Alibaba Cloud Model Studio:Qwen-Audio-TTS Java SDK

Singapore

wss://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api-ws/v1/inference

{WorkspaceId} を実際のワークスペース ID に置き換えてください。

China (Beijing)

wss://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api-ws/v1/inference

{WorkspaceId} を実際のワークスペース ID に置き換えてください。

非ストリーミング呼び出し

リクエストごとのテキストの長さは 20,000 文字を超えないようにしてください。

import com.alibaba.dashscope.audio.ttsv2.SpeechSynthesisParam;
import com.alibaba.dashscope.audio.ttsv2.SpeechSynthesizer;
import com.alibaba.dashscope.utils.Constants;

import java.io.File;
import java.io.FileOutputStream;
import java.io.IOException;
import java.nio.ByteBuffer;

public class Main {
    // モデル
    private static String model = "qwen-audio-3.0-tts-flash";
    // 音声
    private static String voice = "longanhuan_v3.6";

    public static void streamAudioDataToSpeaker() {
        // リクエストパラメーター
        SpeechSynthesisParam param =
                SpeechSynthesisParam.builder()
                        // Singapore リージョンと Beijing リージョンの API キーは異なります。API キーの取得： https://www.alibabacloud.com/help/model-studio/get-api-key
                        // 環境変数が設定されていない場合は、次の行を Model Studio API キーに置き換えてください： .apiKey("sk-xxx")
                        .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                        .model(model) // モデル
                        .voice(voice) // 音声
                        .build();

        // 同期モード：コールバックを無効にする (2 番目のパラメーターは null)
        SpeechSynthesizer synthesizer = new SpeechSynthesizer(param, null);
        ByteBuffer audio = null;
        try {
            // 音声が返されるまでブロック
            audio = synthesizer.call("今日の天気はどうですか？");
        } catch (Exception e) {
            throw new RuntimeException(e);
        } finally {
            // タスク完了後に WebSocket 接続をクローズ
            synthesizer.getDuplexApi().close(1000, "bye");
        }
        if (audio != null) {
            // 音声データをローカルファイル "output.mp3" に保存
            File file = new File("output.mp3");
            // 最初のテキスト送信には WebSocket 接続の確立が必要なため、初回パケットレイテンシーには接続セットアップ時間が含まれます
            System.out.println(
                    "[Metric] requestId： "
                            + synthesizer.getLastRequestId()
                            + ", first packet latency (ms): "
                            + synthesizer.getFirstPackageDelay());
            try (FileOutputStream fos = new FileOutputStream(file)) {
                fos.write(audio.array());
            } catch (IOException e) {
                throw new RuntimeException(e);
            }
        }
    }

    public static void main(String[] args) {
        // 以下の設定は Singapore リージョン用です。"{WorkspaceId}" を実際のワークスペース ID に置き換えてください。設定はリージョンによって異なります。
        Constants.baseWebsocketApiUrl = "wss://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api-ws/v1/inference";
        streamAudioDataToSpeaker();
        System.exit(0);
    }
}

単方向ストリーミング呼び出し

リクエストごとのテキストの長さは 20,000 文字を超えないようにしてください。

import com.alibaba.dashscope.audio.tts.SpeechSynthesisResult;
import com.alibaba.dashscope.audio.ttsv2.SpeechSynthesisParam;
import com.alibaba.dashscope.audio.ttsv2.SpeechSynthesizer;
import com.alibaba.dashscope.common.ResultCallback;
import com.alibaba.dashscope.utils.Constants;

import java.time.LocalDateTime;
import java.time.format.DateTimeFormatter;
import java.util.concurrent.CountDownLatch;

class TimeUtils {
    private static final DateTimeFormatter formatter =
            DateTimeFormatter.ofPattern("yyyy-MM-dd HH:mm:ss.SSS");

    public static String getTimestamp() {
        return LocalDateTime.now().format(formatter);
    }
}

public class Main {
    // モデル
    private static String model = "qwen-audio-3.0-tts-flash";
    // 音声
    private static String voice = "longanhuan_v3.6";

    public static void streamAudioDataToSpeaker() {
        CountDownLatch latch = new CountDownLatch(1);

