

Qwen-Audio-3.0-TTS:料金と音声コントロール
Qwen-Audio-3.0-TTS は入力文字数で課金され、シンガポール地域の定価は Flash が 100 万文字あたり $15、Plus が $20。2 つのティアの違い、音声コントロール、利用方法を解説します。
Qwen-Audio-3.0-TTS を検討しているなら、まず 2 つの事実を押さえておきましょう。課金は入力テキストの文字数ベースであること、そしてオープンウェイトではなく Alibaba Cloud Model Studio のホスト型 API として提供されていることです。 APIMart は現在このモデルを提供していないため、以下の料金や使い方はすべて Alibaba Cloud の公式情報に基づいています。
短くまとめると次のとおりです。
- 課金は文字数ベースで、どちらのティアも以下は公式の定価です。
- Flash(
qwen-audio-3.0-tts-flash)はシンガポール(国際)地域で 1 万文字あたり $0.15、つまり 100 万文字あたり $15 です。 - Plus(
qwen-audio-3.0-tts-plus)はシンガポール地域で 1 万文字あたり $0.2、つまり 100 万文字あたり $20 です。 - どちらのティアも、北京とシンガポールの両地域で 1 分あたり 180 リクエストが上限です。
- 声は自由形式の指示と、感情・トーン・キャラクター・話速・音量・スタイルを指定する細かなタグで調整できます。
- 公式のリリース記事では 16 言語、プリセット音声ライブラリ、ボイスクローンが挙げられています。
- Flash はリアルタイム対話向けで、最初の音声パケットまでの遅延は 200 ms 以内です。
- Plus はナレーションやブランドボイスなど、高品質な生成向けです。
規模感を例で見てみましょう。Flash のシンガポール地域の定価 100 万文字あたり $15 で計算すると、500 文字 × 30,000 リクエストは 1,500 万文字で、月額は約 $225 です。同じ量を Plus で処理すると約 $300 になります。いずれもプロモーションを含まない定価なので、予算を組む前に Alibaba Cloud の料金ページで確認してください。
このガイドはセットアップのチェックリストとして読むのがおすすめです。コストを見積もり、ティアを選び、音声と短い指示を決め、実際のトラフィックでテストしてからリリースする。

要点まとめ
- Qwen-Audio-3.0-TTS は入力テキストの文字数で課金され、シンガポール地域の公式定価は Flash が 100 万文字あたり $15、Plus が $20 です。
- このモデルは Alibaba Cloud Model Studio のホスト型 API として北京とシンガポールの 2 地域で提供されており、APIMart では現在提供していません。
- 声は自由形式の指示と細かなタグで制御でき、感情、トーン、キャラクター、話速、音量、スタイルを調整できます。
- Flash はリアルタイム用途向けで初回パケットの遅延は 200 ms 以内、Plus は高品質なナレーションやブランドボイス向けです。
- どちらのティアも上限は 1 分あたり 180 リクエストで、Model Studio には最大入力長の記載がないため、長いスクリプトはリリース前にテストしてください。
Qwen-Audio-3.0-TTS の料金と課金

Alibaba Cloud の Flash と Plus の公式モデルページによると、Qwen-Audio-3.0-TTS は入力テキストの文字数で課金されます。APIMart は現在このモデルを提供していないため、利用は Alibaba Cloud Model Studio 経由になります。
料金単位の仕組み
Flash と Plus はどちらも入力テキスト 1 万文字あたりで価格が決まり、呼び出す地域によって料金が異なります。以下はプロモーションを含まない定価で、最終的には Alibaba Cloud の料金ページが基準です。
| ティア | シンガポール(国際) | 中国(北京) | 100 万文字あたり(シンガポール) |
|---|---|---|---|
Flash(qwen-audio-3.0-tts-flash) | $0.15 / 1 万文字 | $0.137521 / 1 万文字 | $15 |
Plus(qwen-audio-3.0-tts-plus) | $0.2 / 1 万文字 | $0.19253 / 1 万文字 | $20 |
出典:Alibaba Cloud Model Studio の Flash と Plus のモデルページ(2026 年 10 月確認)。
