mcpField
Q
qwen3-tts

qwen3-tts

github.com/calesthioクリエイティブ・メディア219107 回インストール15 週間前に更新
リポジトリ

qwen3-tts について

Alibaba/Qwen の Qwen3-TTS による音声生成を計画、実行、確認、記録する制作ガイドです。DashScope のホスト型ルートとオープンウェイトに加え、バッチ合成、リアルタイム配信、音声制御、多言語出力を扱います。

主な機能

  1. 01ホスト型とオープンウェイトの選択
  2. 02非リアルタイム HTTP/SSE 合成
  3. 03リアルタイム WebSocket 配信
  4. 04ボイスデザインと同意に基づくクローン
  5. 05多言語音声と発音の確認

活用シーン

  1. 01ナレーションやeラーニング音声の生成
  2. 02対話アプリでの音声ストリーミング
  3. 03文章の説明から音声を作成
  4. 04同意を得た音声サンプルによる音声生成

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/calesthio/generative-media-skills --skill qwen3-tts

インストール後、Claude Code で/qwen3-ttsを入力して読み込まれたか確認します。

同梱ファイルEVAL.md

詳細

Qwen3-TTS の本番運用ガイダンス

このスキルを使って、Qwen3-TTS による音声生成を計画、実行、レビュー、文書化してください。以下のすべてのモデル ID、価格、リージョン、クォータ、音声リスト、上限は変更される可能性があるものとして扱ってください。「verified 2026-07-10」と記載された情報は、その日に Alibaba/Qwen の公式情報源を確認したものです。

Qwen3-TTS とは何か、重要な境界はどこか

文書で確認できる情報：

  • Qwen3-TTS は、表現力と制御性に優れ、ストリーミングに対応した音声生成を行う、Alibaba/Qwen の多言語テキスト読み上げモデルファミリーです。ホスト型の DashScope/Model Studio の利用経路と、オープンウェイトの研究・デプロイ用チェックポイントがあります。Qwen の技術レポートでは、12Hz と 25Hz のモデルバリアント、0.6B と 1.7B のサイズ、音声クローン、音声デザイン、多言語生成、ストリーミング、および Apache-2.0 ライセンスでのモデル／トークナイザー公開方針が説明されています。情報源：https://arxiv.org/html/2601.15621v1 および https://github.com/QwenLM/Qwen3-TTS（2026-07-10 に確認）。
  • Alibaba Cloud Model Studio は、非リアルタイム合成用の HTTP/SSE とリアルタイム合成用の WebSocket を通じて、Qwen-TTS/Qwen3-TTS を提供しています。非リアルタイム合成のユーザーガイドでは、待ち時間が許容されるオーディオブック、eラーニング、コンテンツ制作向けと説明されています。一方、リアルタイム合成は、低遅延のアシスタント、オーディオブックのストリーミング、カスタマーサービス向けに設計されています。情報源：https://help.aliyun.com/en/model-studio/non-realtime-tts-user-guide および https://help.aliyun.com/zh/model-studio/realtime-tts-user-guide（2026-07-10 に確認）。
  • ホスト型の Qwen3-TTS に、あらゆる用途に共通する単一のエンドポイントがあるわけではありません。組み込み音声、指示による制御、音声デザイン、音声クローン、リアルタイム処理には、それぞれ異なるモデルファミリーがあります。本番運用の直前に、選択したリージョンとモデル一覧を必ず確認してください。情報源：https://help.aliyun.com/en/model-studio/non-realtime-tts-user-guide（2026-07-10 に確認）。

本番運用の目安：

  • マネージドインフラ、組み込み音声、すばやいカスタム音声作成、または本番運用のトレーサビリティが必要な場合は、ホスト型の DashScope を使用してください。GPU リソースがあり、ローカル／プライベート推論が必要な場合、モデルの動作を検査または調整したい場合、あるいはスクリプトや音声データをホスト型プロバイダーに送信できない場合に限り、オープンウェイトを使用してください。

