Qwen: Qwen-Audio-3.0-TTS Flash

Qwen-Audio-3.0-TTS Flash は、Alibaba のモデルファミリーである Qwen のテキスト読み上げモデルです。音声カテゴリに属し、プロバイダーによって高速でコスト効率の高いテキスト読み上げシステムとして説明されています。このモデルはプロバイダーによって 2026-07-23 にリリースされました。すでに Qwen エコシステム内で作業している場合、または OpenAI スタイルのクライアントに適合するホスト型 TTS オプションが必要な場合、これは評価すべきモデルです。

このモデルはテキストのみを入力として受け取り、音声のみを出力として生成します。入力時に画像、音声、その他のメディアを受け付けず、出力時にテキストを返しません。利用可能な音声は loongjohn と longanhuan_v3.6 の 2 つです。このモデルには公開されたコンテキスト長がなく、記載されている最大出力値は 0 であるため、送信するテキストは、推論の対象となる長い文書ではなく、読み上げられるものとして扱ってください。サポートされている追加のリクエストパラメータは記載されていません。

実用的な用途は、この形状から直接導かれます。動画のナレーション、記事やドキュメントの読み上げ版、電話ツリーや IVR システム用の音声プロンプト、アクセシビリティ機能用の音声、一貫した再生を必要とするアプリ向けの事前生成音声は、いずれも妥当な適合先です。このモデルは flash バリアントとして位置付けられているため、短めまたは中程度の発話を大量に生成し、合成ステップを邪魔にならないようにしたいワークロードに適しています。名前付きの 2 つの音声により、独自の音声パイプラインを構築することなく、製品ごとまたはロケールごとに一貫した話者を選べます。

これは、モデル ID "qwen/qwen-audio-3.0-tts-flash" を使用して api14 の OpenAI 互換 API 経由で呼び出します。既存の OpenAI クライアントを api14 のベース URL に向け、読み上げたいテキストを speech エンドポイントに送信し、2 つの音声のいずれかを選択してください。API が OpenAI 互換であるため、ゲートウェイ上の他のモデルですでに使用しているものと同じクライアントライブラリとリクエスト構造を維持でき、既存のアプリケーションに音声を追加する場合の統合作業を小さく抑えられます。

選択する際は範囲に留意してください。これは音声モデルであるため、チャット、推論、分類、またはテキストを返すことを期待するあらゆるタスクには役立ちません。テキストを読み書きするモデル、または音声を出力ではなく入力として扱うモデルが必要な場合は、api14 上の別のモデルの方が適しています。ただし、その領域内では、すでに使用している OpenAI 互換のサーフェスから離れることなくテキストを音声に変換する、わかりやすい方法です。