すべてのプロダクト
Search

このプロダクト

    Alibaba Cloud Model Studio:Qwen-Audio-TTS HTTP API

    ドキュメントセンター

    Alibaba Cloud Model Studio:Qwen-Audio-TTS HTTP API

    最終更新日:Oct 29, 2026

    Qwen-Audio-TTS の HTTP 非リアルタイム音声合成 API。非ストリーミングと SSE の呼び出し、リクエストパラメーター、レスポンスフィールドを説明します。

    エンドポイント

    YOUR_WORKSPACE_ID を対象リージョンのワークスペース IDに置き換え、同じリージョンの API キーを使用します。

    シンガポール

    POST https://YOUR_WORKSPACE_ID.ap-southeast-1.maas.aliyuncs.com/api/v1/services/audio/tts/SpeechSynthesizer

    中国（北京）

    POST https://YOUR_WORKSPACE_ID.cn-beijing.maas.aliyuncs.com/api/v1/services/audio/tts/SpeechSynthesizer

    リクエストヘッダー

    パラメーター型必須説明

    Authorization

    string

    必須

    認証トークン。形式は Bearer <your_api_key> です。

    Content-Type

    string

    必須

    application/json に設定します。

    X-DashScope-SSE

    string

    任意

    ストリーミング出力では enable に設定します。省略すると完全な結果を返します。

    呼び出し例

    非ストリーミング

    curl -X POST "https://YOUR_WORKSPACE_ID.ap-southeast-1.maas.aliyuncs.com/api/v1/services/audio/tts/SpeechSynthesizer" \
  -H "Authorization: Bearer $DASHSCOPE_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
  "model": "qwen-audio-3.1-tts-flash",
  "input": {
    "text": "你好，今天的天气真不错。",
    "voice": "longanhuan_v3.1",
    "format": "wav",
    "sample_rate": 24000
  }
}'

    ストリーミング

    curl --no-buffer -X POST "https://YOUR_WORKSPACE_ID.ap-southeast-1.maas.aliyuncs.com/api/v1/services/audio/tts/SpeechSynthesizer" \
  -H "Authorization: Bearer $DASHSCOPE_API_KEY" \
  -H "Content-Type: application/json" \
  -H "X-DashScope-SSE: enable" \
  -d '{
  "model": "qwen-audio-3.1-tts-flash",
  "input": {
    "text": "你好，今天的天气真不错。",
    "voice": "longanhuan_v3.1",
    "format": "wav",
    "sample_rate": 24000
  }
}'

    注記SSE イベントには複数の data: 行が含まれる場合があります。同じイベントのすべての data: 行を結合してから JSON を解析し、音声チャンクをイベント順に Base64 デコードして連結します。最終フレームは output.finish_reason=stop となり、完全な音声 URL を返します。

    リクエスト本文

    パラメーター型必須デフォルト説明

    model

    string

    必須

    —

    音声合成モデルの ID。モデルとリージョンは非リアルタイム音声合成をご参照ください。

    input

    object

    必須

    —

    入力パラメーターのオブジェクト。

    input.text

    string

    必須

    —

    合成するテキスト。SSML 入力では enable_ssml=true を設定します。LaTeX 入力は追加設定が不要です。対応範囲、タグ、構文は SSML と LaTeXをご参照ください。

    input.voice

    string

    必須

    —

    音声 ID。システム音声は音声一覧をご参照ください。音声クローニングまたは音声デザインでカスタム音声を作成し、関連付けたターゲットモデルで合成します。

    input.format

    string

    任意

    mp3

    音声のエンコード形式。mp3、pcm、wav、opus を指定できます。

    input.sample_rate

    integer

    任意

    22050

    音声のサンプルレート（Hz）。8000、12000、16000、22050、24000、44100、48000 を指定できます。format=opus では 8000、12000、16000、24000、48000 のみ対応します。

