オンライン AI 音声クローン
明瞭な参照音声をアップロードまたは録音して、繰り返し使える専用音色を作成し、新しい文章や複数言語を読み上げます。
- MP3、WAV、M4A の参照音声
- クローン音声で多言語テキスト読み上げ
- 専用音色をマイ音色に保存
オンライン AI 音声クローン・テキスト読み上げ
Alibaba Qwen-Audio-3.0-TTS を利用し、参照音声から専用音色を作成して、自然で表現力豊かな多言語音声を生成できます。感情、速度、音程、instruction による話し方の制御にも対応します。
12,000 人以上のクリエイターが利用中
音声ワークベンチ
言葉を声に変える
文章、声、表現をひとつの集中できる画面で整えます。
2 つの制作方法
音声クローンからテキスト読み上げまで、1 つのワークスペースで
専用音色を作成するか公開音色を選び、動画、ポッドキャスト、ゲーム、長編コンテンツ向けの自然な音声を生成できます。
オンライン Text to Speech
文章と音色を選び、速度、音程、感情、話し方を調整して、試聴・ダウンロードできる音声を生成します。
- 公開音色と専用クローン音色
- 感情タグと instruction による制御
- 複数の一般的な出力形式
利用方法
3 ステップで AI 音声を生成
モデル、API、ストレージを設定せず、ブラウザで音色選択、表現設定、音声生成を完了できます。
- 01
音色を選ぶ・作る
音色広場で公開音色を試聴するか、参照音声から自分のクローン音色を作成します。
- 02
文章と話し方を設定
文章を入力し、必要に応じて言語、感情、速度、音程、instruction を調整します。
- 03
生成・試聴・ダウンロード
タスクを送信し、生成履歴で結果を試聴して音声を保存します。
活用シーン
音声クローンとテキスト読み上げの活用例
ショートコンテンツ、長編ナレーション、キャラクター台詞、多言語ローカライズに利用できます。
動画・ショートコンテンツ
解説、SNS 動画、製品デモのナレーションを制作。
ポッドキャスト・番組
導入、広告、定期コーナーの声を統一。
オーディオブック・物語
章やシリーズ向けに一貫したナレーションを生成。
ゲーム・キャラクター
NPC、チュートリアル、キャラクター台詞を素早く制作。
講座・研修
原稿更新時に全編を再収録せず音声を更新。
ブランド・マーケティング
広告、製品紹介、多言語キャンペーン向けの音声を生成。
モデルと技術
AI 音声モデル資料集
対応言語、感情表現、ローカル導入など、音声モデルごとに強みは異なります。公式論文と文書をもとに、設計、バージョン差、実際の利用方法を確認できます。
DS Speech で利用可能Alibaba · Alibaba Cloud Model Studio
Qwen-Audio-3.0-TTS
自然言語で話し方・感情・方言を指定instruction でキャラクターや話し方を設定し、感情・笑い声のタグを台詞に挿入。クローン音声も中国語方言に対応できます。
- 自然言語の指示
- 感情・発声タグ
- 多言語・中国語方言
モデル資料Xiaomi · k2-fsa プロジェクト
OmniVoice
幅広い言語と短い参照録音からのクローン600 以上の言語を扱う Xiaomi の公開 TTS。短い録音からのクローン、声の属性指定、長さの制御、拼音・音素による発音修正に対応。
- 600+ 言語
- 短音声からの復刻
- 発音・長さ制御
モデル資料Bilibili · IndexTTS チーム
IndexTTS 1.5
安定した中英クローンと中国語発音修正1.x 系の安定性と英語合成を改善したモデル。漢字と拼音を混ぜて入力でき、人名や地名を正しく読むナレーションに役立ちます。
- 中国語・英語
- 拼音による修正
- 安定性の改善
モデル資料Bilibili · IndexTTS チーム
IndexTTS 2
同じ人物の声で異なる感情を演じる話者の音色を保ち、別録音の感情、8 種の感情強度、文章で指定した演技を組み合わせてキャラクターの表現を変えられます。
- 声と感情の分離
- 感情参照音声
- 文章による感情指示
モデル資料ModelBest · 清華大学 THUHCSI
VoxCPM
連続音声表現・文脈・高サンプルレート離散音声トークンを介さず連続表現を生成。1.5 は 44.1 kHz の中英復刻、2 は 30 言語・48 kHz と音声デザインを提供します。
- Tokenizer-free
- 文脈に応じた表現
- 1.5 / 2 の区別
DS Speech は現在 Qwen-Audio-3.0-TTS をオンライン提供しています。ほかのモデルは学習・セルフホスト向けの資料として紹介しています。
資料集をすべて見るシンプルで明確な料金
制作ペースに合うプランを