Flash は低レイテンシで大量のジョブによく合います。Plus はナレーションやブランドボイスの作業により適しています。
月間コストの見積もり方
計算はかなりシンプルです。リクエストあたりの平均文字数を取り、それに月間リクエスト数を掛け、1,000,000 で割り、そして 100 万文字あたりのレートを掛けます。
Flash のシンガポール地域の定価 100 万文字あたり $15、Plus の $20 で計算すると、次のようになります。
| ユースケース | 1 リクエストあたりの平均文字数 | 月間リクエスト数 | 月額の目安(Flash) | 月額の目安(Plus) |
|---|---|---|---|---|
| チャットアシスタント | 500 | 30,000 | 約 $225 | 約 $300 |
| カスタマーサポート | 1,200 | 30,000 | 約 $540 | 約 $720 |
| 動画ナレーション | 10,000 | 30,000 | 約 $4,500 | 約 $6,000 |
短い返答 1 回あたりのコストはごくわずかで、Flash なら 500 文字で 1 セント未満です。ただし量が増えると合計はすぐに膨らみ、長いナレーションほど増え方が大きくなります。
コストが定まったら、次のステップは出力を形づくる音声コントロールを選ぶことです。
Qwen-Audio-3.0-TTS の音声コントロール
料金が明確になったので、次のステップは音声を形づくることです。
Qwen-Audio-3.0-TTS には、声を演出する方法が 2 つあります。自由形式の指示では話し方を自然な言葉で説明し、細かなタグでは感情、トーン、キャラクター、話速、音量、スタイルといった属性をピンポイントで指定します [1]。安定した出力が欲しいなら、声と短い指示を固定しましょう。読み方に変化をつけたいときは、指示を変えます。
音声と言語
Alibaba の公式リリース記事では、アラビア語、中国語、英語、フランス語、ドイツ語、インドネシア語、イタリア語、日本語、韓国語、マレー語、ポルトガル語、ロシア語、スペイン語、タガログ語、タイ語、ベトナム語の 16 言語が挙げられており、いくつかの中国語方言の再現性も向上しています [2]。これらの言語にまたがるプリセット音声ライブラリも用意されているので、ボイスクローンを作らなくてもすぐに始められます。
ボイスクローンにも対応しています。公式記事によると、参照音声が多少粗くても、残響やノイズを抑えつつ話者の声質を保つとのことです [2]。基本ルールはシンプルで、声は対象言語に合わせ、製品やキャラクターごとに 1 つの声に固定します。
Model Studio のモデルページには出力フォーマットやサンプルレートの記載がなく、公式記事では 48 kHz 出力は「近日対応」とされています。メディアパイプラインを組む前に、利用する地域の API リファレンスで両方を確認してください。
トーン、速度、感情
話速は、感情、トーン、キャラクター、音量、スタイルと同様にタグで指定できる属性の 1 つです [1]。タグで表せない話し方は、「落ち着いて安心感のある声で、普段より少しゆっくり」のように自然な言葉で説明します。公式記事では、[gasp]、[giggles]、[angry] のような非言語タグをテキストに直接埋め込めることも紹介されています [2]。
| コントロール | 設定方法 | 音声への効果 | 最適なユースケース |
|---|---|---|---|
| 声 | プリセット音声を選ぶか、参照音声からクローンする | 基本の声質とアクセントを決める | ブランドキャラクター、ローカライズコンテンツ |
| 感情 / トーン | 細かなタグまたは自由形式の指示 | 抑揚と感情表現を変える | マーケティング、ゲームキャラクター、サポート |
| 話速 / 音量 | 細かなタグ | テンポと音量を変える | 教育コンテンツ、早口の注意書き |
| 役柄 / シーン | 自由形式の指示 | キャラクターや状況に合わせた演じ方を決める | オーディオブック、広告、セリフ |
| 非言語音 | テキスト内のインラインタグ | 息をのむ音や笑い声などを加える | ゲームのセリフ、表現豊かなナレーション |
注意したい点が 1 つあります。感情とテンポは互いに影響し合います。興奮した話し方を指示すると、話速をタグで上げていなくても速く聞こえることがあります。テンポが想定と違うときは、まず指示を確認しましょう。
タグと自由形式の指示の使い分け
声の選択と少数のタグを、本番運用のベースラインと考えるとわかりやすくなります。これが各読み上げの基本的な声の個性を決め、その上に自由形式の指示を重ねて演技を形づくります。
