curl --request POST \
  --url https://api.evolink.ai/v1/audios/generations \
  --header 'Authorization: Bearer <token>' \
  --header 'Content-Type: application/json' \
  --data '
{
  "model": "qwen-audio-3.1-tts-flash",
  "prompt": "我家的后面有一个很大的花园。"
}
'

{
  "created": 1790000000,
  "id": "task-unified-1790000000-abcd1234",
  "model": "qwen-audio-3.1-tts-flash",
  "object": "audio.generation.task",
  "progress": 0,
  "status": "pending",
  "task_info": {
    "can_cancel": false,
    "estimated_time": 3,
    "audio_type": "tts"
  },
  "type": "audio",
  "usage": {
    "credits_reserved": 0.0144
  }
}

Qwen Audio TTS

Qwen Audio 3.1 TTS Flash 音声合成

テキストを音声に変換します。1 回あたり最大 5000 文字
68 種類のシステム音声は音声一覧を参照してください。Voice Enrollment で自分が複製・設計した音声も使用できます
カスタム音声はデフォルトで作成タスク完了から 6 時間で期限切れになります。以後の合成は 404（voice_expired）を返すため、Voice Enrollment で再作成してください
自然言語の指示（instruction）、テキスト内の感情・非言語音タグ、SSML、発音のカスタマイズ（hot_fix）に対応
以下に記載されたパラメータのみ受け付けます。それ以外は 400（unsupported_parameter）
非同期処理です。返されたタスク ID で結果を照会してください
送信後はキャンセルできません
生成音声のリンクは 24 時間有効です。早めに保存してください

課金：

実際のトークン使用量で課金します。入力トークン（テキスト長に関連）と出力トークン（音声の長さに関連）は別々に計算されます
送信時にテキスト長からクレジットを予約します（usage.credits_reserved）。完了後に実使用量で精算し、余剰分を返還、不足分を追加請求します。失敗時は全額返還
数字・文字・記号を一つずつ読み上げると、同じ長さの通常の文章より音声が長くなり、出力トークンも増えます。実際の消費が予約額を超える場合があります
同じテキストでも [very slowly] などの指示・タグでゆっくり話すと出力トークンが大幅に増えることがあります。speech_rate の調整や SSML のポーズは出力トークンを増やしません

タスク結果（status が completed の場合）：

フィールド	説明
`results[0]`	音声 URL
`result_data[0].audio_url`	音声 URL。`results[0]` と同じ
`result_data[0].format`	音声形式
`result_data[0].sample_rate`	サンプルレート（Hz）
`usage.input_tokens` / `usage.output_tokens` / `usage.total_tokens`	今回の合成のトークン使用量
`usage.credits_used`	実際に消費したクレジット

POST

audios

generations

curl --request POST \
  --url https://api.evolink.ai/v1/audios/generations \
  --header 'Authorization: Bearer <token>' \
  --header 'Content-Type: application/json' \
  --data '
{
  "model": "qwen-audio-3.1-tts-flash",
  "prompt": "我家的后面有一个很大的花园。"
}
'

{
  "created": 1790000000,
  "id": "task-unified-1790000000-abcd1234",
  "model": "qwen-audio-3.1-tts-flash",
  "object": "audio.generation.task",
  "progress": 0,
  "status": "pending",
  "task_info": {
    "can_cancel": false,
    "estimated_time": 3,
    "audio_type": "tts"
  },
  "type": "audio",
  "usage": {
    "credits_reserved": 0.0144
  }
}

承認

Authorization

string

header

必須

すべての API で Bearer トークン認証が必要です

API キーの取得：

API キー管理で API キーを取得してください

リクエストヘッダーに追加：

Authorization: Bearer YOUR_API_KEY

ボディ

application/json

Option 1
Option 2

prompt または input の少なくとも一方に空でないテキストを指定してください。両方指定する場合は内容が一致している必要があります。response_format と format も、両方指定する場合は値が一致している必要があります。

prompt

string

必須

合成するテキスト

制約：

最大 5000 文字
長いテキストでは句読点を残してください。文の区切りがない長文は、上流で約 1500 出力トークン（約 120 秒の音声）に切り詰められることがあります。タスクは成功扱いのまま、実際に生成したトークンで課金され、ゲートウェイはこの切り詰めを検出できません
input でも指定できます。少なくとも一方に空でないテキストが必要です。片方のみの指定を推奨します。両方の内容が異なる場合は 400（parameter_conflict）
選択した音声が対応する言語のテキストを使用してください。非対応言語では発音が不正確になる場合があります

