mcpField
A
alicloud-ai-audio-tts

alicloud-ai-audio-tts

github.com/cinienceクリエイティブ・メディア396314 回インストール11 週間前に更新
リポジトリ

alicloud-ai-audio-tts について

Alibaba Cloud Model Studio Qwen TTS で音声を生成するスキルです。Python と DashScope の設定、モデルやリクエスト項目、ストリーミングまたはファイルでの出力方法を説明します。

主な機能

  1. 01テキストから音声を生成
  2. 02Qwen TTS モデルと音声の選択
  3. 03言語とスタイル指示の設定
  4. 04ストリーミング PCM または音声 URL の処理
  5. 05出力と検証記録の保存

活用シーン

  1. 01指定した音声でテキストを音声化
  2. 02PCM チャンクのストリーミング再生や結合
  3. 03生成音声の言語とトーンの指定
  4. 04TTS の実行確認と結果の保存

インストール

コマンドをコピーしてターミナルで実行します。

$npx skills add https://github.com/cinience/alicloud-skills --skill alicloud-ai-audio-tts

インストール後、Claude Code で/alicloud-ai-audio-ttsを入力して読み込まれたか確認します。

同梱ファイル

SKILL.md と一緒にインストールされる参考資料やスクリプト。

agents/
openai.yaml
references/
api_reference.md
sources.md
scripts/
generate_tts.py

詳細

カテゴリー：プロバイダー

Model Studio Qwen TTS

検証

mkdir -p output/alicloud-ai-audio-tts
python -m py_compile skills/ai/audio/alicloud-ai-audio-tts/scripts/generate_tts.py && echo "py_compile_ok" > output/alicloud-ai-audio-tts/validate.txt

合格基準：コマンドが終了コード 0 で終了し、output/alicloud-ai-audio-tts/validate.txt が生成されます。

出力と証跡

  • 生成された音声リンク、サンプル音声ファイル、リクエストペイロードを output/alicloud-ai-audio-tts/ に保存します。
  • 実行ごとに検証ログを 1 つ保存します。

重要なモデル名

推奨モデルをいずれか 1 つ使用します。

  • qwen3-tts-flash
  • qwen3-tts-instruct-flash
  • qwen3-tts-instruct-flash-2026-01-26

前提条件

  • SDK をインストールします（PEP 668 の制限を回避するため、venv の使用を推奨します）。
python3 -m venv .venv
. .venv/bin/activate
python -m pip install dashscope
  • 環境変数に DASHSCOPE_API_KEY を設定するか、~/.alibabacloud/credentials に dashscope_api_key を追加します（環境変数が優先されます）。

正規化インターフェース（tts.generate）

リクエスト
  • text（string、必須）
  • voice（string、必須）
  • language_type（string、任意。デフォルトは Auto）
  • instruction（string、任意。指示対応モデルでの使用を推奨）
  • stream（bool、任意。デフォルトは false）
レスポンス
  • audio_url（string、stream=false の場合）
  • audio_base64_pcm（string、stream=true の場合）
  • sample_rate（int、24000）
  • format（string、モードに応じて wav または pcm）

クイックスタート（Python + DashScope SDK）

import os
import dashscope

# Prefer env var for auth: export DASHSCOPE_API_KEY=...
# Or use ~/.alibabacloud/credentials with dashscope_api_key under [default].
# Beijing region; for Singapore use: https://dashscope-intl.aliyuncs.com/api/v1
dashscope.base_http_api_url = "https://dashscope.aliyuncs.com/api/v1"

text = "Hello, this is a short voice line."
response = dashscope.MultiModalConversation.call(
    model="qwen3-tts-instruct-flash",
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    text=text,
    voice="Cherry",
    language_type="English",
    instruction="Warm and calm tone, slightly slower pace.",
    stream=False,
)

audio_url = response.output.audio.url
print(audio_url)

ストリーミングに関する注意

  • stream=True は、24kHz の Base64 エンコードされた PCM チャンクを返します。
  • チャンクをデコードし、再生するか、pcm バッファーに連結します。
  • ストリームの終了時、レスポンスには finish_reason == "stop" が含まれます。

運用ガイダンス

  • リクエストは簡潔にします。サイズまたはタイムアウトのエラーが発生した場合は、長いテキストを複数回の呼び出しに分割します。
  • 発音を改善するため、テキストに合った language_type を使用します。
  • 明示的にスタイルやトーンを制御する必要がある場合のみ、instruction を使用します。
  • 重複コストを避けるため、(text, voice, language_type) をキーにキャッシュします。

出力先

  • デフォルトの出力先：output/alicloud-ai-audio-tts/audio/
  • OUTPUT_DIR でベースディレクトリを上書きできます。

ワークフロー

  1. ユーザーの意図、リージョン、識別子、操作が読み取り専用か変更を伴うものかを確認します。
  2. 接続と権限を確認するため、まず最小限の読み取り専用クエリを 1 つ実行します。
  3. 明示的なパラメーターと限定された範囲で、対象の操作を実行します。
  4. 結果を検証し、出力ファイルと証跡ファイルを保存します。

参考資料

  • パラメーターの対応付けとストリーミングの例については、references/api_reference.md を参照してください。

  • リアルタイムモードは skills/ai/audio/alicloud-ai-audio-tts-realtime/ で提供されています。

  • 音声のクローン作成とデザインは、skills/ai/audio/alicloud-ai-audio-tts-voice-clone/ および skills/ai/audio/alicloud-ai-audio-tts-voice-design/ で提供されています。

  • ソース一覧：references/sources.md

コメント

Markdown 対応