speech \
  -H "Authorization: Bearer $EMPIRIOLABS_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "qwen-audio-3-1-tts",
    "input": "Welcome to EmpirioLabs. Your build just finished."
  }' \
  --output speech.mp3

Qwen Audio 3.1 TTS vs Qwen Audio 3.0 TTS: テストとガイド

両方のモデルを扱ったプロンプトテストと比較実験です。

ガイド Qwen Audio 3.1 TTS vs Qwen Audio 3.0 TTS vs Gemini 3.8 Flash TTS vs StepAudio 3 TTS:1つのスクリプト Qwen Audio 3.1 TTS、Qwen Audio 3.0 TTS、Gemini 3.8 Flash TTS、StepAudio 3...

Qwen Audio 3.1 TTS vs Qwen Audio 3.0 TTS: よくある質問

Qwen Audio 3.1 TTS と Qwen Audio 3.0 TTS の違いは何ですか?

Qwen Audio 3.1 TTS のほうが新しいリリースです (2026年9月23日)。Qwen Audio 3.0 TTS のリリースは 2026年7月20日 です。 Qwen Audio 3.1 TTS だけに記載されている機能: streaming, realtime。 Qwen Audio 3.0 TTS だけに記載されている機能: dialect。 このページの仕様、料金表、パラメーターは EmpirioLabs のライブカタログに基づいています。

Qwen Audio 3.1 TTS と Qwen Audio 3.0 TTS ではどちらが新しいですか?

Qwen Audio 3.1 TTS のほうが新しいリリースです (2026年9月23日)。Qwen Audio 3.0 TTS のリリースは 2026年7月20日 です。

Qwen Audio 3.1 TTS と Qwen Audio 3.0 TTS ではどちらの料金が低いですか?

2 つのモデルは課金単位または階層が異なるため、このページのライブ料金表で比較してください。料金表は常に API の請求額と一致します。

統合を作り直さずに Qwen Audio 3.1 TTS と Qwen Audio 3.0 TTS を切り替えられますか?

はい。どちらのモデルも同じ EmpirioLabs API キーで POST /v1/audio/speech を使うため、ほとんどの連携は model の値を変えるだけで切り替えられます。モデル固有のパラメーターに依存している場合は、先にこのページのパラメーター表を確認してください。