感情・非言語音タグ：追加パラメータなしでテキスト内に直接挿入できます。タグの文字列も課金換算の文字数に含まれます

制御タグ: 次の制御タグまで、後続テキストの感情やスタイルを設定します。 [sad] 悲しい, [amazed] 驚いた, [deep and loud shouting] 低く大きな叫び, [trembling] 震えた声, [angry] 怒り, [excited] 興奮, [sarcastic] 皮肉, [curious] 好奇心, [like dracula] 低く不気味, [bored] 退屈, [tired] 疲れ, [scornful] 軽蔑, [shouting] 叫び, [asmr] ASMR の柔らかなささやき, [panicked] パニック, [mischievously] いたずらっぽい, [empathetic] 共感, [whispers] ささやき, [reluctantly] 不本意, [crying] 泣き声, [serious] 真剣, [very slowly] 非常にゆっくり, [very fast] 非常に速く
非言語音タグ: その位置に発声効果を挿入します。前後のテキストの感情は変えません。 [gasp] 息をのむ, [sighing] ため息, [clears throat] 咳払い, [giggles] くすくす笑い, [laughing] 笑い声, [cough] 咳, [snorts] 鼻を鳴らす

例： [excited]今天的天气真不错！[laughing]我们一起出去玩吧！

enable_ssml が true の場合、このフィールドを SSML として解析します

Maximum string length: 5000

Pattern: \S

例:

"我家的后面有一个很大的花园。"

model

enum<string>

デフォルト:qwen-audio-3.1-tts-flash

必須

モデル名

利用可能なオプション:

qwen-audio-3.1-tts-flash

例:

"qwen-audio-3.1-tts-flash"

input

string

prompt の別名です。文字数制限と使用規則は同じです

prompt または input の少なくとも一方に空でないテキストを指定
両方指定する場合は内容が一致する必要があります。不一致は 400（parameter_conflict）

Maximum string length: 5000

例:

"我家的后面有一个很大的花园。"

voice

string

デフォルト:longanhuan_v3.1

音声名。大文字と小文字を区別します

68 種類のシステム音声の名称・性別・用途は音声一覧を参照
未指定時は longanhuan_v3.1
自分が Voice Enrollment で作成した音声も使用可能です。複製は qwen-audio-3.1-tts-flash-{prefix}-{32-character-id}、設計は qwen-audio-3.1-tts-flash-vd-{prefix}-{32-character-id} 形式です。作成したアカウントのみ使用できます。qwen-voice-design の qwen-tts-vd-… など別モデルの音声は 400（invalid_voice）。存在しない音声や別アカウントの音声は 404（voice_not_found）
カスタム音声はデフォルトで作成タスク完了から 6 時間で期限切れになります。以後の合成は 404（voice_expired）。Voice Enrollment で再作成してください

例:

"longanhuan_v3.1"

response_format

enum<string>

デフォルト:mp3

出力音声形式。mp3、wav、opus に対応し、デフォルトは mp3

opus は Ogg Opus コンテナ
format でも指定可能です。片方のみの指定を推奨します。値が異なる場合は 400（parameter_conflict）

利用可能なオプション:

mp3,

wav,

opus

例:

"mp3"

format

enum<string>

response_format の別名。mp3、wav、opus に対応

両方未指定の場合は mp3
両方指定する場合は値の一致が必要です。不一致は 400（parameter_conflict）

利用可能なオプション:

mp3,

wav,

opus

例:

"mp3"

sample_rate

enum<integer> | null

デフォルト:24000

出力サンプルレート（Hz）

response_format が opus の場合、22050 と 44100 は非対応
未指定または null はデフォルト値を使用。0 または一覧以外の値は 400

利用可能なオプション:

8000,

12000,

16000,

22050,

24000,

44100,

48000,

null

例:

24000

volume

integer

デフォルト:50

音量。範囲は 0 ～ 100

必須範囲: 0 <= x <= 100

例:

50

speech_rate

number

デフォルト:1

話速の倍率

1.0：通常の速度（デフォルト）
2.0：2 倍速、0.5：半分の速度

範囲は 0.5 ～ 2.0。話速の調整は出力トークン数を変えません

必須範囲: 0.5 <= x <= 2

例:

1

pitch

number

デフォルト:1

ピッチの倍率

1.0：デフォルトの高さ
1.0 より大きいと高く、小さいと低くなります

範囲は 0.5 ～ 2.0

ピッチの変更は話速と音声の長さも変えます

高くすると速く短く、低くすると遅く長くなります。長さはおおむねピッチ値の二乗に反比例します
1.0 で約 2.8 秒の文の場合、0.8 で約 4.3 秒、1.2 で約 2.1 秒、0.5 で約 10.9 秒、2.0 で約 0.7 秒
0.8 ～ 1.2 の微調整を推奨します。0.5 や 2.0 に近いと明らかに遅すぎたり速すぎたりします
speech_rate も 1.0 以外で指定した場合、pitch は無効です。併用して効果を重ねることはできません
ピッチの調整は出力トークン数を変えません