モデルとルートの選択

最新のモデル名ではなく、本番環境のニーズに応じてルートを選択してください。

ニーズ推奨理由
音声が組み込まれており、簡単な配信で済む短〜中程度のコンテンツ非リアルタイム HTTP/SSE 経由の qwen3-tts-flash文字数課金のホスト型モデルで、幅広い音声に対応し、ファイル URL を簡単に扱えます。
「温かみがありながら緊迫感のある」や「ラジオドラマの悪役」のような表現豊かな演出qwen3-tts-instruct-flash またはリアルタイム指示モデル自然言語の instructions に対応しています。指示テキストは中国語と英語に対応し、API リファレンスでは上限が 1,600 トークンです。
文章による説明からブランドや新しいキャラクターの音声を作成Qwen-TTS Voice Design を使用してから、qwen3-tts-vd-* で合成Voice Design は音声サンプルなしで、自然言語の説明からカスタム音声を作成します。
同意を得た話者のサンプルから音声をクローンQwen-TTS Voice Cloning を使用してから、qwen3-tts-vc-* で合成Alibaba のユーザーガイドによると、Voice Cloning は 10〜20 秒のサンプルからカスタム音声を作成します。
テキストが届いている途中から話し始める必要がある会話型アプリQwen3-TTS リアルタイム WebSocketストリーミング入力／出力、サーバーまたはクライアントのコミットモード、音声の増分イベント、低遅延再生に対応しています。
ローカル／オープンなデプロイや研究Qwen/Qwen3-TTS-* オープンチェックポイントApache-2.0 のオープンウェイト方式です。ローカル推論のエンジニアリングと QA が必要です。

ドキュメントに記載されたモデル／リージョンのスナップショット（2026-07-10 に確認）：

  • 非リアルタイムでは、北京とシンガポールのモデル一覧に qwen3-tts-flash、qwen3-tts-flash-2025-11-27、qwen3-tts-flash-2025-09-18、qwen3-tts-instruct-flash、qwen3-tts-instruct-flash-2026-01-26、qwen3-tts-vd-2026-01-26、qwen3-tts-vc-2026-01-22 が含まれます。安定版エイリアスは、日付付きのスナップショットに対応付けられる場合があります。出典：https://help.aliyun.com/en/model-studio/non-realtime-tts-user-guide。
  • リアルタイム Qwen3-TTS SDK は、Qwen3-TTS-Instruct-Flash-Realtime と Qwen3-TTS-Flash-Realtime ではシステム音声に、Qwen3-TTS-VC-Realtime ではカスタムのクローン音声に、Qwen3-TTS-VD-Realtime ではカスタムの音声デザイン音声に対応しています。出典：https://help.aliyun.com/en/model-studio/qwen-tts-realtime-python-sdk。
  • リージョン固有の API キーは相互に使用できません。Model Studio のドキュメントには、エンドポイント／ベース URL、対応モデル、機能、料金に関するリージョンごとの差異が記載されています。出典：https://www.alibabacloud.com/help/en/model-studio/what-is-model-studio。

呼び出しパターンと生成物の管理

非リアルタイム HTTP/SSE

バッチ処理、ナレーションのセグメント、広告、ローカライズ用のセリフ、レンダリングなど、数秒の遅延が問題にならない用途に使用します。

ドキュメントに記載された仕様：

  • 非リアルタイムの Qwen3-TTS では、モデル、入力テキスト、音声、任意の language_type を指定してマルチモーダル生成エンドポイントを使用します。X-DashScope-SSE: enable を追加すると、ストリーミング出力が有効になります。出典：https://help.aliyun.com/en/model-studio/qwen-tts-api。
  • Qwen API リファレンスでは、text と voice が必須で、language_type のデフォルトは Auto です。指定できる言語には、中国語、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、ロシア語があります。同じリファレンスでは、単一言語のテキストでは通常、Auto より特定の言語を選択したほうが品質が向上すると説明されています。出典：https://help.aliyun.com/en/model-studio/qwen-tts-api。
  • API のレスポンスには、トラブルシューティング用の request_id が含まれます。完成した音声は output.audio.url から取得でき、この URL の有効期間は 24 時間です。ストリーミングモードでは、完全な URL は最後のチャンクに含まれ、中間のチャンクには Base64 音声データが含まれます。出典：https://help.aliyun.com/en/model-studio/qwen-tts-api。
  • Qwen3-TTS-Flash の使用量は characters で報告されます。旧型の Qwen-TTS ではトークンのフィールドが報告されます。出典：https://help.aliyun.com/en/model-studio/qwen-tts-api。