会員枠とクレジットパックは毎月リセットされ、すべて USD で統一されています。
初回購入割引はユーザーごとに1回のみ利用できます。年払いプランは年間の一括支払額を表示し、月額換算は比較用です。
クリエイターレビュー
さまざまな分野のクリエイターが音声制作に活用
ショート動画やポッドキャストからゲーム、講座、ブランドコンテンツまで、クリエイターが DS Speech で自然で表現力豊かな AI ナレーションを効率よく制作しています。
Qwen-Audio-3.0-TTS は日々の制作に十分な速度です。原稿を直して数秒で安定した音声を確認でき、再収録を手配する回数が減りました。
林澈ショート動画ディレクター感情表現が機械的ではありません。短い instruction を加えるだけで、番組の導入や広告、切り替え部分の口調を意図どおりに整えられます。
Mika Chenポッドキャストプロデューサー公開音色ライブラリでキャラクターのナレーション、NPC の台詞、チュートリアル音声まで揃い、レビュー用の仮音声を別に作る必要がありません。
周远ゲームシナリオデザイナー方言と多言語テキスト読み上げにより、地域向け研修が一般的な TTS よりも聞き手に近い表現になりました。
Nina Hayes研修コンテンツ制作者シリーズ講座で音声クローンを使っています。講師が再収録できないときも、各レッスンの声を揃えて更新できます。
何嘉宁企業研修プロデューサーQwen-Audio-3.0-TTS は日々の制作に十分な速度です。原稿を直して数秒で安定した音声を確認でき、再収録を手配する回数が減りました。
林澈ショート動画ディレクター感情表現が機械的ではありません。短い instruction を加えるだけで、番組の導入や広告、切り替え部分の口調を意図どおりに整えられます。
Mika Chenポッドキャストプロデューサー公開音色ライブラリでキャラクターのナレーション、NPC の台詞、チュートリアル音声まで揃い、レビュー用の仮音声を別に作る必要がありません。
周远ゲームシナリオデザイナー方言と多言語テキスト読み上げにより、地域向け研修が一般的な TTS よりも聞き手に近い表現になりました。
Nina Hayes研修コンテンツ制作者シリーズ講座で音声クローンを使っています。講師が再収録できないときも、各レッスンの声を揃えて更新できます。
何嘉宁企業研修プロデューサーAI voice cloning で広告ナレーションを素早く試し、1日で複数の原稿と表現方向を比較できます。
Alex Morganグロース担当長文の音声生成を管理しやすく、感情タグで章ごとの雰囲気を作ってから最後にテンポだけ調整できます。
宋怡オーディオブック編集者クローンしたキャラクター音声が複数話でも崩れにくく、継続シリーズの制作がかなり楽になりました。
Kenta Moriアニメチャンネル運営製品紹介や告知動画にオンラインテキスト読み上げを使い、公開直前の原稿変更にも対応しています。
陈玥ブランドコンテンツ企画音色広場には解説、ショート動画、製品クリップに使える声が揃い、毎回ゼロから探さずに済みます。
Oliver Grant動画プロデューサーAI voice cloning で広告ナレーションを素早く試し、1日で複数の原稿と表現方向を比較できます。
Alex Morganグロース担当長文の音声生成を管理しやすく、感情タグで章ごとの雰囲気を作ってから最後にテンポだけ調整できます。
宋怡オーディオブック編集者クローンしたキャラクター音声が複数話でも崩れにくく、継続シリーズの制作がかなり楽になりました。
Kenta Moriアニメチャンネル運営製品紹介や告知動画にオンラインテキスト読み上げを使い、公開直前の原稿変更にも対応しています。
陈玥ブランドコンテンツ企画音色広場には解説、ショート動画、製品クリップに使える声が揃い、毎回ゼロから探さずに済みます。
Oliver Grant動画プロデューサー長い原稿を一度に入力できるので分割が少なく、完成した音声の話し方やテンポもつながりやすいです。
梁书瑶教育系クリエイター多言語 AI ナレーションが速くなり、英語、中国語、日本語、韓国語版を同じレビューで比較できます。
Sophie Carterブランドストラテジスト地域向けコンテンツでは方言が重要です。標準語版と方言版を聞き比べることで、対象ユーザーに近い表現を選べます。
高铭ローカルコンテンツ運営感情タグを使うと、緊張感のある台詞と落ち着いた案内音声を素早く作り分けられ、キャラクター表現が豊かになります。
Haruto Satoゲーム音声ディレクター講座更新では速度が重要です。原稿を修正したら、収録日を再調整せずに明瞭なナレーションを作り直せます。
Rachel Moore講座クリエイター長い原稿を一度に入力できるので分割が少なく、完成した音声の話し方やテンポもつながりやすいです。
