ナレーションの声だけでなく、雨の音や会話の間まで、同じ指示で作れたら。音声制作の入口が「文章を読み上げる」から「場面を設計する」へ広がります。ただし、作れる表現と、自分の言語・地域で使える条件は別に確かめたいところです。
Alibaba Cloudは2026年9月22日、Qwen-Audio-3.1-TTS-Nextを案内しました。本稿はその発表を振り返り、2026年11月1日に公式資料を再確認した記事です。音声生成の実演・品質比較・日本からのAPI接続試験は行っていません。①表現を分ける、②提供条件を読む、③保存後に聞き直す、の3点で整理します。
1．セリフ・環境音・間を分けて指示する
公式発表は、台本から会話と環境音を組み合わせた音響表現を作るモデルとして紹介しています。現在のモデル資料には、テキストや参照音声を入力し、会話・効果音・環境音をまとめた音声を出力する機能が案内されています。映画のような表現や品質の説明は提供者の訴求であり、本稿で独立検証した成果ではありません。
たとえば架空の読書案内なら、次の3行を準備できます。
- セリフ：落ち着いた声で、夕方の読書会を案内する。
- 環境音：後ろで弱い雨音が続く。
- 間：案内の終わりに短い静かな時間を置く。
これは制作メモの例です。日本語メモをそのまま使えると保証するものではありません。現行の対応言語欄は中国語と英語です。日本語対応として紹介せず、対応言語の短い台本から検証するのが出発点になります。通常TTS・ASR・リアルタイム対話は別モデルなので、名前だけで機能を取り違えないようにします。
2．言語・地域・長さをひとまとめにしない
11月1日に読んだモデル資料（最終更新10月30日）では、シンガポールと中国・北京の料金表を確認できました。以前の原稿で「他地域は未確認」とした範囲を更新します。シンガポール欄の存在だけから、日本在住のすべての契約で利用できるとは判断できません。
| 資料上の地域 | 入力／100万トークン | 出力／100万トークン |
|---|---|---|
| シンガポール | 0.93米ドル | 1.87米ドル |
| 中国・北京 | 0.848米ドル | 1.696米ドル |
これはキャンペーンを除く掲載単価です。文字数や秒数をそのまま料金へ換算したものではありません。API資料は選択地域のAPIキーとワークスペースIDを使う手順を案内しています。本人アカウントの利用資格、日本からの接続、商用条件は今回未確認です。
1回の生成音声はポッドキャスト240秒、その他の用途120秒までと案内されています。一方、入力長はモデル表で「―」、API資料の対応モデル表では3,000文字です。記載差があるため無制限とは扱いません。下の例はAPI資料側に合わせた簡易チェックで、実際の受理条件を確認したコードではありません。
APIを呼ばず、送信予定のJSONだけを作る
次は公式API資料のフィールドに沿って、英語の架空の台本から送信予定データを作る例です。標準Pythonだけで動き、APIキー・ネット接続・音声ファイルは使いません。APIへの送信や課金は発生しません。
import json
def make_request(text):
# 2026-11-01確認のAPI資料に合わせた簡易チェック
if not isinstance(text, str) or not 1 <= len(text) <= 3000:
raise ValueError("台本は1〜3000文字で確認してください")
return {
"model": "qwen-audio-3.1-tts-next",
"input": {
"text_prompt": text,
"format": "wav",
"sample_rate": 48000,
"channels": 2,
},
}
prompt = (
"A calm narrator says: Welcome to our evening reading room. "
"Soft rain continues in the background. "
"After the line, leave a short quiet pause."
)
print(json.dumps(make_request(prompt), ensure_ascii=False, indent=2))
このコードは記事の検査環境で実行し、JSONの生成、空文字と3,001文字の拒否を確認しました。文字の数え方や生成結果がAPIと一致するかは未検証です。参照音声を送る場合の権利・同意・形式の確認や、実際のエラー処理はこの例に含めていません。
3．URLが返った後も、保存と聞き直しを分ける
API資料では、生成音声を受け取るURLの有効期間は24時間と案内されています。「URLが得られた」だけで制作完了にすると、後から音声を取り出せなくなる可能性があります。
ここからは記事側の運用提案です。生成したら、音声を自分が管理する保存先へ取得し、ファイルを開き直して、セリフ・効果音の重なり・聞き取りやすさを確認します。保存したファイル名、台本の版、生成条件、確認した日時を一緒に残すと、差し替え時にも追いやすくなります。
生成時間の上限は、狙った秒数や音の配置を保証するものではありません。人の参照音声を使う場合は利用権限と本人の同意を確認し、公開前に内容と権利を別々に点検します。本稿ではモデルの音声生成も、その音声の保存・再生も実施していません。
まとめ：まず3行の制作メモから
Qwen-Audio-3.1-TTS-Nextは、声と周囲の音を合わせて設計する方向を示しています。今回確認できたのは、公式資料の機能・地域別料金・長さ・APIの保存条件です。まず「セリフ／環境音／間」の3行を作り、次に対応言語と自分の利用条件を確かめるところから始められます。
出典
2026年11月1日確認。資料読解とローカルJSON準備コードの確認であり、認証付きAPI実行や音声品質の評価ではありません。
- Alibaba Cloud公式発表（2026年9月22日）：https://www.alibabacloud.com/en/press-room/alibaba-unveils-roadmap-on-full-stack-ai-strategy
- Model Studioモデル資料（更新10月30日）：https://www.alibabacloud.com/help/en/model-studio/qwen-audio-3-1-tts-next
- 音声生成API資料（更新10月22日）：https://www.alibabacloud.com/help/en/model-studio/audio-generation-api
音声の前に、文章業務の依頼を整えたい方へ
読み上げる報告文の元資料や、人が確認する点を整理したい方には「実務プロンプトと運用手順マニュアルを作ります」をご案内しています。対象は文章業務1種類の指示文と運用手順です。音声生成・音響編集・API実装・アカウント操作・自動送信は含みません。
※本文と独自図版の制作にAIを補助的に使用し、公式資料と照合しています。