    input.volume

    integer

    任意

    50

    音量。範囲：[0, 100]。

    input.rate

    float

    任意

    1.0

    話す速さ。範囲：[0.5, 2.0]。

    input.bit_rate

    integer

    任意

    32

    音声のビットレート（kbps）。範囲：[6, 510]。format=opus の場合のみ有効です。

    input.pitch

    float

    任意

    1.0

    ピッチ。範囲：[0.5, 2.0]。

    input.enable_ssml

    boolean

    任意

    —

    SSML を有効にするかどうか。モデル、音声、インターフェイスの制限は利用制限をご参照ください。

    input.word_timestamp_enabled

    boolean

    任意

    false

    単語レベルのタイムスタンプを返すかどうか。ストリーミング出力のみ対応し、クローン音声を利用できます。対応するシステム音声は音声一覧をご参照ください。

    input.seed

    integer

    任意

    0

    乱数シード。範囲：[0, 65535]。モデルのバージョン、テキスト、音声、その他のパラメーターが同じ場合、同じ seed で同じ合成結果を再現できます。

    input.language_hints

    array[string]

    任意

    —

    合成先の言語。配列の最初の要素のみ処理します。クローン用サンプルの元言語とは独立しています。数字、略語、記号や比較的少数の言語の発音が適切でない場合に指定します。言語コードは下記を参照し、クローンの元言語は音声クローニング APIをご参照ください。

    input.instruction

    string

    任意

    —

    方言、感情、役割などの合成表現を制御する指示。対象モデル、音声、使い方は指示による制御をご参照ください。

    input.enable_aigc_tag

    boolean

    任意

    false

    WAV、MP3、Opus 音声に不可視の AIGC 識別情報を埋め込むかどうか。

    input.aigc_propagator

    string

    任意

    Alibaba Cloud UID

    配布者を識別する ContentPropagator フィールド。enable_aigc_tag=true の場合のみ有効です。

    input.aigc_propagate_id

    string

    任意

    このリクエストの Request ID

    配布操作を識別する PropagateID フィールド。enable_aigc_tag=true の場合のみ有効です。

    input.hot_fix

    object

    任意

    —

    テキストの修正設定。pronunciation は指定語句の発音をカスタマイズし、replace は合成前に指定テキストを置き換えます。

    言語コード

    • zh：中国語

    • en：英語

    • fr：フランス語

    • de：ドイツ語

    • ja：日本語

    • ko：韓国語

    • ru：ロシア語

    • pt：ポルトガル語

    • th：タイ語

    • id：インドネシア語

    • vi：ベトナム語

    • es：スペイン語

    • it：イタリア語

    • ms：マレー語

    • fil：フィリピン語

    • ar：アラビア語

    • other：その他の言語（qwen-audio-3.1-tts-flash でサポート）

      ブルガリア語、オランダ語、ハンガリー語、ルーマニア語、デンマーク語、クロアチア語、ギリシャ語、チェコ語、ノルウェー語、スウェーデン語、ヒンディー語、スロバキア語、フィンランド語、ウルドゥー語、セルビア語、スペイン語 (メキシコ)、リトアニア語、ラトビア語、トルコ語、ペルシア語、ヘブライ語、モンゴル語、スロベニア語、アゼルバイジャン語、ポーランド語、カタロニア語、クメール語、ポルトガル語 (ブラジル)、ラオ語、ジョージア語、アフリカーンス語、ネパール語、ベラルーシ語、マラヤーラム語、ルクセンブルク語、アルバニア語、タミル語、シンハラ語、テルグ語、エストニア語、セブアノ語、ボスニア語、ミャンマー語、アルメニア語、ラテン語、アイスランド語、マルタ語、スワヒリ語、カザフ語、セーシェル・クレオール語、ウクライナ語。

    テキスト修正の設定例：

    {
  "hot_fix": {
    "pronunciation": [
      {
        "天气": "tian1 qi4"
      }
    ],
    "replace": [
      {
        "今天": "金天"
      }
    ]
  }
}

