

Qwen-Audio-3.0-TTS:Flash と Plus を解説
Qwen-Audio-3.0-TTS の Flash と Plus を、レイテンシ、音質、公式の文字数課金で比較。Flash はライブ音声、Plus はナレーションや吹き替え向けです。
素早い音声応答が必要なら Flash、ナレーションの品質を重視するなら Plus を選びましょう。 違いはそれだけです。Qwen-Audio-3.0-TTS の 2 つのティアはどちらも Alibaba Cloud Model Studio で提供されており、APIMart では現在このモデルを提供していません。
私ならこう煮詰めます。
- Flash(
qwen-audio-3.0-tts-flash)はリアルタイム対話向けで、初回パケットの遅延は 200 ms 以内、公式価格は 100 万文字あたり $15(シンガポール地域) - Plus(
qwen-audio-3.0-tts-plus)は高品質な出力向けで、Alibaba の話者類似度テストでトップ、価格は 100 万文字あたり $20(シンガポール地域) - どちらも 16 言語、プリセット音声ライブラリ、ボイスクローン、感情・トーン・話速・スタイルを調整できる指示とタグによる制御に対応
- どちらも上限は 1 分あたり 180 リクエスト
- 価格はプロモーションを含まない定価で、Alibaba Cloud の料金ページが基準
私が選ぶなら次のようにします。
- ライブエージェント、サポートボット、アプリ内アシスタント、MVP には Flash を使います
- オーディオブック、広告のナレーション、コースナレーション、ゲームの台詞には Plus を使います
要するに: Flash は低コストで低遅延。Plus は文字あたり約 3 割高いものの、より高い忠実度の出力に向けて調整されています。
要点まとめ
- Qwen-Audio-3.0-TTS Flash はリアルタイム音声向けのティアで、初回パケット遅延は 200 ms 以内、シンガポール地域の公式価格は 100 万文字あたり $15 です。
- Qwen-Audio-3.0-TTS Plus は洗練されたナレーション向けのティアで、Alibaba のテストでは話者類似度 1 位、シンガポール地域の価格は 100 万文字あたり $20 です。
- Plus は Flash より文字あたり約 3 割高く、両ティアとも 16 言語、プリセット音声、ボイスクローン、指示とタグによる制御を備えています。
- ライブエージェント、サポートボット、アプリ内アシスタント、MVP には Flash を、オーディオブック、広告ナレーション、講座ナレーション、ゲームのセリフには Plus を選びましょう。
- 両ティアとも Alibaba Cloud Model Studio でホストされ、上限は 1 分あたり 180 リクエストです。APIMart では現在このモデルを提供していません。
Qwen’s new Speech Model is insanely fast! (Qwen3-TTS-Flash)
この動画で紹介しているのは、Qwen の以前の音声モデル Qwen3-TTS-Flash です。Qwen-Audio-3.0-TTS はその後に別途リリースされた新しいモデルなので、動画内の速度や音声とは異なる場合があります。
クイック比較
| 基準 | Flash | Plus |
|---|---|---|
| 主な用途 | ライブインタラクション | 本番用オーディオ |
| モデル ID | qwen-audio-3.0-tts-flash | qwen-audio-3.0-tts-plus |
| 初回パケット遅延 | 200 ms 以内 | 非公開 |
| 音質 | 高 | より高い忠実度 |
| 感情とプロソディ | 標準 | より広い幅と一貫性 |
| 価格(シンガポール、定価) | $15 / 100 万文字 | $20 / 100 万文字 |
| 最適な用途 | サポートボット、音声エージェント、ライブ翻訳 | オーディオブック、マーケティング、教育、ゲームの台詞 |
つまり主な目標が 応答速度 なら Flash が無難な選択です。主な目標が 音声の洗練 なら Plus のほうが理にかなっています。
Flash vs Plus:クイック概要

両ティアは同じコア機能を共有しているため、日々の選択はたいてい 速度対忠実度 に行き着きます。次のセクションでは、そのトレードオフがレイテンシ、スループット、品質、総コストにどう現れるかを掘り下げます。
Flash:リアルタイム音声応答向けに設計
アプリに素早い応答が必要なら Flash を使いましょう。リアルタイム対話向けに調整されており、Alibaba は初回パケット遅延を 200 ms 以内に抑えているため、ライブのバーチャルアシスタント、カスタマーサポートボット、リアルタイム翻訳など、スムーズな会話のやり取りが重要な音声インターフェースに最適です。スピードを最優先するなら Flash が向いています。
Plus:洗練されたナレーションと本番出力向けに設計
Plus は多少のスピードと引き換えに、より高い音声忠実度を実現します。Alibaba は、スピードより自然さや声質の再現が重要な高品質生成向けと位置づけており、公開テストでは 16 言語すべてで話者類似度 1 位です。そのため、オーディオブック、マーケティング、ゲームのセリフ、ブランドコンテンツに向いています。
比較表:機能、レイテンシ、品質、価格、適合用途
