qwen3-tts モデルによる Text-to-speech (音声合成; TTS) 機能を提供しており、テキスト入力をストリーミング PCM 音声に変換します。このモデルは 11 言語に対応しています。
SambaStack では、Qwen3-TTS は 2 つのバンドル — 音声コードを生成する talker (
qwen3-tts-talker) と、波形を合成する vocoder (qwen3-tts-vocoder) — としてデプロイされます。各バンドルについては 対応モデルとバンドル を、デプロイ手順については バンドルのデプロイ をご参照ください。Qwen3-TTS
- モデル ID:
qwen3-tts - 提供元: Qwen (Alibaba Cloud)
- エンドポイント:
POST /v1/audio/speech - ステータス: プレビュー
対応ボイス
voice パラメータは API 互換性のために受け付けられますが、現在は無視されます。音声は常に、デプロイ時に設定されたリファレンスボイスを使用して生成されます。対応言語
言語のマッチングでは、大文字と小文字は区別されません。
language パラメータを省略した場合、デフォルトは english です。
リクエストパラメータ
使用例
応答形式
このエンドポイントは、Server-Sent Events (SSE) 形式で応答をストリーミングします。各イベントは、data: 行に含まれる JSON オブジェクトです。
応答ヘッダー
イベントフィールド
イベント例
制限事項
- ストリーミングのみ:
stream: falseは未対応です。すべての応答は SSE ストリームで返されます。 - 同時実行性: モデルは一度に 1 つのリクエストを処理します。同時に送信されたリクエストは、処理中のリクエストの後ろでキューに入ります。
- 最大音声長: 1 リクエストあたり 320 秒。入力テキストが長く、この上限を超える場合、応答は上限で打ち切られます (エラーは返されません)。より長い音声が必要な場合は、テキストを短い文章に分割し、個別のリクエストとして送信してください。
- ストリーム途中の音声アーティファクト: 長い音声クリップでは、ストリームの途中で耳につくアーティファクト (ノイズ) が発生することがあります。発生した場合は、入力を短い文章に分割し、個別のリクエストとして送信してください。
- コンテキストキャッシュなし: 各リクエストはステートレスです。

