Qwen-Audio-3.0-TTS API：料金と音声コントロール

Qwen-Audio-3.0-TTS を使うなら、まず 2 つの数字が重要です。入力 1,000,000 文字あたりの価格 と リクエストごとの 4,096 文字の上限 です。 私ならまずこれをもとに構成を決め、そのうえで安定した出力のために voice、language、speed、response_format、instruct を固定します。

短くまとめると次のとおりです。

• 課金は文字数ベースで、input フィールドのテキストだけがカウントされます。
• Flash と Plus の両方が 1,000,000 文字あたりで課金されます。
• 本記事のサンプルレートは 100 万文字あたり $15.00 を使用しています。
• 各リクエストは 4,096 文字が上限です。
• 出力は次の項目で制御できます。
  • 話者を選ぶ voice
  • 発音のための language
  • 0.5 から 2.0 までの speed
  • mp3、wav、opus、pcm などの response_format
  • トーン、ムード、話し方のための instruct
• このモデルには 9 種類のプリセット話者が含まれ、10 の言語をサポートします。
• Flash は低レイテンシで大量の作業に適しています。
• Plus はナレーション、ブランドボイス、長尺のオーディオに適しています。

いくつかの数字が、支出をいかに低く始められるかを示しています。1,000,000 文字あたり $15.00 の場合、500 文字 × 30,000 リクエストは、本記事の計算例で月あたり約 $0.225 になります。つまりあなたの主な仕事は、生の価格そのものよりも、ユースケース全体で音声設定を安定させることにあります。

私ならこのガイドをセットアップのチェックリストとして読みます。コストを見積もり、話者を選び、基本コントロールを設定し、413 や 429 のようなエラーコードをテストし、そしてリリースする。

Qwen-Audio-3.0-TTS の料金と課金

Qwen-Audio-3.0-TTS は入力テキストの文字数で課金されます^[1]。

料金単位の仕組み

Flash と Plus の両方のモデルティアは、入力テキスト 1,000,000 文字あたりで課金されます。課金対象となるのは input フィールド内のテキストだけです^[1]。各リクエストには最大 4,096 文字を含められます^[1]。

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。

100 万文字あたり $15.00 という価格例を使うと、次のようになります。

短い応答は通常ほとんどコストがかかりません。長いナレーションは、より速く積み上がります。

APIMart の課金がマルチモデルプロジェクトでどう機能するか

ワークフローが複数のモデルを使う場合は、それぞれを固有の課金単位で計測します。

オーディオ、テキスト、画像、動画が混在する APIMart プロジェクトでは、各モデルを個別に追跡します。TTS では文字数を追跡します。テキストモデルではトークンを追跡します。画像モデルでは呼び出し回数を追跡します。動画モデルでは秒数を追跡します。

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 は音声制御を 2 つの部分に分けます。構造化パラメータが中核のセットアップを担い、instruct がスタイルを担います。再現可能な出力が欲しいなら、構造化フィールドに頼りましょう。トーンや感情を変化させたいなら、instruct を使いましょう。

話者、言語、出力フォーマット

この API には 9 種類の定義済み話者プロファイルが付属し、それぞれ独自の音色と声のスタイルを持っています ^[2]。英語圏のアプリでは、英語コンテンツには Ryan と Aiden が最良の選択です。複数の市場向けに構築するなら、language パラメータは English、Chinese、または 10 のサポート言語をまたいで自動検出する Auto などの値を受け付けます ^[2]。

ここではシンプルなルールがよく効きます。話者をターゲット言語に合わせることです。en-US のコンテンツには、通常 Ryan か Aiden が最も理にかなっています ^[2]。

出力では、mp3、wav、opus、pcm を選べます。MP3 や WAV のような標準フォーマットは、最新のブラウザやメディアツール全般でよく機能します ^[1][2]。

トーン、速度、感情

speed パラメータは 0.5 から 2.0 までの数値範囲を取り、1.0 がデフォルトです ^[2]。この領域で文書化されているコントロールは speed と instruct で、これらは感情、音色、韻律、トーンに影響します ^[2]。

注意しておきたい点が一つあります。instruct が興奮した話し方を求めると、speed: 1.0 が変わらなくてもペースが速くなることがあります ^[2]。そのため読み上げが想定より速く感じられるなら、スタイルプロンプトが原因かもしれません。

構造化パラメータ対プロンプト指示

明示的なフィールド（speaker、language、speed、response_format）を、本番運用のベースラインとして捉えると役立ちます。これらは各リクエストの中核となる声のアイデンティティを設定します。そして instruct がそのベース層の上に乗り、声のパフォーマンスの仕方を形づくります ^[2]。

