音声
プレイグラウンドで、プリセットの声、説明で作った声、クローンしたあなた自身の声を使ってテキストを読み上げ、クリップをダウンロードできます。
音声 のプレイグラウンド(/app/playground?mode=speech)は、テキストを音声にします。声を選び、テキストを入力して 読み上げる を押します。各クリップは API 呼び出しと同じく残高から課金されます。コードから同じことをするには音声合成と音声のエンドポイントをご覧ください。
スマートフォンでは、モデルは上部のドロップダウンにあり、声の設定は オプション で開きます。
モデルを選ぶ#
モデル で選びます。その下に、音声 1 分あたりの料金と、そのモデルの得意なことが表示されます。
qwen3-tts:声を説明で作る・クローンする、スタイルの指示、10 言語。zonos2:忠実な声のクローンと感情、40 以上の言語。kokoro-82m:8 言語・54 種のプリセットボイス、最も低価格で 1 分あたり $0.008。クローンは非対応。drama-3:[角かっこ] で演技指示、クローン対応、83 言語、1 分あたり $0.09。MP3・通常速度のみ。
最初の 2 つは 1 分あたり $0.036 で、秒単位で課金されます。最新の価格はモデルをご覧ください。
これらのモデルは、使われていないときはスリープする GPU で動いています。モデルの下のバッジには 起動済み(すぐに応答します)、起動中(通常は表示された時間内に使えるようになります)、停止中(最初のリクエストは起動を待ちます。その後は速くなります)が表示されます。起動するのはリクエストを送ったときだけで、ページを開いただけでは起動しません。リクエストに数秒以上かかると、モデルが起動中かもしれないという案内が表示されます。しばらく使われていなかった後の最初のリクエストは、1〜2 分ほどかかることがあります。ホスト型モデルを参照してください。
声を選ぶ#
声 には 3 つのタブがあります。
プリセット#
モデルに組み込まれた声の一覧で、それぞれ短い説明と母語が付いています。qwen3-tts には 9 つ(serena、ryan、ono_anna など)、zonos2 には american_female、american_male、british_female があります。どの声もモデルが対応するすべての言語を話せますが、母語で最もよく話します。
説明で作る#
qwen3-tts のみ。欲しい声を説明します:年齢、性別、声質、話す速さ、雰囲気、なまり。ラジオの司会者、明るい若い女性、年老いた海賊、寝る前のお話 のチップで例が入ります。説明で作った声は毎回少しずつ変わります。気に入った声を残すには、クリップを声として保存してください。
マイボイス#
保存した声です。各行にはサンプルの再生ボタン、名前、書き起こしがあり、行をクリックするとその声を使います。× を押してから 削除しますか? で削除します。保存した声はどちらのモデルでも使えます。
追加するには + ボイスを追加 を押します。
- 音声ファイルを アップロード するか、録音 を押してマイクで録音します。録音は 停止 を押すか 20 秒で止まります。音楽のない、1 人がはっきり話している 3〜15 秒の音声を使ってください。
- 名前 を付けます。
- 任意で、録音の内容を入力します。入力すると
qwen3-ttsがより忠実にクローンします。 - 同意のチェックボックスにチェックを入れます。その声があなた自身のものか、クローンすることについて話者の許可を得ていること、そして使い方に責任を負うことを確認します。人をだましたり、なりすましたりするために声をクローンしないでください。
- ボイスを保存 を押します。
保存した声は無料で、あなたのアカウントだけのものです。制限はボイスをクローンするにあります。
スタイルと感情#
- スタイル(
qwen3-tts、プリセットか保存した声で):話す速さ、雰囲気、ささやきなどの話し方。自分で入力するか、チップを選びます:温かく親しみやすく、興奮気味に、少し速く、ゆっくり落ち着いて、ささやき声で、悲しげに、泣きそうに、ニュースキャスターのように。もう一度クリックすると解除されます。説明で作る では、説明がこの役割を兼ねます。 - 感情(
zonos2):ニュートラル、喜び、悲しみ、怒り、驚き。声はそのままで、話し方だけが変わります。
言語、形式、速さ#
- 言語:自動 でテキストから判定するか、モデルの言語から選びます。
- 形式:MP3、WAV、OPUS、FLAC、AAC。OPUS は
.oggファイルとしてダウンロードされます。 - 速さ:スライダーで 0.5×〜2×。声の高さは変えずに速さだけを変えます。料金は返ってきた音声の秒数分です。
読み上げる#
テキストボックスには最大 4,096 文字まで入力でき、カウンターに使った文字数が表示されます。英語の例、中国語の例、日本語の例 のチップでサンプルのテキストが入ります。読み上げる か Ctrl+Enter(Mac では Cmd+Enter)を押します。ボタンの横に、音声のおおよその長さと料金が表示されます。
クリップ#
各クリップは前のクリップの上に、声、モデル、長さ、料金、再生プレーヤーとともに表示されます。
- ダウンロード で、選んだ形式のファイルを保存します。
- ボイスとして保存 では名前を入力し、クリップを マイボイス に保存して選択します。説明で作った声を残すのに使います。15 秒までのクリップは、そのテキストを書き起こしとして保存されます。
クリップはページを閉じるか再読み込みするまで一覧に残ります。残したいものはダウンロードしてください。すべてのリクエストはログにも記録されます。
コードから使う#
コードを表示 で、現在の設定の cURL リクエストが表示されます。各フィールドは音声合成と音声のエンドポイントのリファレンスで説明しています。