すべてのプロダクト
Search
ドキュメントセンター

Alibaba Cloud Model Studio:音声合成の概要

最終更新日:Nov 14, 2026

Model Studio は、システム音声、または音声クローニングや音声デザインで作成したカスタム音声を使用して、テキストを音声に変換します。話す速さ、感情、発音などの合成効果も制御できます。

モデルの選択

リアルタイムの対話、コンテンツ制作、読み上げの細かな制御など、用途に合わせてモデルを選択します。

用途推奨モデル主な機能

音声アシスタント、リアルタイム対話、カスタマーサービス

qwen-audio-3.1-tts-flash

低遅延の対話向けのモデルです。システム音声、音声クローニング、音声デザイン、自然言語の命令、感情・パラ言語タグに対応します。

オーディオブック、吹き替え、ブランド音声、コンテンツ制作

qwen-audio-3.1-tts-plus

音質、自然さ、表現の細部を重視します。システム音声、音声クローニング、音声デザイン、多彩な表現制御に対応します。

各シリーズのモデル ID については、対応モデルをご参照ください。

音声の選択

Voice Plazaで音声を試聴できます。各モデルのシステム音声、voice の値、音声サンプルについては、次の表の音声リストをご参照ください。

音声の種類準備するもの用途ドキュメント

システム音声

既存の音声を選択します。音声サンプルや音声の説明は不要です。

既存の音声で要件を満たせるカスタマーサービス、オーディオブック、コンテンツの読み上げなど。

クローン音声

対象の話者の音声サンプルを用意します。

ブランドの代弁者や司会者の音声の再利用、パーソナライズされたアシスタントやバーチャル司会者の作成。

音声クローニング

デザイン音声

「温かみのある低い女性の声」など、希望する音声をテキストで説明します。

録音素材がない場合のブランド音声、ゲームやアニメーションのキャラクター音声の作成。

音声デザイン

音声デザインは、繰り返し使用できる音声を作成します。1 回の合成で話す速さ、感情、話し方を調整するには、命令による制御を使用します。

合成方式

合成方式は、テキストの送信方法と音声の受信方法によって異なります。テキストは全文を一度に送信するか、分割して継続的に送信できます。音声は完成後に一括で受信するか、生成中に順次受信できます。音声出力のストリーミングとテキスト入力のストリーミングは別の機能です。

合成方式テキスト入力音声出力用途

非ストリーミング

テキスト全体を一度に送信します。

合成完了後に音声全体を取得します。

合成中の再生が不要なコンテンツ制作。

単方向ストリーミング

テキスト全体を一度に送信します。

合成中に音声を分割して受信します。

テキストが用意されており、できるだけ早く再生を始めたい場合。

双方向ストリーミング

テキストが生成されるたびに断片を送信します。

合成中に音声を分割して受信します。

大規模言語モデルの出力など、テキストが逐次生成されるリアルタイム対話。

  • 非リアルタイム合成:全文を 1 回のリクエストで送信し、音声を一括またはストリームで受信します。非リアルタイム音声合成をご参照ください。

  • リアルタイム合成:テキストを分割して継続的に送信するか、全文を一度に送信します。リアルタイム音声合成をご参照ください。モバイル端末などのリアルタイム対話では、Realtime API の概要で利用可能な接続プロトコルを選択できます。AOQ(AI over QUIC)は、低遅延と不安定なネットワーク環境での通信に最適化され、エコーキャンセルとノイズ抑制を内蔵しています。

合成効果の制御

音声の選択に加え、パラメーター、命令、タグを使用して合成音声を調整できます。

調整する効果制御方法

話す速さ、ピッチ、音量

モデルが提供する対応パラメーターを設定します。

感情、スタイル、話し方

「ゆっくりと優しく話す」など、自然言語の命令を使用します。

部分的な感情、笑い声や呼吸などの表現

テキストに感情・パラ言語タグを追加します。

発音、間、数字の読み方

SSML タグで読み上げを細かく制御します。

数式の読み上げ

数式を LaTeX で記述します。

パラメーター、対応条件、サンプルについては、合成方式に応じたガイドをご参照ください。

本番環境に適用

テキストの送信、音声の受信と再生、接続と同時実行リソースの管理、パフォーマンス評価、トラブルシューティングについては、音声合成のベストプラクティスをご参照ください。