安定した本番出力が必要なときは構造化パラメータを使いましょう。バリエーションが欲しいときは instruct を使いましょう。実際には、より説明的なプロンプトのほうが、一語の指示よりもニュアンスに富んだ結果を生む傾向があります ^[2]。

これらのデフォルトは、次のセクションのリクエストボディにそのまま対応します。

APIMart を通じた Qwen-Audio-3.0-TTS リクエストの送信方法

https://api.apimart.ai/v1/audio/speech に POST リクエストを送り、Authorization ヘッダーで Bearer トークンを渡します ^[1]。

基本的なリクエスト構造

主なフィールドは model、input、voice、language、response_format、speed、instruct です ^[1][2]。また、input は 4,096 文字未満に保ちましょう。

このリクエストは、料金要因と音声設定を一つのボディにまとめます。

{
  "model": "YOUR_QWEN_MODEL_ID",
  "input": "Welcome to our platform. We are excited to have you here.",
  "voice": "Aiden",
  "language": "English",
  "instruct": "Warm and welcoming tone",
  "response_format": "mp3",
  "speed": 1.0
}

平たく言えば、これらのフィールドは API に、何を言うか、どう言うか、どのフォーマットで返すかを伝えます。

手早い cURL テストには、次を使います。

curl --request POST \
  --url https://api.apimart.ai/v1/audio/speech \
  --header 'Authorization: Bearer YOUR_API_KEY' \
  --header 'Content-Type: application/json' \
  --data '{
    "model": "YOUR_QWEN_MODEL_ID",
    "input": "Your order has been confirmed and will ship shortly.",
    "voice": "Serena",
    "language": "English",
    "response_format": "opus"
  }' \
  --output confirmation.opus

これはオーディオ応答を confirmation.opus に直接保存します ^[1]。

一般的なシナリオ向けの推奨設定

リクエストの形がわかれば、設定を選ぶのはずっと簡単になります。下の表は、一般的なユースケースを良い出発点となるプリセットに対応づけています。

多言語出力が必要なら、language をスクリプトに合わせて設定します。このモデルは 10 の主要言語をサポートします。中国語、英語、日本語、韓国語、ドイツ語、フランス語、ロシア語、ポルトガル語、スペイン語、イタリア語です ^[2]。

レート制限、エラー、本番前チェック

本番に移行する前に、いくつかの失敗ケースを意図的にテストしましょう。後で多くの苦労を防いでくれる、そうした小さなステップの一つです。

400 は通常、リクエストボディのどこかがおかしいことを意味します。413 はもっと単純で、テキストが長すぎるので小さなチャンクに分割します。そして 429 に当たったら、エンドポイントを叩き続けるのではなく、バックオフして再試行します。

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。

長尺のナレーションを作るなら、最初から最後まで一人の話者で通しましょう。instruct は引き締まった、平易で、再現可能なものに保ちましょう。通常はそのほうが安定した出力になり、驚きが少なくなります。

よりシンプルな構成なら、さらにすっきりさせましょう。話者を一人選び、必要なときだけ instruct フィールドを変えるのです。

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。
• APIMart なら、中核となる統合パターンを変えずにティアを切り替えられる。

さらに、ローンチ前にシステムが 402、429、502 をどう処理するかをテストしましょう。

よくある質問

4,096 文字を超える長いテキストはどう分割すればよいですか？

テキストを 4,096 文字以下のチャンクに分割し、各チャンクを個別に API へ送信します。

文の終わりや段落の終わりのような、自然な区切り点で分割するようにしましょう。その後、返されたオーディオファイルを一つの最終トラックに結合します。

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？

安定した長尺出力のためには、VoiceDesign モデルを使って明確なペルソナと参照クリップを設定します。次に create_voice_clone_prompt で再利用可能なプロンプトを作成し、その voice_clone_prompt を generate_voice_clone に渡します。

top_p のような生成設定を固定して、声が時間とともにぶれないようにするのも役立ちます。そしてローンチ前に、問題を早めに捉えるためのドライランを行いましょう。

Plus ではなく Flash を選ぶべきなのはどんなときですか？

速度と低レイテンシが最も重要なときは Flash (0.6B) を選びましょう。リアルタイムの仮想アシスタント、ライブ翻訳、カスタマーサポートのような、速い応答時間が不可欠な高同時実行のユースケース向けに作られています。

速度よりも品質と精度が重要なときは Plus (1.7B) を選びましょう。オーディオブック、プロのボイスオーバー、ブランドメディア向けに、より優れた韻律、より広い感情の幅、より高い精度を提供します。