    レスポンス本文

    パラメーター型説明

    request_id

    string

    リクエストの一意の識別子。

    output

    object

    モデルの出力。

    output.finish_reason

    string

    停止理由。null は合成中、stop は合成完了を示します。

    output.type

    string

    ストリーミング出力のみ返します。sentence-begin は文の開始、sentence-synthesis は音声チャンクを示し、1 文に複数含まれる場合があります。sentence-end は文の終了と使用量を示します。音声チャンクとデータフレームは 1 対 1 で対応し、同じファイルに順番に追加します。

    output.original_text

    string

    入力テキストを分割した文の内容。最後の文では省略される場合があります。

    output.sentence

    object

    文の情報。

    output.sentence.index

    integer

    文のインデックス。0 から始まります。

    output.sentence.words

    array

    文中の単語とタイムスタンプ情報。

    output.sentence.words[].text

    string

    単語または文字。

    output.sentence.words[].begin_index

    integer

    文中の開始位置。0 から始まります。

    output.sentence.words[].end_index

    integer

    文中の終了位置。1 から始まります。

    output.sentence.words[].begin_time

    integer

    単語に対応する音声の開始タイムスタンプ（ミリ秒）。

    output.sentence.words[].end_time

    integer

    単語に対応する音声の終了タイムスタンプ（ミリ秒）。

    output.audio

    object

    合成された音声。

    output.audio.data

    string

    ストリーミング出力の Base64 音声チャンク。非ストリーミングでは空です。

    output.audio.url

    string

    完全な音声ファイルの URL。24 時間有効です。

    output.audio.id

    string

    合成音声の識別子。

    output.audio.expires_at

    integer

    url の有効期限のタイムスタンプ。

    usage

    object

    使用量情報。

    注記qwen-audio-3.1-tts-flash は入力および出力の Token 数に基づいて課金されます。qwen-audio-3.1-tts-plus、qwen-audio-3.0-tts-plus、qwen-audio-3.0-tts-flash は文字数に基づいて課金されます。

    usage.input_tokens

    integer

    入力トークン数。qwen-audio-3.1-tts-plus、qwen-audio-3.1-tts-flash のみ対象です。

    usage.output_tokens

    integer

    出力トークン数。qwen-audio-3.1-tts-plus、qwen-audio-3.1-tts-flash のみ対象です。

    usage.total_tokens

    integer

    入力と出力のトークン数の合計。qwen-audio-3.1-tts-plus、qwen-audio-3.1-tts-flash のみ対象です。

    usage.characters

    integer

    累計課金対象文字数。

    非ストリーミング

    {
  "output": {
    "audio": {
      "data": "",
      "id": "audio_xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxx",
      "expires_at": 1792079569,
      "url": "https://example.com/output.wav"
    },
    "finish_reason": "stop"
  },
  "usage": {
    "input_tokens": 12,
    "output_tokens": 30,
    "total_tokens": 42,
    "characters": 22
  },
  "request_id": "xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxx"
}

    ストリーミング

    中間結果：

    {
  "request_id": "xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxx",
  "output": {
    "finish_reason": null,
    "type": "sentence-begin",
    "original_text": "你好，今天的天气真不错。",
    "sentence": {
      "index": 0,
      "words": []
    },
    "audio": {
      "data": "",
      "id": "audio_xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxx",
      "expires_at": 1792079569
    }
  }
}

    最終結果：

    {
  "output": {
    "audio": {
      "data": "",
      "id": "audio_xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxx",
      "expires_at": 1792079569,
      "url": "https://example.com/output.wav"
    },
    "finish_reason": "stop"
  },
  "usage": {
    "input_tokens": 12,
    "output_tokens": 30,
    "total_tokens": 42,
    "characters": 22
  },
  "request_id": "xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxx"
}