梁书瑶教育系クリエイター多言語 AI ナレーションが速くなり、英語、中国語、日本語、韓国語版を同じレビューで比較できます。
Sophie Carterブランドストラテジスト地域向けコンテンツでは方言が重要です。標準語版と方言版を聞き比べることで、対象ユーザーに近い表現を選べます。
高铭ローカルコンテンツ運営感情タグを使うと、緊張感のある台詞と落ち着いた案内音声を素早く作り分けられ、キャラクター表現が豊かになります。
Haruto Satoゲーム音声ディレクター講座更新では速度が重要です。原稿を修正したら、収録日を再調整せずに明瞭なナレーションを作り直せます。
Rachel Moore講座クリエイターよくある質問
Qwen-Audio-3.0-TTS とはどんなモデルで、音声クローンの品質は高いですか？
Qwen-Audio-3.0-TTS は Alibaba Cloud Model Studio が提供する高性能な音声合成モデルシリーズです。オンラインテキスト読み上げ、音声クローン、音声デザイン、instruction による表現制御に対応します。Qwen3-TTS や CosyVoice とは別のモデルシリーズです。DS Speech は Qwen-Audio-3.0-TTS の音声クローンと AI 音声生成をオンラインで使いやすく提供します。
AI 音声クローンはどう始めますか？
ワークベンチでテキストを入力し、プリセット音色を選ぶか、明瞭な参考音声をアップロードして自分の音声モデルを保存し、試聴結果を生成します。
生成した音声は商用利用できますか？
可能です。他人の声を使用する場合は、声の権利者から合法的な許諾を得てください。本人の声、または第三者の権利を含まない自作音色であれば、商用プロジェクトに利用でき、当方が追加で商用利用を制限することはありません。
現在どの言語に対応していますか？
中国語（普通話、広東話、重慶方言、東北方言、甘粛方言、貴州方言、浙江方言、河北方言、河南方言、湖北方言、湖南方言、江西方言、寧波方言、寧夏方言、青島方言、陝西方言、山西方言、山東方言、上海語、四川方言、雲南方言）、英語、日本語、韓国語、ロシア語、フランス語、ドイツ語、ポルトガル語、タイ語、インドネシア語、ベトナム語、スペイン語、イタリア語、マレーシア語、フィリピン語、アラビア語に対応しています。
参考音声にはどんな条件がありますか？
WAV、MP3、M4A 形式に対応しています。推奨時間は 10〜20 秒、最長 60 秒です。ファイルサイズは ≤ 10 MB、サンプルレートは ≥ 16 kHz です。
ステレオ音声は第 1 チャンネルのみ処理されるため、第 1 チャンネルに有効な人声が含まれるようにしてください。
音声には少なくとも 5 秒間の連続した明瞭な朗読内容（背景音なし）が必要です。それ以外の部分は ≤ 2 秒の短い無音のみ許容されます。背景音楽、環境ノイズ、他人の声は避け、歌や歌唱録音ではなく通常の話し声を使用してください。
利用制限はありますか？
詐欺、なりすまし、嫌がらせ、ヘイト、わいせつ・ポルノコンテンツ、その他違法な用途には使用しないでください。発見された場合、アカウント権利を直ちに停止します。
会員枠とクレジットパックはどうリセットされますか？
会員枠と単独購入したクレジットパックはいずれも暦月ごとにクリアされます。当月内で計画的に利用してください。
感情、方言、キャラクター感を制御できますか？
タグと instruction 指示で、一部の感情、方言、キャラクター風格を制御できます。
instruction 例：
標準アナウンス風：発音が明瞭で正確。
若く活発な女性声：やや速い話速で上がり調子、ファッション商品の紹介に適しています。
落ち着いた中年男性：遅めの話速で低く磁性的な声、ニュースやドキュメンタリー解説に適しています。
中国語方言 instruction 例：
请用河南话表达
タグ例：
[excited]今日はとてもいい天気です！[laughing]一緒に遊びに行きましょう！
会員期限切れ後、音声モデルは削除されますか？
削除されません。会員期限切れ、または Pro から Plus にダウングレードした後も、作成済みの音声モデルは保持されます。ただし、現在の会員レベルでサポートされる数量範囲内の、最近作成した音声モデルのみ使用できます。
例えば Pro 会員で 30 個の音声モデルを作成していた場合、Plus にダウングレード後は最近作成した 10 個を引き続き使用できます。残りのモデルは保持されますが一時的に使用できません。
再び Pro 会員になると、元の 30 個の音声モデルが通常通り使用可能になります。
テキスト読み上げで生成した音声はどのくらい保存されますか？
テキスト読み上げで生成した音声ファイルは3日間のみ保存されます。期限を過ぎると再生やダウンロードができなくなるため、早めにダウンロードして保管してください。