        // ResultCallback インターフェースを実装
        ResultCallback<SpeechSynthesisResult> callback = new ResultCallback<SpeechSynthesisResult>() {
            @Override
            public void onEvent(SpeechSynthesisResult result) {
                if (result.getAudioFrame() != null) {
                    // 音声データをローカルに保存するロジックをここに実装
                    System.out.println(TimeUtils.getTimestamp() + " 音声を受信");
                }
                // イベントタイプと元のテキストを含む出力情報を取得
                if (result.getOutput() != null && result.getOutput().has("type")) {
                    System.out.println("イベントタイプ： " + result.getOutput().get("type").getAsString()
                            + ", 元のテキスト: " + (result.getOutput().has("original_text") ? result.getOutput().get("original_text").getAsString() : ""));
                }
            }

            @Override
            public void onComplete() {
                System.out.println(TimeUtils.getTimestamp() + " 完了通知を受信、音声合成が終了しました");
                latch.countDown();
            }

            @Override
            public void onError(Exception e) {
                System.out.println("例外が発生しました： " + e.toString());
                latch.countDown();
            }
        };

        // リクエストパラメーター
        SpeechSynthesisParam param =
                SpeechSynthesisParam.builder()
                        // Singapore リージョンと Beijing リージョンの API キーは異なります。API キーの取得： https://www.alibabacloud.com/help/model-studio/get-api-key
                        // 環境変数が設定されていない場合は、次の行を Model Studio API キーに置き換えてください： .apiKey("sk-xxx")
                        .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                        .model(model) // モデル
                        .voice(voice) // 音声
                        .build();
        // 2 番目のパラメーターとして "callback" を渡すと非同期モードが有効になります
        SpeechSynthesizer synthesizer = new SpeechSynthesizer(param, callback);
        // 非ブロッキングコールのため即座に null を返します (実際の結果はコールバックインターフェース経由で非同期に配信されます)。バイナリオーディオは、コールバックインターフェースの onEvent メソッドを通じてリアルタイムで受信されます。
        try {
            synthesizer.call("今日の天気はどうですか？");
            // 合成が完了するまで待機
            latch.await();
        } catch (Exception e) {
            throw new RuntimeException(e);
        } finally {
            // タスク完了後に WebSocket 接続をクローズ
            synthesizer.getDuplexApi().close(1000, "bye");
        }
        // 最初のテキスト送信には WebSocket 接続の確立が必要なため、初回パケットレイテンシーには接続セットアップ時間が含まれます
        System.out.println(
                "[Metric] requestId： "
                        + synthesizer.getLastRequestId()
                        + ", first packet latency (ms): "
                        + synthesizer.getFirstPackageDelay());
    }

    public static void main(String[] args) {
        // 以下の設定は Singapore リージョン用です。"{WorkspaceId}" を実際のワークスペース ID に置き換えてください。設定はリージョンによって異なります。
        Constants.baseWebsocketApiUrl = "wss://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api-ws/v1/inference";
        streamAudioDataToSpeaker();
        System.exit(0);
    }
}

双方向ストリーミング呼び出し

個別の呼び出しのテキスト長は 20,000 文字、全呼び出しにわたる累積テキスト長は 200,000 文字を超えないようにしてください。

• ストリーミング入力中、streamingCall を複数回呼び出してテキストセグメントを順番に送信します。サーバーは受信したテキストを自動的に文に分割します。