本番環境での要件：

  1. ドキュメントに記載されたリクエストあたりのテキスト上限を超える前に、スクリプトを意味単位に分割します。Qwen API リファレンスによると、入力の上限は Qwen-TTS では 512 トークン、その他のモデルでは 600 文字です。現行のドキュメントで別途指定されていない限り、Qwen3-TTS-Flash は文字数制限として扱ってください。
  2. 返された音声 URL はすべて、すぐにダウンロードしてください。本番アセットを、24 時間で期限切れになるプロバイダーの URL のみを参照する状態で放置しないでください。
  3. セグメントごとに、モデル ID、リージョン、エンドポイント、音声 ID、language_type、使用した場合は指示テキスト、request_id、プロバイダーの使用量、ローカルファイルパス、ソーステキストのハッシュ、生成日時を含むマニフェストエントリを保存します。
  4. 長いナレーションでは、段落サイズのセグメントを一貫したルームトーンで生成し、接続部分を後処理してください。非常に大きな 1 回のリクエストに依存しないでください。

例：非リアルタイムの組み込み音声によるナレーション

curl -X POST "https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation" \
  -H "Authorization: Bearer $DASHSCOPE_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "qwen3-tts-flash",
    "input": {
      "text": "Today we will turn a dense product update into a story your sales team can remember.",
      "voice": "Cherry",
      "language_type": "English"
    }
  }'

この構成にする理由：行が単一言語なので language_type を指定し、シンガポールリージョンのキーを使う場合はワークスペース固有のシンガポールエンドポイントを使用し、request_id を保持して返された URL をすぐにダウンロードします。感情や演技の指示が必要な行では、その指示を発話テキストに詰め込むのではなく、指示対応のファミリーに切り替えてください。

リアルタイム WebSocket

アシスタント、対話型リーダー、ライブチャットアバター、または LLM のテキストを音声にストリーミングするアプリケーションに使用します。

ドキュメントに記載された仕様：

  • Qwen リアルタイム Python SDK には、DashScope Python SDK 1.25.11 以降が必要です。出典：https://help.aliyun.com/en/model-studio/qwen-tts-realtime-python-sdk（2026-07-10 に確認）。
  • リアルタイムのリクエストパラメーターには、モデル、URL、音声、language_type、モード、出力形式、サンプルレート、読み上げ速度、音量、ピッチ、Opus のビットレート、指示、指示の最適化が含まれます。リアルタイム出力でサポートされる形式は pcm、wav、mp3、opus です。サポートされるサンプルレートは 8000、16000、24000、48000 Hz ですが、SDK ドキュメントによると、従来の Qwen-TTS-Realtime がサポートするのは PCM/24000 のみです。出典：https://help.aliyun.com/en/model-studio/qwen-tts-realtime-python-sdk。
  • リアルタイムモードには、サーバーがバッファー済みテキストを合成するタイミングを決める server_commit と、クライアントが手動で合成を開始する commit があります。出典：https://help.aliyun.com/en/model-studio/qwen-tts-realtime-python-sdk。

本番環境でのヒューリスティック：

  • 予測できないテキストチャンクを受け取るアシスタントには、文のまとまりを保てる server_commit を選択します。クライアント側で完全なフレーズをバッファーでき、最小の遅延を優先する場合に限り、commit を選択してください。
  • QA とポストプロダクションでは、PCM または WAV をデフォルトにします。発音、編集、ラウドネスを確認してから、配信時の帯域幅を抑える目的で MP3 または Opus を使用してください。
オープンウェイトの利用方法