安定した本番出力が必要なときはベースラインを固定し、変化をつけたいときは指示を変えます。実際には、一語だけの指示より「誰が、誰に、どんな気分で話すか」を具体的に書いたほうが良い結果になります。
これらの初期設定はそのままテストに持ち込むことになるので、先にモデルの性能を確認しておきましょう。
Qwen-Audio-3.0-TTS の性能
料金や各種パラメータが意味を持つのは、音声品質が十分な場合だけです。公開されているベンチマークの結果と、自社環境で改めて確認すべき点をまとめます。
中核となる TTS 指標:自然さ、WER、CER、話者類似度、遅延
本番運用チームにとって、いくつかの中核指標がほとんどの重い仕事をこなします。
| 指標 | 何を測るか | なぜ重要か |
|---|---|---|
| WER / CER | 内容の一貫性と明瞭さ | スコアが低いほど、合成音声が入力テキストにより近く一致する |
| SIM (Cosine) | 話者類似度と音色の忠実度 | 音声クローンとブランドボイスの一貫性に不可欠 |
| UTMOS / PESQ | 予測される自然さと音響品質 | 全体の音のクリーンさと人間が知覚する品質を反映する |
| Latency (ms) | 最初の音声までの時間 | モデルがリアルタイム用途で使えるかを決める |
Alibaba が Qwen-Audio-3.0-TTS 自体について公開している数値は次のとおりです [2]。
16 言語のテストセットでは、16 言語中 10 言語で最も低い WER/CER を記録し、平均エラー率は Flash が 3.87、Plus が 3.96 でした。エラー率が低いほど、単語の抜けや不自然な置き換えが少なく、原文に忠実に読み上げられていることを意味します。
話者類似度では、Plus が平均 82.75 で 16 言語すべてで 1 位、Flash は平均 80.44 です [2]。ボイスクローンを扱う場合や、ブランドボイスを一貫させたい場合は、特に注目すべき指標です。
公式記事によると、Plus は Artificial Analysis の TTS リーダーボードで 1 位です [2]。このモデルについて英語 WER 1.24 や遅延 97 ms といった数字を挙げる記事もありますが、これらは Qwen チームが GitHub で公開している別のオープンソースモデル Qwen3-TTS の数値で、このホスト型モデルのものではありません。
多言語品質と言語をまたいだ一貫性
複数の市場に向けてサービスを提供する場合、言語をまたいで同じ声の個性を保つのが難しいところです。Qwen-Audio-3.0-TTS は 16 言語に対応し、いくつかの中国語方言の再現性も高めています [2]。
公開された数値もこの対応範囲を裏付けています。Plus は 16 言語すべてで話者類似度 1 位で、これはまさに、プリセット音声やクローン音声を市場が変わっても同じ人の声に聞こえさせるための性質です [2]。
その安定性は、ローカライズされた音声ワークフローを構築するチームにとって大きな意味を持ちます。ある言語は洗練されて聞こえ、別の言語は違う製品から来たように感じられる、という事態は避けたいものです。
トップランキングが示すもの、そしてチームがなおテストすべきこと
強いベンチマーク結果は青信号であって、最終的な答えではありません。それはモデルが真剣に注目する価値があると教えてくれますが、本番テストの必要性をなくすわけではありません。
チームは自分たちの環境で、なおいくつかのことを確認する必要があります。長尺ナレーションの安定性、感情プロンプトをまたいだ指示への追従、言語をまたいだ音色の一貫性です。これらは、モデルがベンチマークでは素晴らしく見えても、日々の利用で荒れた部分にぶつかりうる箇所です。
ベンチマークのスコアはテストセット全体の平均値です。特定の声が 40 分のナレーションで安定するか、自社の製品名をどう読むかまではわからないので、自分のスクリプトで確認してください。
遅延は API をどこから呼び出すかにも左右されます。Model Studio は北京とシンガポールの地域でモデルを提供しているため、選んだ地域までのネットワーク距離も体感遅延に加わります。
公式モデルページで Alibaba は、Flash の初回パケット遅延を 200 ms 以内に抑えているとしています。Plus の遅延は公開されていません [1]。
Qwen-Audio-3.0-TTS の利用方法
