Qwen Audio 3.0 TTS

Qwen Audio 3.0 TTS は、感情のコントロールと低遅延の両方を必要とするクリエイターのためにつくられた、Alibaba の多言語音声合成モデルです。細かな感情タグと 1 つの TTS ルートで、16 の言語の長い台本を効率よく処理します。

クリエイターが Qwen Audio 3.0 TTS を選ぶ理由

Qwen Audio 3.0 TTS の強みは柔軟性です。1 つの TTS ルート、細かな感情のコントロール、16 の言語への対応がそろっているので、1 つのモデルでほとんどのナレーションの用途をまかなえます。

正確な読み上げのための感情タグ

(whisper)、(angry)、(laughs)、(breaths) のようなタグを、台本の中に直接埋め込みます。モデルは、そうした感情や言葉以外の合図を、別々のステムではなくナレーションの一部として生成します。台本で演技をコントロールできます。

Craze でのナレーション用の 1 つのルート

Craze では、Qwen の音声合成ルートを 1 つ提供しています。台本を書き、別の読み方を試したいときはテイクを再生成します。

長い台本も 1 回で

1 回の呼び出しで、最大 2,000 文字の台本を生成できます。つなぎ合わせも、途切れもありません。ナレーション全体を一度に仕上げたいドキュメンタリー、オーディオブック、チュートリアルで実用的です。

テキスト中心のナレーション

Craze のルートが受け付けるのは、台本と任意のボイス ID です。参照音声のアップロードは受け付けません。

Craze で Qwen Audio 3.0 TTS を使う方法

1. 台本を書くか貼り付けます。(warmly) や (urgent) のような感情タグを加えて、読み方を調整します。
2. 必要に応じてボイス ID を選び、チャットで Qwen Audio 3.0 TTS を指定するか、Models パネルで選びます。
3. Craze がナレーションを生成し、プロジェクトに配置します。
4. トリミングやタイミングの調整をするか、別の感情のテイクがほしい場合は一部分を再生成します。

Qwen Audio 3.0 TTS の料金

料金は 1,000 文字あたり $0.053 からで、台本の長さによって変わります。生成する前に、このページの料金計算ツールで合計額を確認できます。

Qwen Audio 3.0 TTS が向いている人

感情を込めたストーリーテリングとキャラクターのナレーション

トーンと感情が物語の中心にあるなら、Qwen のインラインタグで演技を演出できます。キャラクターは、同じセリフを温かく、怒って、あるいは怯えて話せます（すべて台本の中で）。

長尺のコンテンツとドキュメント

オーディオブック、講座、技術ドキュメントは、1 回の生成につき最大 2,000 文字の台本に分けて生成し、タイムラインで組み立てられます。

すばやい試行錯誤と A/B テスト

テイクを再生成して、同じ台本の異なる感情の読み方を試せます。

一貫した声での多言語プロジェクト

世界規模のキャンペーンを、すべてのバージョンで同じ声と一貫した感情のまま、16 の言語でナレーションできます。1 つの声で、多くの市場に。

Qwen Audio 3.0 TTS とほかのモデルの比較

Gemini 3.1 Flash TTS は、英語のナレーションに最適化された、プロンプトで調整できる Google の表現力豊かなモデルです。Qwen Audio 3.0 TTS は、インラインの感情タグと 1 つの TTS ルートで、多言語の作業向けにつくられています。テンポを細かくコントロールしながら英語のナレーションを演出するなら、Gemini を選んでください。多言語の台本や、言語をまたいで感情を込めた読み上げには、Qwen を選んでください。

ByteDance の Seed Speech は、任意でボイスを選べるテキストのナレーションを提供し、Qwen は感情のコントロールと多言語への対応に重点を置いています。MiniMax Speech 2.8 HD は笑い声やため息のような話し声以外の音も含められ、Qwen は感情タグを使ったセリフとナレーションそのものに最適化されています。Seed Audio 1.0 は、音声の生成に参照音声や参照画像も使えます。

感情タグと読み方のコントロール

Qwen Audio 3.0 TTS は、(whisper)、(angry)、(happy)、(sad)、(laughs)、(coughs)、(breaths) のような標準的な感情タグを認識します。プロンプトで「このセリフはニュースキャスターのように話して」や「ここは緊張してためらうように」といった自然な言葉での説明も使えます。モデルは両方のやり方を組み合わせるので、インラインタグとプロンプトでの指示を組み合わせて、細かくコントロールしてください。

Qwen では、感情を重ねて指定できます。ニュアンスのある読み方にしたいときは、セリフに「(angry but controlled)」や「(excited but whispering)」のように付けます。モデルは相反する感情の指示をうまくバランスさせるので、一つの感情がほかの感情を上書きするのではなく、複雑な読み方になります。一つのセリフの中で、話し手が葛藤したり感情が移り変わったりするキャラクターの演技で役立ちます。

1 つの TTS ルートでの演出

異なる感情の読み方にしたいときは、インラインタグを調整して再生成します。長いシーケンスに配置する前に、各テイクを聴いて確認します。

Craze では、台本とタグを変えてセリフの読み方を磨き、同じルートで再生成して最終テイクにできます。

多言語への対応と声の一貫性

Qwen は、英語、スペイン語、フランス語、ドイツ語、イタリア語、ポルトガル語、オランダ語、ポーランド語、ロシア語、トルコ語、アラビア語、中国語（簡体字と繁体字）、日本語、韓国語、ベトナム語を含む 16 の言語に対応しています。任意のボイス ID で、台本ごとにボイスを選べます。コードスイッチング（台本の途中で言語を混ぜること）も、ある程度までなら機能します。

言語によって別のアクセントが必要な場合は、利用できる別のボイス ID を試して、生成されたテイクを確認します。

台本の上限とパフォーマンス

Craze の Qwen Audio 3.0 TTS は、1 回のリクエストにつき最大 2,000 文字の台本を処理します。それより長い台本は、分割してタイムラインで組み合わせる必要があります。このモデルは間からテンポを推測するため、句読点の多い台本で最もよく機能します。区切りのない長い文は、早口に聞こえます。ピリオド、カンマ、ダッシュを加えて、タイミングをコントロールしてください。三点リーダー（...）を使うと、劇的な効果のための間が生まれます。

長いナレーションの場合は、台本を 2,000 文字以内のリクエストに分け、結果をタイムラインで組み立ててください。