確認されている事実：

  • Qwen の GitHub リポジトリには、Apache-2.0 の下で公開されているオープンソースの Qwen3-TTS モデルとトークナイザーが記載されており、Qwen/Qwen3-TTS-12Hz-1.7B-Base、Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice、Qwen/Qwen3-TTS-12Hz-1.7B-VoiceDesign などの Base、CustomVoice、VoiceDesign チェックポイントをローカルで使用する方法が示されています。出典：https://github.com/QwenLM/Qwen3-TTS。
  • 技術レポートによると、Qwen3-TTS は 500 万時間を超える多言語音声データで学習され、多言語、言語間、制御可能な音声、ターゲット話者、長時間音声の各タスクで評価されました。出典：https://arxiv.org/html/2601.15621v1。

本番環境での経験則：

  • ローカルにデプロイする場合は、最大テキスト長、サンプルレート、ファイル形式、音声登録データの保存先、ログ記録、情報のマスキング、GPU メモリの上限、同時実行数、モデレーションを含む、独自のサービス仕様を定めてください。オープンモデルでは、ホスト型 DashScope のデータ保持、課金、クォータ、監査の動作は自動的に引き継がれません。

音声、複数言語の音声、方言、発音

確認されている事実：

  • Qwen-TTS の音声リストには、Cherry、Serena、Ethan、Chelsie、Momo、Vivian、Moon、Maia、Kai、Nofish、Jennifer、Ryan、Katerina など、多数の組み込みシステム音声が掲載されています。利用可能な音声はモデルによって異なり、各音声の行には対応言語とモデル ID が記載されています。出典：https://help.aliyun.com/en/model-studio/qwen-tts-voice-list（2026-07-10 確認）。
  • Qwen3-TTS の組み込み音声の多くは、中国語（標準中国語）、英語、フランス語、ドイツ語、ロシア語、イタリア語、スペイン語、ポルトガル語、日本語、韓国語に対応しています。音声リストには、広東語の音声など、特定の方言に対応する項目もあります。出典：https://help.aliyun.com/en/model-studio/qwen-tts-voice-list。
  • Qwen-TTS の方言への対応について、Alibaba の非リアルタイムガイドには、方言に対応する組み込み音声は使用できますが、音声クローンと音声デザインは方言に対応していないと記載されています。出典：https://help.aliyun.com/en/model-studio/non-realtime-tts-user-guide。

本番環境での要件：

  1. 単一言語のテキストには、language_type を明示的に設定してください。
  2. 複数言語が混在するテキストには Auto を使用しますが、発音の誤りが起きることを想定してください。固有名詞、頭字語、数字、言語の切り替わり箇所をすべて QA してください。
  3. クローン音声やデザイン音声で方言の出力を約束しないでください。現在の音声リストで対応が確認できる場合に限り、方言に対応した組み込み音声を使用してください。
  4. 発音リストを用意してください。Qwen3-TTS がブランド名、人名、URL、略語を誤読する場合は、スクリプトで発音に合わせて書き換えるか、そのトークンだけを分けて録り直してください。

指示による制御、音声デザイン、音声クローン

指示による制御

ドキュメントに記載された事実：

  • Qwen3-TTS の指示による制御には、instructions パラメーターを使用します。Qwen3-TTS-Instruct-Flash ファミリーでサポートされる指示言語は中国語と英語で、指示の最大長は 1,600 トークンです。出典：https://help.aliyun.com/en/model-studio/non-realtime-tts-user-guide および https://help.aliyun.com/en/model-studio/qwen-tts-api。
  • Alibaba のドキュメントでは、2026-07-10 時点で指示の適用範囲に食い違いがありました。非リアルタイムガイドでは qwen3-tts-instruct-flash と instructions の使用例を示していますが、API リファレンスの適用範囲の記述では Qwen3-TTS-Instruct-Flash-Realtime シリーズが挙げられています。本番ワークフローを確定する前に、対象のルートを再確認してください。
  • Alibaba は、具体的で多面的、客観的、独自性があり、簡潔な声の説明を推奨しています。また、公人の模倣はサポートされておらず、著作権上のリスクを伴う可能性があるため、人物をまねるのではなく声の特徴を説明するよう明示的に勧めています。出典：https://help.aliyun.com/en/model-studio/non-realtime-tts-user-guide。