| 機能 | Flash | Plus |
|---|---|---|
| 主な適合 | レイテンシ優先 / リアルタイム | 品質優先 / 本番 |
| 初回パケット遅延 | 200 ms 以内 [1] | 非公開 |
| 出力品質 | 高、忠実度はやや低め | 高忠実度 / 表現力豊か |
| プロソディと感情 | 標準的な制御 | 幅と一貫性を強化 |
| コスト | 100 万文字あたり $15(シンガポール定価) [1] | 100 万文字あたり $20(シンガポール定価) [2] |
| 最適な用途 | ライブサポートボット、音声エージェント、リアルタイム翻訳 | オーディオブック、マーケティング動画、ゲームキャラクターの台詞、ブランドコンテンツ |
これらの差は、実際のワークロードと時間経過での利用コストを見ると、はるかに重要になり始めます。
Flash と Plus がパフォーマンスとコストでどう異なるか
レイテンシとスループット:インタラクティブ対バッチのワークロード
速度対品質の分かれ目は物語の一部に過ぎません。より大きな違いは レイテンシ、出力の一貫性、コスト に現れます。
Flash はリアルタイム対話向け、Plus は忠実度重視に調整されています [3]。平たく言えば、Flash は立ち上がりが速く、わずかな遅延でも不自然に感じるライブ音声アプリに向いています。Alibaba の公式モデルページでは、初回パケット遅延は 200 ms 以内とされています [1]。
Plus は最初に少し時間がかかりますが、より高忠実度の出力が必要なときにそのトレードオフが報われます。そのため、瞬時の応答時間より洗練が重要なオーディオブックやナレーションのようなバッチワークロードに強い選択肢になります。速度の差はまた、短い一問一答のプロンプトと、長めのナレーションコンテンツを各ティアがどう扱うかも形作ります。
音質、表現力、音声の一貫性
Alibaba の 16 言語テストでは、両ティアとも良好なスコアです。平均 WER/CER は Flash が 3.87、Plus が 3.96 で、Flash も精度では引けを取らず、短く安定した音声なら十分にこなせます [3]。
Plus は声の再現性でさらに上を行き、話者類似度の平均は 82.75、Flash は 80.44 です [3]。短いクリップではこの差はあまり目立たないかもしれませんが、長い読み上げやクローン音声、より作り込んだ制作になると、ずっと大きな意味を持ちます。
価格と使用制限:総コストを左右するもの
コストは、トレードオフを最も測りやすい部分です。両ティアとも入力テキストの文字数で課金されます。シンガポール地域では Flash が 1 万文字あたり $0.15、Plus が $0.2 で、Plus は約 3 割高くなります [1][2]。北京地域の定価は、1 万文字あたりそれぞれ $0.137521 と $0.19253 です。
つまり正しい選択は、しばしばジョブそのものに行き着きます。
- Flash は、速度と低コストが最も重要な、インタラクティブで低レイテンシのユースケースに適しています。
- Plus は、より良い音声出力が追加の支出に見合う、ナレーション中心または品質重視の作業に適しています。
料金の詳細とコスト計画は「Qwen-Audio-3.0-TTS:料金と音声コントロール」で解説しています。
ユースケースに合った正しいティアを選ぶ
リアルタイムで大量のワークロードには Flash を使います。洗練された、公開可能なオーディオには Plus を使います。
速度、品質、コストが出そろったら、次のステップはシンプルです。各ティアを最も得意なジョブに合わせるのです。
プロトタイプ、ライブエージェント、サポート自動化には Flash を選ぶ
アプリがリアルタイムで応答する必要があるなら、通常は Flash が適しています。初回パケット遅延は 200 ms 以内に収まるため、ライブのサポートボット、ライブエージェント、アプリ内音声アシスタントなど、わずかな遅延でも気になるインタラクティブな用途にぴったりです。
Flash は素早いプロトタイピングにも向いています。音声機能をテストしているときは、より速く低コストなティアから始めるのが賢明なことが多いです。その後、より洗練された出力が必要だと判断したら、上位に移れます。
マーケティングオーディオ、教育コンテンツ、本番リリースには Plus を選ぶ
音質が主な目標なら Plus のほうが適しています。高忠実度の出力向けに調整されており、Flash より良いプロソディと感情の幅を備えています。平たく言えば、音声は長めの読み上げにわたってより洗練され、より人間らしく聞こえる傾向があります。
そのため Plus は、マーケティングのナレーション、教育ナレーション、オーディオブック、その他の洗練されたコンテンツに適しています。最終リリース用のオーディオや本番作業では、最初から最後まで音声を自然で安定して響かせたいときに無難な選択肢です。
これで、かなりすっきりした分かれ目が残ります。ライブインタラクションには Flash、リリース可能なオーディオには Plus です。
判断表:各ティアをあなたの目標に合わせる
| シナリオ | 主な目標 | レイテンシ許容度 | コンテンツ量 | 品質基準 | 推奨ティア |
|---|---|---|---|---|---|
| ライブサポートボット | リアルタイムのやり取り | 非常に低(<200 ms) | 高 | 機能的/明瞭 | Flash |