必須範囲: 0.5 <= x <= 2

例:

1

instruction

string

感情、口調、役柄、方言などを制御する自然言語の指示

制約：

課金換算で最大 100 文字。漢字（日本語の漢字や韓国語の漢字も含む）は 2、その他の文字（仮名・ハングルを含む）は 1 と数えます（漢字約 50 文字または英語約 100 文字）。超過は 400

例：

用欢快、热情的语气说（明るく熱意のある口調）
请用上海话表达（上海語で話す。多言語・方言音声向け）
Speak slowly in a calm and gentle tone

指示自体は入力トークンに含まれませんが、生成音声の長さを変え、出力トークンに影響することがあります

パラメータ名は単数形の instruction です。instructions は 400

例:

"用欢快、热情的语气说"

language

enum<string>

対象言語のヒント。数字・略語・記号の読み方や、比較的少数の言語での合成を改善します

例：hello, this is 110 に zh を指定すると、110 を中国語の「yao yao ling」と読みます

値	言語	値	言語
`zh`	中国語	`th`	タイ語
`en`	英語	`id`	インドネシア語
`fr`	フランス語	`vi`	ベトナム語
`de`	ドイツ語	`es`	スペイン語
`ja`	日本語	`it`	イタリア語
`ko`	韓国語	`ms`	マレー語
`ru`	ロシア語	`fil`	フィリピン語
`pt`	ポルトガル語	`ar`	アラビア語

未指定時はモデルが自動判定します。このパラメータはテキストを翻訳しません

利用可能なオプション:

zh,

en,

fr,

de,

ja,

ko,

ru,

pt,

th,

id,

vi,

es,

it,

ms,

fil,

ar

例:

"zh"

enable_ssml

boolean

デフォルト:false

prompt を SSML として解析するかどうか

有効にすると SSML タグを使用できます。例えば <break time="1s"/> でポーズを挿入します： <speak>欢迎收听今天的节目。<break time="1s"/>我们马上开始。</speak>

SSML のポーズは出力トークンに含まれません

例:

false

hot_fix

object

多音字や固有名詞などの読みを補正する発音指定とテキスト置換

pronunciation：単語にピンインを指定します。音節は空白で区切り、声調は数字で示します。例：tian1 qi4
replace：合成前に単語を置換します。置換後のテキストで合成・課金し、置換後も最大 5000 文字です。超過は 400（prompt_too_long）

両リスト合計で最大 200 エントリです。オブジェクト内のキーと値のペアを数えます。超過は 400（invalid_parameter）

少なくとも一方を指定してください。指定する各リストは空でない配列で、各要素は {"単語": "値"} 形式のオブジェクトです

例：

{
  "pronunciation": [{"天气": "tian1 qi4"}],
  "replace": [{"今天": "金天"}]
}

Show child attributes

enable_aigc_tag

boolean

デフォルト:false

生成音声に不可視の AIGC 識別情報を埋め込むかどうか（wav / mp3 / opus で有効）

例:

false

callback_url

string<uri>

タスク結果の HTTPS コールバック URL

送信タイミング：

タスク完了（completed）または失敗（failed）時。このモデルはキャンセル非対応です
課金確定後に送信

セキュリティ要件：

HTTPS のみ
プライベート IP は禁止（127.0.0.1、10.x.x.x、172.16～31.x.x、192.168.x.x など）
URL は最大 2048 文字

配信：

タイムアウト：10 秒
失敗後は最大 3 回、1 / 2 / 4 秒後に再試行
本文形式はタスク照会 API のレスポンスと同じ
2xx は成功、それ以外は再試行

例:

"https://your-domain.com/webhooks/tts-completed"

レスポンス

音声合成タスクの作成に成功

created

integer

タスク作成時刻のタイムスタンプ

例:

1790000000

string

タスク ID

例:

"task-unified-1790000000-abcd1234"

model

string

実際に使用されたモデル名

例:

"qwen-audio-3.1-tts-flash"

object

enum<string>

タスクオブジェクトの具体的な種類

利用可能なオプション:

audio.generation.task

progress

integer

タスク進捗率（0～100）

必須範囲: 0 <= x <= 100

例:

0

status

enum<string>

タスクの状態

利用可能なオプション:

pending,

processing,

completed,

failed

例:

"pending"

task_info

object

音声タスクの詳細

Show child attributes

type

enum<string>

タスクの出力タイプ

利用可能なオプション:

audio

例:

"audio"

usage

object

使用量と課金情報

Show child attributes

画像シリーズ

動画シリーズ

オーディオシリーズ

テキストシリーズ

アカウント管理

タスク管理

ファイル管理

Qwen Audio 3.1 TTS Flash 音声合成

承認

すべての API で Bearer トークン認証が必要です

ボディ

レスポンス