本番環境での指針：

  • instructions は演技の指示として扱い、台本の内容にはしないでください。読み上げるテキストは簡潔に保ちます。話し方に関するメモは instructions のみに記述し、年齢、速度、ピッチ、感情、声質、用途、発音、強さを指定します。
  • 表現力が重要な制作では、事前にテストしたうえで optimize_instructions: true を使用します。内部指示が意味的に書き換えられるため、ブランドやキャラクターの意図が重要な場合は回帰テストを行ってください。

例：指示による制御を使った表現豊かな広告読み上げ

{
  "model": "qwen3-tts-instruct-flash",
  "input": {
    "text": "Your first invoice should feel like momentum, not paperwork.",
    "voice": "Ryan",
    "language_type": "English",
    "instructions": "Male young-adult commercial narrator. Confident, rhythmic, lightly amused. Medium-fast pace, crisp consonants, small smile in the voice. Build energy on 'momentum' and land 'not paperwork' with a dry, friendly contrast.",
    "optimize_instructions": true
  }
}

期待される結果：角括弧付きの演技指示を読み上げ文に混ぜず、メリハリのある、方向性の明確な読み上げになります。失敗の例：大げさな演技、ピッチの動きが大きすぎる、子音が途切れる、またはモデルが対比を反映しない。形容詞を減らし、観察可能な話し方の変化を一つか二つ指定して調整してください。

ボイスデザイン

ドキュメントに記載された事実：

  • Qwen-TTS Voice Design はテキストの説明だけでカスタム音声を作成でき、リアルタイム合成と非リアルタイム合成に対応しています。Alibaba の Voice Design ガイドによると、Qwen-TTS の音声説明の上限は 2,048 文字で、北京とシンガポールで利用できます。出典：https://help.aliyun.com/en/model-studio/voice-design-user-guide。
  • 同じ説明でも、生成のたびに音声がわずかに異なる場合があるため、複数の音声を生成して試聴し、最適なものを選ぶようガイドには記載されています。また、現在 voice_prompt が対応しているのは中国語と英語のみですが、生成された音声では複数の言語を合成できます。出典：https://help.aliyun.com/en/model-studio/voice-design-user-guide。
  • Qwen-TTS のカスタム音声のクォータと削除について：Model Studio の各アカウントには、Qwen-TTS のカスタム音声を 1,000 件まで作成できる個別の上限があります。音声が 1 年間、音声合成リクエストで一度も使用されない場合、システムによって自動的に削除されます。出典：https://help.aliyun.com/en/model-studio/voice-design-user-guide。

本番ワークフロー：

  1. 年齢層、性別または中性的な声、ピッチ、速度、感情、声質、対応している場合はアクセント、発音、制作での用途を含む音声の要件をまとめます。
  2. 予算が許せば、候補を 3～5 件作成します。Voice Design の生成結果は決定論的ではありません。
  3. プロバイダーのプレビューだけでなく、実際の台本のジャンルで各候補を試聴します。
  4. 選定した voice_id、作成リクエスト、プレビュー音声、選定メモ、権利・承認記録を保存します。
  5. プロバイダーアカウントのクォータが上限に近い場合や、音声を残すべきでない場合は、プロジェクト終了後に未使用のカスタム音声を削除します。

例：学習アプリ用にデザインした音声

音声プロンプト：

Neutral young-adult educator, approximately 28 years old, clear mid pitch, moderate pace, precise articulation, warm but not childish, calm enthusiasm, low vocal fry, suitable for explaining math and science concepts to high-school students.

