MOSS-TTS-v1.0-Pro
音声生成MOSS-TTSシリーズは当社のフラッグシップ音声合成モデルです。v1.0-Proは高忠実度のボイスクローン機能を備え、話者固有の特徴、口調、韻律を正確に再現し、自然で生き生きとした表現力豊かな音声を生成します。
ENDPOINT
POST /v1/audio/speech
現在の呼び出しパス
入力
テキスト + voice_id
リクエストで受け付ける内容
出力
音声
成功時に返される内容
モデル概要
単一話者の音声合成モデル。デフォルトでは安定版モデルIDのmoss-tts-1.0-proを使用します。固定バージョンを再現する場合は、modelにmoss-tts-1.0-pro-2026-02-07を指定できます。
料金
課金方式CNY価格実際の消費
入力文字数ベース
CNY 2.00 / 1万文字40クレジット / 1万文字1回の呼び出しごとに実際の使用量で計算されます。CNYの金額は価格を把握するためのもので、最終的にはクレジットの請求明細に準じます。 料金基準の一覧を見る
対応モダリティ
文テキスト入力のみ
音音声出力のみ
画画像非対応
動動画非対応
対応エンドポイント
単一話者の音声生成
/v1/audio/speech対応複数話者の対話音声生成
/v1/audio/speech/speakers非対応音声文字起こし
/v1/audio/transcriptions非対応ボイスデザイン
/v1/audio/voice/generations非対応マルチモーダル理解
/v1/responses非対応リアルタイム動画理解
/v1/realtime非対応画像生成
/v1/images/generations非対応機能
性能高
推論速度中
ストリーミング 非対応
非同期 対応
- 65,536のコンテキストウィンドウ長
- 最大出力45,000トークン
- 15以上の言語に対応
- 音素レベルの発音制御とトークンレベルの時間長制御に対応
バージョンとスナップショット
Model ID
moss-tts-1.0-proスナップショット
moss-tts-1.0-pro-2026-02-07最新バージョン