Qwen-Audio-3.0-TTS は、Alibaba Cloud Model Studio のホスト型 API として、中国(北京)とシンガポール(国際)の 2 地域で提供されています。利用する地域で API キーを作成し、その地域のエンドポイントを呼び出してください。キーとエンドポイントは地域をまたいで使い回せません。モデル ID は qwen-audio-3.0-tts-flash と qwen-audio-3.0-tts-plus で、リクエストの詳細は公式の Flash と Plus のモデルページ、およびそこからリンクされている API リファレンスに記載されています。
APIMart は現在 Qwen-Audio-3.0-TTS を提供していないため、APIMart のキーではこのモデルを呼び出せません。
よくあるシナリオ別のおすすめ設定
利用を始めたら、出発点を決めるのはずっと簡単になります。下の表は、よくあるユースケースをティアと指示のスタイルに対応させたものです。
| シナリオ | 推奨ティア | 指示のスタイル | コスト感度 |
|---|---|---|---|
| カスタマーサポート | Flash | 親切で落ち着いた | 高 |
| アプリのオンボーディング | Plus | 温かく歓迎する | 中 |
| 教育ナレーション | Plus | 信頼感があり落ち着いた | 中 |
| 広告クリエイティブ | Plus | エネルギッシュで躍動的 | 低 |
| 製品動画のナレーション | Plus | プロフェッショナルで明瞭 | 低 |
レート制限と本番前のチェック
どちらのティアも、各地域で 1 分あたり 180 リクエストが上限です [1][3]。本番に移る前に、想定ピークで負荷テストを行い、レート制限されたリクエストは指数バックオフで再試行しましょう。長いスクリプトのテストも忘れずに。Model Studio には最大入力長の記載がないため、文や段落の区切りで分割し、あとで音声をつなげるのが安全です。
適切な構成の選び方と次のステップ
シンプルな意思決定フレームワーク
料金と音声コントロールが整ったので、この最後のフィルターを使って、モデルをやり遂げたい仕事に合わせましょう。
予算、音声制御、ユースケースに基づいて選びます。
| 優先事項 | 最適な用途 | 推奨ティア |
|---|---|---|
| 低レイテンシと大量処理 | ライブアシスタント、IVR、リアルタイム翻訳 | Flash |
| 大量処理のコスト効率 | 大量のローカライズ、大量のカスタマーサポート | Flash |
| 表現力のあるブランドナレーション | ブランドナレーション、長尺オーディオ、キャラクターボイス | Plus |
長尺のナレーションでは、最初から最後まで同じ声を使いましょう。指示は短く、わかりやすく、繰り返し使える形にしておくと、出力が安定し、想定外の結果も減ります。
シンプルな構成なら、さらにすっきりさせられます。声を 1 つに決め、必要なときだけ指示を変えましょう。
関連する比較記事「Qwen-Audio-3.0-TTS:Flash と Plus を解説」もあわせてご覧ください。
デプロイの要因:API 統合、スループット、インフラ計画
モデルを選んだら、デプロイ時の負荷が、それが本番で持ちこたえるかを決めます。ここで多くのチームがつまずきます。モデルはデモでは素晴らしく見えても、トラフィックが来ると苦しむことがあります。
主な要因は 並列性 です。なぜならそれが遅延とスループットの両方に影響するからです。ですから、一度に一リクエストだけでテストしないでください。想定されるピーク負荷でテストしてください。それが、人々が一斉に使っているときにシステムがどう振る舞うかを見る唯一の方法です。
Qwen-Audio-3.0-TTS は Alibaba Cloud Model Studio 上でホストされているため、GPU インフラを自分で運用する必要はありません。計画すべきなのは、1 分あたり 180 リクエストの上限、地域の選択、ピーク時のリクエストのキューイングです。
ワークフロー、遅延、統合が揃うと、選択はもはや理論的なものではなくなります。それは運用上の判断になります。
実装に持ち込むべき要点
ティアを選んだら、最も頻繁に運用するシナリオを中心に構成を整えましょう。そうすればローンチ計画が、エッジケースではなく実際の利用に根ざしたものになります。
- ローンチ前に使用量アラートを設定する。
- 各シナリオを、それぞれの話者、速度、
instructプロンプトで検証する。 - ローンチ前に、アメリカのネイティブリスナーで出力をテストする。
- 地域は最初に決めておく。北京とシンガポールでは API キーとエンドポイントが別々です。
また、リリース前に、レート制限や一時的なサーバーエラーへの対処もテストしておきましょう。
よくある質問
1 リクエストあたりの文字数に上限はありますか?