プレビュー用テキスト：

Let's slow the problem down and look for the pattern hiding in the numbers.

効果的な理由：特定の人物を指定せず、観察可能な声の特徴と用途を示しているためです。定義、数式、励ましの言葉で試聴し、大げさすぎる、見下すように聞こえる、または息が多すぎる候補は除外してください。

音声クローニング

確認済みの事実：

  • Alibaba の Qwen 音声クローニングガイドによると、音声クローニングでは、モデルをトレーニングせずに 10～20 秒の音声サンプルからカスタム音声を作成できます。Qwen-TTS のクローニングはリアルタイム合成と非リアルタイム合成の両方に対応しており、中国（北京）とシンガポールで利用できます。出典：https://help.aliyun.com/en/model-studio/voice-cloning-user-guide。
  • 音声クローニングのワークフローは、音声を準備し、target_model を指定して Voice Cloning API で音声を作成した後、返された音声 ID を使って音声を合成するという流れです。出典：https://help.aliyun.com/en/model-studio/voice-cloning-user-guide。

本番環境での要件：

  • サンプル音声および生成される合成音声について、同意と権利が文書で確認できる場合に限り、クローニングを行ってください。同意記録は本番環境のマニフェストとともに保管してください。
  • 公人、クライアント企業の幹部、従業員、俳優、子ども、または私人の音声は、対象となる用途、期間、地域、配信チャネルについて明示的な書面による許可をプロジェクトで得ていない限り、クローニングしないでください。
  • 音楽、室内の反響、複数の話者、圧縮によるアーティファクト、または極端な感情表現を避け、クリアで残響のない、マイクに近い音声をソースとして使用してください。ただし、それらが意図する音声の特徴である場合は除きます。
  • 発音上の問題を回避する目的でクローニングを使用しないでください。話者のアイデンティティが不要な場合は、組み込み音声または Voice Design を優先してください。

料金、クォータ、プライバシー、コンプライアンス

2026-07-10 に確認済みの事実：

  • Alibaba の料金ページによると、Qwen3-TTS の非リアルタイム版とリアルタイム版は入力テキストの文字数に基づいて課金され、出力には課金されません。同ページでは、国際デプロイの場合、qwen3-tts-flash は 10,000 文字あたり 0.733924 CNY、qwen3-tts-instruct-flash は 10,000 文字あたり 0.8 CNY とされています。また、リアルタイム版の Qwen3-TTS Flash／Instruct／VD／VC は、サービスのデプロイ範囲とモデルのセクションに応じて、10,000 文字あたり約 0.954101～1 CNY です。出典：https://help.aliyun.com/zh/model-studio/model-pricing。
  • 同じ料金ページでは、qwen-voice-enrollment はカスタム音声 1 件あたり 0.01 CNY、qwen-voice-design はカスタム音声 1 件あたり 0.2 CNY とされています。一部のセクションでは中国本土向けの無料クォータが記載されていますが、その他のデプロイ範囲には無料クォータがありません。出典：https://help.aliyun.com/zh/model-studio/model-pricing。
  • Alibaba Cloud Model Studio のプライバシーに関するドキュメントによると、Model Studio は顧客データをモデルのトレーニングに使用せず、アプリケーションの構築およびモデルのトレーニング中に転送されるデータは AES-256 で暗号化されます。また、Model Studio は無限定意見による SOC 2 コンプライアンスを取得していると記載されています。出典：https://www.alibabacloud.com/help/en/model-studio/privacy-notice。
  • Alibaba Cloud の一般的なプライバシーポリシーには、個人データの移転、保持、セキュリティ、削除、および権利に関する条件が記載されています。また、データの保持期間は目的、法的要件、および継続的な事業上の必要性によって決まるとされています。出典：https://www.alibabacloud.com/help/en/legal/latest/alibaba-cloud-international-website-privacy-policy。