  • 完全な文は即座に合成されます。
  • 不完全な文は、完全な文になるまでバッファリングされます。

  streamingComplete が呼び出されると、サーバーは受信済みで未処理のすべてのテキストセグメント (不完全な文を含む) を強制的に合成します。

• 連続するテキストセグメント間の間隔は 23 秒を超えないようにしてください。この制限を超えると、「23 秒後にリクエストタイムアウト」例外がスローされます。

  保留中のテキストがない場合は、streamingComplete を速やかに呼び出してタスクを終了してください。

  重要必ず streamingComplete メソッドを呼び出してください。そうしないと、末尾のテキストセグメントが音声に変換されない可能性があります。

  サーバーは 23 秒のタイムアウトを強制しており、クライアント側では変更できません。

import com.alibaba.dashscope.audio.tts.SpeechSynthesisResult;
import com.alibaba.dashscope.audio.ttsv2.SpeechSynthesisAudioFormat;
import com.alibaba.dashscope.audio.ttsv2.SpeechSynthesisParam;
import com.alibaba.dashscope.audio.ttsv2.SpeechSynthesizer;
import com.alibaba.dashscope.common.ResultCallback;
import com.alibaba.dashscope.utils.Constants;

import java.time.LocalDateTime;
import java.time.format.DateTimeFormatter;

class TimeUtils {
    private static final DateTimeFormatter formatter =
            DateTimeFormatter.ofPattern("yyyy-MM-dd HH:mm:ss.SSS");

    public static String getTimestamp() {
        return LocalDateTime.now().format(formatter);
    }
}

public class Main {
    private static String[] textArray = {"ストリーミング音声合成 SDK は、",
            "入力テキストを ", "バイナリオーディオデータに変換できます。", "非ストリーミング音声合成と比較して、",
            "ストリーミング合成はより優れたリアルタイム性能を提供します。", "ユーザーがテキストを入力している間、",
            "ほぼ同期した音声出力を聞くことができ、", "インタラクティブな体験を大幅に向上させ、",
            "ユーザーの待ち時間を短縮します。", "大規模言語モデル (LLM) を呼び出して、",
            "ストリーミングテキスト入力で ", "音声合成を実行するのに適しています。"};
    private static String model = "qwen-audio-3.0-tts-flash"; // モデル
    private static String voice = "longanhuan_v3.6"; // 音声

    public static void streamAudioDataToSpeaker() {
        // コールバック関数を設定
        ResultCallback<SpeechSynthesisResult> callback = new ResultCallback<SpeechSynthesisResult>() {
            @Override
            public void onEvent(SpeechSynthesisResult result) {
                // System.out.println("メッセージを受信: " + result);
                if (result.getAudioFrame() != null) {
                    // 音声データを処理するロジックをここに実装
                    System.out.println(TimeUtils.getTimestamp() + " 音声を受信");
                }
            }

            @Override
            public void onComplete() {
                System.out.println(TimeUtils.getTimestamp() + " 完了通知を受信、音声合成が終了しました");
            }

            @Override
            public void onError(Exception e) {
                System.out.println("例外が発生しました： " + e.toString());
            }
        };

        // リクエストパラメーター
        SpeechSynthesisParam param =
                SpeechSynthesisParam.builder()
                        // Singapore リージョンと Beijing リージョンの API キーは異なります。API キーの取得： https://www.alibabacloud.com/help/model-studio/get-api-key
                        // 環境変数が設定されていない場合は、次の行を Model Studio API キーに置き換えてください： .apiKey("sk-xxx")
                        .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                        .model(model)
                        .voice(voice)
                        .format(SpeechSynthesisAudioFormat
                                .PCM_22050HZ_MONO_16BIT) // ストリーミング合成には PCM または MP3 を使用
                        .build();
        SpeechSynthesizer synthesizer = new SpeechSynthesizer(param, callback);
        // Callback を使用した streamingCall メソッドは現在のスレッドをブロックしません
        try {
            for (String text : textArray) {
                // テキストフラグメントを送信し、コールバックインターフェースの onEvent メソッドを通じてバイナリオーディオをリアルタイムで受信
                synthesizer.streamingCall(text);
            }
            // ストリーミング送信の完了を通知します
            synthesizer.streamingComplete();
        } catch (Exception e) {
            throw new RuntimeException(e);
        } finally {
            // タスク完了後に WebSocket 接続をクローズ
            synthesizer.getDuplexApi().close(1000, "bye");
        }

