aliyun-qwen-tts

Category: provider

Model Studio Qwen TTS

検証

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

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

出力と証拠

• 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/aliyun-qwen-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

推奨モデルのいずれかを使用します。

• 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 の制限を避けるため、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）。

正規化されたインターフェース（tts.generate）

リクエスト

• text（文字列、必須）
• voice（文字列、必須）
• language_type（文字列、任意。デフォルトは Auto）
• instruction（文字列、任意。instruct 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（文字列、stream=false の場合）
• audio_base64_pcm（文字列、stream=true の場合）
• sample_rate（int、24000）
• format（文字列、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 エンコード済み 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、結合して pcm バッファーにします。
• 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の呼び出しに分割します。
• 発音を改善するには、テキストに合った language_type を使用します。
• 明示的なスタイルやトーンの制御が必要な場合にのみ 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/aliyun-qwen-tts/audio/
• OUTPUT_DIR でベースディレクトリを上書きします。

ワークフロー

1. ユーザーの意図、リージョン、識別子、および操作が読み取り専用か変更を伴うかを確認します。
2. 接続と権限を確認するため、最初に最小限の読み取り専用クエリを 1 つ実行します。
3. 範囲を限定し、パラメーターを明示して対象の操作を実行します。
4. 結果を検証し、出力ファイルと証拠ファイルを保存します。

参考資料

• パラメーターのマッピング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/aliyun-qwen-tts-realtime/ で提供されています。

• 音声クローンと音声デザインは skills/ai/audio/aliyun-qwen-tts-voice-clone/ および skills/ai/audio/aliyun-qwen-tts-voice-design/ で提供されています。

• ソース一覧：references/sources.md