本番環境での要件：

  1. 有料バッチを実行する前に、料金と無料クォータを再確認してください。上記の料金を恒久的なものとして扱わないでください。
  2. API キーは環境変数に保存してください。スクリプト、ログ、ノートブック、プロンプト、または生成されたマニフェストにキーを貼り付けないでください。
  3. 入力スクリプト、参照用音声サンプル、クローニングされた音声 ID、プレビュー音声、生成された音声アセットは、機密性の高い本番データとして扱ってください。
  4. プロジェクトに健康、子ども、法律、金融、従業員、著名人、または生体認証に関する音声アイデンティティデータが含まれる場合は、合成の前に法務およびプライバシーの審査にエスカレーションしてください。
  5. ホステッド推論とローカル推論のどちらを使用したか記録してください。Model Studio のホステッド環境に関するプライバシー保証は、ローカルデプロイ、サードパーティゲートウェイ、またはダウンロードしたオープンウェイトには自動的には適用されません。

納品前のQAチェックリスト

最終版またはクライアントレビュー用の音声アセットごとに、以下のチェックを実施してください。

  • テキストの忠実性：語句の省略や捏造、フレーズの繰り返し、数字や単位の誤り、字幕との不一致がないこと。
  • 発音：名前、ブランド名、頭字語、URL、多言語の語句、方言に関する主張、コードスイッチングを確認します。
  • パフォーマンス：ペース、感情、信頼感、親しみやすさ、年齢の印象、ジャンルとの適合性、指示への準拠を確認します。
  • 音声の識別情報：組み込み音声またはカスタムの voice_id が承認済みの決定と一致し、モデルやリージョンが意図せずフォールバックしていないこと。
  • 音声の技術的品質：クリック音、クリッピング、無音、途中での切断、明らかな圧縮アーティファクト、サンプルレートの不一致、チャンネル数、ラウドネス、先頭と末尾の余白、セグメントの継ぎ目のクリック音を確認します。
  • 権利とプライバシー：クローン音声の同意書、使用可能なソーステキスト、著名人の模倣がないこと、未承認の未成年者の音声を使用していないこと、プロバイダーのURLが漏れていないことを確認します。
  • 保管管理：変更不可のローカルファイルが存在し、マニフェストにモデル、音声、リージョン、request_id/session_id、テキストハッシュ、使用状況、生成時刻が記録されていること。

長尺のコンテンツでは、音楽や映像と合わせて試聴してください。Qwen3-TTSは単独で聞くと優れた音声でも、動画に組み込むとタイミングやリップシンク、感情の一貫性が損なわれることがあります。

トラブルシューティング

  • ロボットのような、または平坦な読み上げ：指示モデルに切り替え、曖昧な形容詞を減らし、具体的なペースやピッチ、発音を指定して、短い節ごとに録り直します。
  • 大げさな読み上げ：感情を表す語句の重ねすぎを避け、強度を下げ、より落ち着いた組み込み音声を選ぶか、指示の最適化を無効にして録り直します。
  • 固有名詞の発音間違い：language_type を正確に設定し、発音を音声表記で書き直して、該当する行だけを分離し、使用した綴りを記録します。
  • 多言語の誤り：必要な場合のみ Auto を使用し、自然な箇所で言語ごとに分割するか、明示的な言語設定を指定して別々のセグメントを生成します。
  • カスタム音声が依頼内容に合わない：Voice Designの候補を複数生成します。これは非決定的であると説明されています。
  • クローン音声が不安定：よりクリーンなソース音声を使用し、同意とサンプルの本人確認を行い、新しい音声を作成してから、バッチ合成の前に代表的な複数の行でテストします。
  • リアルタイム音声でフレーズが途切れる：server_commit を使用するか、commit の前に節全体をバッファーします。
  • 音声ファイル全体がない：SSEでは、最後のチャンクが届くまで待ちます。完全なURLは最後に返されます。
  • URLの有効期限切れ：再生成するか、以前にダウンロードしたローカルコピーを使用します。プロバイダーのURLの有効期限は24時間のみと説明されています。

参照資料

このスキルで使用した公式および一次資料です。いずれも2026-07-10に確認済みです。

コメント

Markdown 対応