| 素早いプロトタイピング / MVP | 市場投入の速さ | 低 | 可変 | 中 | Flash |
| アプリ内音声アシスタント | ユーザー体験 | 低 | 高 | 自然 | Flash |
| マーケティング広告のナレーション | ブランドの信頼 / 感情 | 高(バッチ) | 低 | 高 | Plus |
| eラーニングコースのナレーション | 明瞭なナレーション | 中(バッチ) | 高 | 高/一貫 | Plus |
| オーディオブックまたは長文コンテンツ | 長文の安定性 | 中(バッチ) | 高 | 高/一貫 | Plus |
| ゲームの台詞 | キャラクターの奥行き | 中 | 高 | 高/表現力豊か | Plus |
次は、自分の環境でレイテンシ、音声、コストを検証しましょう。
Qwen-Audio-3.0-TTS の利用方法と最終的な推奨

Flash と Plus の利用方法
Flash と Plus はどちらも、Alibaba Cloud Model Studio のホスト型 API として北京とシンガポールの地域で提供されています。ティアの切り替えは、モデル ID を qwen-audio-3.0-tts-flash と qwen-audio-3.0-tts-plus の間で変えるだけです。API キーとエンドポイントは選んだ地域のものを使います。詳細は Flash と Plus のモデルページを参照してください。APIMart では現在このモデルを提供していません。
テストすべきなのは 2 つのティアの差です。Flash と Plus に同じプロンプトとトラフィックを送り、アプリにとって重要な条件で応答速度と音質を比べましょう。地域別の価格、コスト試算、音声コントロールについては Qwen-Audio-3.0-TTS:料金と音声コントロール をご覧ください。
ティア別のワークフロー例
どちらのティアを選ぶかで、パイプライン全体の組み方も変わります。よくある音声ワークフローでの使い分けは次のとおりです。
| ワークフロー | ティア | 統合アプローチ |
|---|---|---|
| リアルタイム音声エージェント | Flash | 返答を短く保ち、最初の音声を素早く届ける |
| カスタマーサポートボット | Flash | 低遅延のチャットモデルと同じリクエストループで組み合わせる |
| 教育ナレーション | Plus | セクションごとに生成し、明瞭さと抑揚をテイクごとに確認する |
| 多言語コンテンツ | Plus | 16 言語の対応範囲を活かし、市場をまたいで同じ声を保つ |
| 動画制作パイプライン | Plus | Plus でナレーションを生成し、動画編集に同期させる |
分かれ目はかなり明確です。Flash はライブ出力に、Plus は洗練されたオーディオに適しています。
長文コンテンツ全体で同じキャラクターの声が必要なら、まず参照音声を作り、それをスクリプト全体にわたってクローンします。それにより、セクションごとに声がドリフトするのを防ぎ、音声を安定させられます。
まとめ:いつ Flash を選び、いつ Plus を選ぶか
Flash はリアルタイム音声向けの低コストな選択肢です。Plus は本番用オーディオ向けの高忠実度な選択肢です。
スケールする前に、自分のプロンプトとトラフィック量で両ティアをテストしましょう。変えるのはモデル ID だけなので、比較のために別の連携を用意する必要はありません。
FAQs
Plus は大規模ではどれくらいコストが増えますか?
定価ベースでは、Plus は Flash より文字あたり約 3 割高くなります。
シンガポール地域の公式価格は次のとおりです。
- Flash:1 万文字あたり $0.15、つまり 100 万文字あたり $15。
- Plus:1 万文字あたり $0.2、つまり 100 万文字あたり $20。
月に 1 億文字なら、Flash は約 $1,500、Plus は約 $2,000 になります。これは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 の料金ページを確認してください。
いつ Flash から Plus に切り替えるべきですか?
最大スループットや最小限の遅延よりも高忠実度の音声が必要になったら、Flash から Plus に切り替えましょう。
自然さ、繊細なプロソディ、感情の幅が最も重要なナレーション、オーディオブック、マーケティングコンテンツ、ゲームキャラクターには Plus を使います。Flash はリアルタイムで大量、かつコストに敏感な作業に適しています。
長いスクリプトはどう扱えばよいですか?
長いスクリプトでは、生成速度そのものより一貫性が重要です。ここが主なトレードオフです。Model Studio にはどちらのティアにも最大入力長の記載がないため、長いテキストは文や段落の区切りで分割し、つなげた結果をテストしましょう。
オーディオブック、教育コンテンツ、長尺ナレーションを手がけるなら、プリセット音声を 1 つ選ぶか、クリーンな参照音声からクローン音声を作成します。
そのうえで、すべてのチャンクで同じ声と同じ指示を使い回します。こうすることで長い出力でも声が安定してまとまり、途中でぶれるのを防げます。
長文コンテンツにはたいてい Plus のほうが良い選択です。一方 Flash は、高速でリアルタイムのやり取り向けに作られています。
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。
