19の音声によるリアルタイム音声合成、平易な言語での伝え方、インラインの感情・音声タグ、そしてSSEまたはWebSocketを経由した音声ストリーミング。
Alibaba Cloudオーディオ生成リリース 2026年9月23日Singapore独自エンドポイント新着19の音声によるリアルタイム音声合成、平易な言語での伝え方、インラインの感情・音声タグ、そしてSSEまたはWebSocketを経由した音声ストリーミング。
19の音声の中から1つを選びます。指示とテキスト内のインラインタグで配信を指示します。速度とピッチで表示の長さを変え、請求トークンは変更しません。
別名 Qwen Audio TTS, Alibaba Cloud Qwen Audio 3.1 TTS
qwen-audio-3-1-tts/v1/audio/speechPOST/v1/audio/speech:streamWEBSOCKET/v1/realtimeqwen-audio-3.1-ttsqwen-audio-3.1-tts-flashalibaba/qwen-audio-3-1-ttsEmpirioLabs カタログのライブ従量課金料金です。使った分だけの支払いで、月額最低料金はありません。
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。 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.mp3import requests
response = requests.post(
"https://api.empiriolabs.ai/v1/audio/speech",
headers={"Authorization": "Bearer YOUR_EMPIRIOLABS_API_KEY"},
json={"model": "qwen-audio-3-1-tts", "input": "Welcome to EmpirioLabs."},
)
with open("speech.mp3", "wb") as f:
f.write(response.content)EmpirioLabs 上の Qwen Audio 3.1 TTS API が対応するリクエストパラメーターです。フィールドを省略した場合はデフォルト値が適用されます。
| パラメータ | タイプ | デフォルト | 範囲 / 値 | 説明 |
|---|---|---|---|---|
| input | string | - | 最大 10000 | テキストを合成し、リクエストごとに最大10,000文字まで。これらのインラインタグは、現れる時点から表示内容を変えます:[悲しみ]、[驚き]、[深く大きな叫び]、[震え]、[怒り]、[興奮]、[皮肉]、[好奇心]、[ドラキュラのように]、[退屈]、[疲れ]、[軽蔑]、[叫び]、[ASMR]、[パニック]、[いたずらっぽく]、[共感的... |
| voice | enum | Emily_v3.1 | Emily_v3.1, Luna_v3.1, Eric_v3.1, Luca_v3.1, Abby_v3.1, Annie... | 音声プリセット。15の英語音声は英語を読み、4つの多言語音声は中国語、英語、その他の言語を読みます。すべての音声IDは_v3.1で終わります。例えばEmily_v3.1。 |
| response_format | enum | mp3 | mp3, wav, pcm, opus | オーディオコンテナ。mp3とopusは圧縮され、wavはRIFFヘッダー内の非圧縮PCM、PCMはチャンク再生用のヘッダーなしの生サンプルです。 |
| sample_rate | enum | 24000 | 8000, 12000, 16000, 22050, 24000, 44100, 48000 | 出力サンプルレート(Hz)は音声再生に適し、48000はより大きなファイルサイズで放送品質の出力を提供します。 |
| speed | number | 1 | 0.5 から 2 | 話す速度の倍率。0.5は半速、2.0は倍速です。 |
| pitch | number | 1 | 0.5 から 2 | ピッチ倍率。1.0未満の値は声を下げ、1.0を超えると声を上げます。ピッチはレンダリングされた音声のペースも変化させるので、元の長さを維持したい場合は速度と組み合わせてください。 |
| volume | integer | 50 | 0 から 100 | 出力ラウドネス、ここで基準レベルは50です。 |
| instruction | string | - | 最大 1000 | 自然言語による指示、最大1,000文字まで対応。感情、トーン、キャラクター、ペース、話し方をコントロールできます。例えば「興奮した明るい口調で速く話す」や「深夜ラジオ司会者のようにゆっくり読む」などです。 |
| language_hints | array | - | zh, en, fr, de, ja, ko, ru, pt, th, id, vi, es, it, ms, fil, ar | 言語コードは混合言語テキストの発音に偏りをつけます。例えば["zh", "en"]。モデルが言語を検出できるようにセットを解除しておきます。 |
| seed | integer | 0 | 0 から 65535 | 種のサンプリング。同じ入力と設定を持つシードを再利用すれば、再現可能なレンダリングが可能です。 |
| bit_rate | integer | 32000 | 6000 から 510000 | エンコーダーのビットレートはBPSで。opusフォーマットにのみ適用され、mp3、wav、pcmでは無視されます。 |
| pronunciation | object | - | - | 発音は書き言葉のキーに重なって上書きされます。例えば{"重要": "zhong4 yao4"}。名前、頭字語、同音異義語の修正に使う。 |
| replace | object | - | - | 合成前に適用される文字通りのテキスト置換、例えば{"EmpirioLabs": "Empirio Labs"}。ブランド名や略称に便利です。 |
| enable_markdown_filter | boolean | false | - | 合成前にアスタリスクやアンダースコアなどのMarkdown構文を除去し、フォーマット文字が声に出さないようにしましょう。 |
EmpirioLabs では Qwen Audio 3.1 TTS は従量課金です: 入力 $0.46 1Mプロンプトトークンあたり; ソリューション $3.74 生成された1Mトークンあたり。このページのライブ料金表は常に API の請求額と一致します。
Qwen Audio 3.1 TTS は api.empiriolabs.ai 上の POST /v1/audio/speech で提供され、標準的な Bearer トークン認証を使用します。
EmpirioLabs プレイグラウンド を開き、Start session を押すとブラウザーで試せます。Qwen Audio 3.1 TTS はリクエストとレスポンスではなく WebSocket 上で動作するため、組み込むときは リアルタイム音声クイックスタート から始めてください。EmpirioLabs の API キーとモデル ID qwen-audio-3-1-tts を使ってサーバーから接続し、音声を双方向にストリーミングします。
EmpirioLabs アカウントを作成し、ダッシュボードの API Keysでキーを生成してください。課金は従量制クレジットなので、実行したリクエストの分だけ支払います。