Alibaba Cloud の Flash と Plus のモデルページには最大入力長の記載がありません。上限を前提に設計する前に、利用する地域の API リファレンスを確認してください。
それでも長いスクリプトは分割するのが無難です。文や段落の終わりなど自然な区切りで分け、1 つずつ送信し、返ってきた音声を 1 本のトラックにまとめます。
一貫した出力のために、どの音声設定を固定すべきですか?
長尺の出力を安定させるには、プリセット音声かクローン音声を 1 つ選び、プロジェクト全体で使い続けます。キャラクター像と話し方を説明する短い指示を書き、そのまま使い回しましょう。
タグ、特に話速と音量も揃えておくと、セクション間で声がぶれません。リリース前には、本番と同じ長さのスクリプトで試運転して、問題を早めに見つけましょう。
Plus ではなく Flash を選ぶべきなのはどんなときですか?
スピードと低遅延を最優先するなら Flash を選びましょう。リアルタイム対話向けで初回パケット遅延は 200 ms 以内なので、バーチャルアシスタント、リアルタイム翻訳、カスタマーサポートに向いています。
スピードより品質を重視するなら Plus です。高品質な生成を想定したティアで、Alibaba が公開したテストでは話者類似度でトップに立っています。オーディオブック、プロのナレーション、ブランドメディアに向いています。
TTS にとってパフォーマンス時代とは何を意味しますか?
テキスト読み上げは、硬くロボット的な出力を通り過ぎ、パフォーマンスグレード の発話へと進みました。平たく言えば、モデルが感情、リズム、トーンをはるかにうまく扱えるようになり、声が実際に聞きたいものにより近く聞こえる、ということです。
技術的な側では、エンドツーエンドのアーキテクチャがボトルネックとエラーを減らします。その見返りが、高忠実度の音声と非常に低遅延のストリーミングです。ビジネスにとって、これはナレーション、ゲームキャラクター、教育コンテンツを含む、ライブのやり取りや制作の場面で、AI音声をはるかに実用的にします。
このモデルをデプロイする前に何をテストすべきですか?
Qwen-Audio-3.0-TTS をデプロイする前に、Model Studio のどの地域を使うかを決め、API キーとエンドポイントがその地域のものになっているか確認しましょう。
ピーク時のトラフィックを 1 分あたり 180 リクエストの上限と照らし合わせておくのも有効です。キューイングやより高いクォータが必要かどうかを早めに判断できます。
次に、ドライテストを実行してください。設定、API 統合、音声設定が、期待どおりにマッピングされていることを確認したいはずです。一つの設定がずれていると、パイプライン全体が表面上は問題なく見えながら、なお誤った出力を生むことがあります。
その後、実際のスクリプトで声、タグ、指示をテストしましょう。ここでの小さな変更が出力品質に与える影響は想像以上に大きいので、リリース後に直すより早めに確認しておく価値があります。
APIMart チームについて
APIMart チームは、AI でプロダクトを開発する開発者向けに、モデル解説・比較・料金分析を執筆しています。APIMart なら 1 つの API で複数プロバイダーのチャット・画像・動画モデルを利用でき、本記事で紹介したモデルをリリース前に比較検証できます。
モデルマーケットで使いたいモデルを選ぶ
APIMart のモデルマーケットでチャット、画像、動画モデルを試し、統一 API でモデルの能力をすばやく体験できます。