        // 最初のテキスト送信には WebSocket 接続の確立が必要なため、初回パケットレイテンシーには接続セットアップ時間が含まれます
        System.out.println(
                "[Metric] requestId： "
                        + synthesizer.getLastRequestId()
                        + ", first packet latency (ms): "
                        + synthesizer.getFirstPackageDelay());
    }

    public static void main(String[] args) {
        // 以下の設定は Singapore リージョン用です。"{WorkspaceId}" を実際のワークスペース ID に置き換えてください。設定はリージョンによって異なります。
        Constants.baseWebsocketApiUrl = "wss://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api-ws/v1/inference";
        streamAudioDataToSpeaker();
        System.exit(0);
    }
}

単方向ストリーミング呼び出し

次の例では、Flowable オブジェクトの blockingForEach メソッドを使用して、ストリーミングされた各 SpeechSynthesisResult オブジェクトをブロッキング方式で取得する方法を示します。

import com.alibaba.dashscope.audio.ttsv2.SpeechSynthesisParam;
import com.alibaba.dashscope.audio.ttsv2.SpeechSynthesizer;
import com.alibaba.dashscope.exception.NoApiKeyException;
import com.alibaba.dashscope.utils.Constants;

import java.time.LocalDateTime;
import java.time.format.DateTimeFormatter;

class TimeUtils {
    private static final DateTimeFormatter formatter =
            DateTimeFormatter.ofPattern("yyyy-MM-dd HH:mm:ss.SSS");

    public static String getTimestamp() {
        return LocalDateTime.now().format(formatter);
    }
}

public class Main {
    private static String model = "qwen-audio-3.0-tts-flash"; // モデル
    private static String voice = "longanhuan_v3.6"; // 音声

    public static void streamAudioDataToSpeaker() throws NoApiKeyException {
        // リクエストパラメーター
        SpeechSynthesisParam param =
                SpeechSynthesisParam.builder()
                        // Singapore リージョンと Beijing リージョンの API キーは異なります。API キーの取得： https://www.alibabacloud.com/help/model-studio/get-api-key
                        // 環境変数が設定されていない場合は、次の行を Model Studio API キーに置き換えてください： .apiKey("sk-xxx")
                        .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                        .model(model) // モデル
                        .voice(voice) // 音声
                        .build();
        SpeechSynthesizer synthesizer = new SpeechSynthesizer(param, null);
        synthesizer.callAsFlowable("今日の天気はどうですか？").blockingForEach(result -> {
            if (result.getAudioFrame() != null) {
                // 音声データを処理するロジックをここに実装
                System.out.println(TimeUtils.getTimestamp() + " 音声を受信");
            }
            // イベントタイプと元のテキストを含む出力情報を取得
            if (result.getOutput() != null && result.getOutput().has("type")) {
                System.out.println("イベントタイプ： " + result.getOutput().get("type").getAsString()
                        + ", 元のテキスト: " + (result.getOutput().has("original_text") ? result.getOutput().get("original_text").getAsString() : ""));
            }
        });
        // タスク完了後に WebSocket 接続をクローズ
        synthesizer.getDuplexApi().close(1000, "bye");
        // 最初のテキスト送信には WebSocket 接続の確立が必要なため、初回パケットレイテンシーには接続セットアップ時間が含まれます
        System.out.println(
                "[Metric] requestId： "
                        + synthesizer.getLastRequestId()
                        + ", first packet latency (ms): "
                        + synthesizer.getFirstPackageDelay());
    }

    public static void main(String[] args) throws NoApiKeyException {
        // 以下の設定は Singapore リージョン用です。"{WorkspaceId}" を実際のワークスペース ID に置き換えてください。設定はリージョンによって異なります。
        Constants.baseWebsocketApiUrl = "wss://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api-ws/v1/inference";
        streamAudioDataToSpeaker();
        System.exit(0);
    }
}