対応モデル

リージョンを選択すると、各シリーズのモデル ID を確認できます。

シンガポール

  • Qwen-Audio-TTS:qwen-audio-3.1-tts-plus、qwen-audio-3.1-tts-flash、qwen-audio-3.0-tts-plus、qwen-audio-3.0-tts-flash
  • CosyVoice:cosyvoice-v3-plus、cosyvoice-v3-flash
  • Qwen3-TTS:qwen3-tts-flash-realtime、qwen3-tts-flash

北京

  • Qwen-Audio-TTS:qwen-audio-3.1-tts-plus、qwen-audio-3.1-tts-flash、qwen-audio-3.0-tts-plus、qwen-audio-3.0-tts-flash
  • CosyVoice:cosyvoice-v3.5-plus、cosyvoice-v3.5-flash、cosyvoice-v3-plus、cosyvoice-v3-flash、cosyvoice-v2
  • Qwen3-TTS:qwen3-tts-flash-realtime、qwen3-tts-flash

言語と方言

合成する言語や方言に対応した音声を選択してください。次の表は、モデルシリーズと音声の種類ごとの対応範囲を示します。

Qwen-Audio-TTS

音声の種類合成音声の言語と方言

システム音声

中国語や英語などに対応します。対応範囲はモデルと音声によって異なります。Qwen-Audio-TTS 音声リストをご参照ください。

クローン音声

中国語(標準語、広東語、重慶、東北、甘粛、貴州、浙江、河北、河南、湖北、湖南、江西、寧波、寧夏、青島、陝西、山西、山東、上海語、四川、雲南)、英語、日本語、韓国語、ロシア語、フランス語、ドイツ語、ポルトガル語、タイ語、インドネシア語、ベトナム語、スペイン語、イタリア語、マレーシア語、フィリピン語、アラビア語 (方言は命令による制御で設定)

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。

デザイン音声

中国語(標準中国語)、英語

CosyVoice

音声の種類合成音声の言語と方言

システム音声

  • cosyvoice-v3.5-plus / cosyvoice-v3.5-flash: 非対応
  • cosyvoice-v3-plus(音声により異なる): 中国語(標準語)、英語
  • cosyvoice-v3-flash(音声により異なる。一部の方言はシステム音声で直接サポートされ、その他は命令による制御でサポート): 中国語(標準語、広東語、東北、河南、湖南、陝西、山東、四川、安徽、福建語)、英語
  • cosyvoice-v2(音声により異なる): 中国語(標準語、広東語、東北、福建語、陝西)、英語、日本語、韓国語

注記各システム音声の言語、方言、試聴用サンプルについては、CosyVoice 音声リストをご参照ください。

クローン音声

  • cosyvoice-v3.5-plus / cosyvoice-v3.5-flash(方言は命令による制御で設定): 中国語(標準語、広東語、東北、甘粛、貴州、河南、湖北、江西、福建語、寧夏、山西、陝西、山東、上海語、四川、天津、雲南)、英語、フランス語、ドイツ語、日本語、韓国語、ロシア語、ポルトガル語、タイ語、インドネシア語、ベトナム語
  • cosyvoice-v3-plus: 中国語(標準語、広東語、東北、甘粛、貴州、河南、湖北、江西、福建語、寧夏、山西、陝西、山東、上海語、四川、天津、雲南)、英語、フランス語、ドイツ語、日本語、韓国語、ロシア語
  • cosyvoice-v3-flash(方言は命令による制御で設定): 中国語(標準語、広東語、東北、甘粛、貴州、河南、湖北、江西、福建語、寧夏、山西、陝西、山東、上海語、四川、天津、雲南)、英語、フランス語、ドイツ語、日本語、韓国語、ロシア語、ポルトガル語、タイ語、インドネシア語、ベトナム語
  • cosyvoice-v2: 中国語(標準語)、英語

デザイン音声

  • cosyvoice-v3.5-plus / cosyvoice-v3.5-flash: 中国語(標準語)、英語
  • cosyvoice-v3-plus: 中国語(標準語)、英語
  • cosyvoice-v3-flash: 中国語(標準語)、英語
  • cosyvoice-v2: 非対応

Qwen3-TTS

音声の種類合成音声の言語と方言

システム音声

中国語(標準語、北京、上海語、四川、南京、陝西、福建語、天津、広東語 — 音声により異なる)、英語、ドイツ語、イタリア語、ポルトガル語、スペイン語、日本語、韓国語、フランス語、ロシア語

注記各システム音声の言語、方言、試聴用サンプルについては、Qwen-TTS 音声リストをご参照ください。

クローン音声

非対応

デザイン音声

非対応