双方向ストリーミング呼び出し

次の例では、Flowable オブジェクトをテキストストリーミングの入力パラメーターとして使用し、返された Flowable オブジェクトの blockingForEach メソッドを使用して、ストリーミングされた各 SpeechSynthesisResult オブジェクトをブロッキング方式で取得する方法を示します。

import com.alibaba.dashscope.audio.ttsv2.SpeechSynthesisParam;
import com.alibaba.dashscope.audio.ttsv2.SpeechSynthesizer;
import com.alibaba.dashscope.exception.NoApiKeyException;
import com.alibaba.dashscope.utils.Constants;
import io.reactivex.BackpressureStrategy;
import io.reactivex.Flowable;

import java.time.LocalDateTime;
import java.time.format.DateTimeFormatter;

class TimeUtils {
    private static final DateTimeFormatter formatter =
            DateTimeFormatter.ofPattern("yyyy-MM-dd HH:mm:ss.SSS");

    public static String getTimestamp() {
        return LocalDateTime.now().format(formatter);
    }
}

public class Main {
    private static String[] textArray = {"ストリーミング音声合成 SDK は、",
            "入力テキストを ", "バイナリオーディオデータに変換できます。", "非ストリーミング音声合成と比較して、",
            "ストリーミング合成はより優れたリアルタイム性能を提供します。", "ユーザーがテキストを入力している間、",
            "ほぼ同期した音声出力を聞くことができ、", "インタラクティブな体験を大幅に向上させ、",
            "ユーザーの待ち時間を短縮します。", "大規模言語モデル (LLM) を呼び出して、",
            "ストリーミングテキスト入力で ", "音声合成を実行するのに適しています。"};
    private static String model = "qwen-audio-3.0-tts-flash";
    private static String voice = "longanhuan_v3.6";

    public static void streamAudioDataToSpeaker() throws NoApiKeyException {
        // ストリーミング入力をシミュレート
        Flowable<String> textSource = Flowable.create(emitter -> {
            new Thread(() -> {
                for (int i = 0; i < textArray.length; i++) {
                    emitter.onNext(textArray[i]);
                    try {
                        Thread.sleep(1000);
                    } catch (InterruptedException e) {
                        throw new RuntimeException(e);
                    }
                }
                emitter.onComplete();
            }).start();
        }, BackpressureStrategy.BUFFER);

        // リクエストパラメーター
        SpeechSynthesisParam param =
                SpeechSynthesisParam.builder()
                        // Singapore リージョンと Beijing リージョンの API キーは異なります。API キーの取得： https://www.alibabacloud.com/help/model-studio/get-api-key
                        // 環境変数が設定されていない場合は、次の行を Model Studio API キーに置き換えてください： .apiKey("sk-xxx")
                        .apiKey(System.getenv("DASHSCOPE_API_KEY"))
                        .model(model) // モデル
                        .voice(voice) // 音声
                        .build();
        SpeechSynthesizer synthesizer = new SpeechSynthesizer(param, null);
        synthesizer.streamingCallAsFlowable(textSource).blockingForEach(result -> {
            if (result.getAudioFrame() != null) {
                // 音声を再生するロジックをここに実装
                System.out.println(
                        TimeUtils.getTimestamp() +
                                " バイナリオーディオサイズ： " + result.getAudioFrame().capacity());
            }
            // イベントタイプと元のテキストを含む出力情報を取得
            if (result.getOutput() != null && result.getOutput().has("type")) {
                System.out.println("イベントタイプ： " + result.getOutput().get("type").getAsString()
                        + ", 元のテキスト: " + (result.getOutput().has("original_text") ? result.getOutput().get("original_text").getAsString() : ""));
            }
        });
        synthesizer.getDuplexApi().close(1000, "bye");
        // 最初のテキスト送信には WebSocket 接続の確立が必要なため、初回パケットレイテンシーには接続セットアップ時間が含まれます
        System.out.println(
                "[Metric] requestId： "
                        + synthesizer.getLastRequestId()
                        + ", first packet latency (ms): "
                        + synthesizer.getFirstPackageDelay());
    }

    public static void main(String[] args) throws NoApiKeyException {
        // 以下の設定は Singapore リージョン用です。"{WorkspaceId}" を実際のワークスペース ID に置き換えてください。設定はリージョンによって異なります。
        Constants.baseWebsocketApiUrl = "wss://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api-ws/v1/inference";
        streamAudioDataToSpeaker();
        System.exit(0);
    }
}