アリババ、音声AI「Qwen Audio 3.0」を公開

アリババグループのTongyi Lab（通義実験室）は、プロダクション運用を想定した最新のTTS（Text-to-Speech。テキストを自然な音声に変換する技術）モデル「Qwen-Audio-3.0-TTS」を発表し、クラウドサービス「Alibaba Cloud Model Studio」を通じてAPI提供を開始しました。本モデルはリアルタイム対話向けの低遅延モデル「Flash」と、生成品質重視の「Plus」という2つのエディションが用意されており、多様な音声アプリケーションの要件に応えます。

遅延と品質を両立する2種類のエディションと基盤構造

Qwen-Audio-3.0-TTSは、用途に応じて異なる最適化が施された2つのモデルID（qwen-audio-3.0-tts-flash および qwen-audio-3.0-tts-plus）で構成されています。「Flash」モデルはファーストパケット遅延が約300ミリ秒レベルに抑えられており、会話型AIや即時性が求められる対話システムに適合します。一方の「Plus」モデルは自然なイントネーションや声質の再現性を最優先しており、独立調査機関Artificial AnalysisのText-to-Speechベンチマークにて最上位となる約1,236 Eloスコアを獲得しました。

本システムの技術的特徴として、12.5Hzの低フレームレート音声トークナイザーの採用が挙げられます。音声トークンの時間分解能を下げることで自動回帰デコーディングの計算コストを削減し、推論処理の高速化を実現しました。また、言語モデルとフローマッチング（Flow-Matching）の学習を段階的に統合する5段階のプログレッシブトレーニングモデルを適用し、音声の一貫性と知覚的品質を向上させています。API接続は双方向WebSocketストリーミングプロトコルに対応し、PCM、WAV、MP3、Opusフォーマットで最大48kHzのサンプルレート出力が可能です。

16言語への対応と86種類のインライン表現制御タグ

音声を扱うマルチリンガル性能も大幅に強化されました。日本語、英語、中国語、アラビア語、フランス語、ドイツ語、インドネシア語、韓国語、ポルトガル語、ロシア語、スペイン語など全16言語をサポートしており、従来モデルから新たに7言語が追加されました。また、中国語の20の地域方言にも対応しています。単語誤認識率（WER）や文字誤認識率（CER）の評価においては、16言語中10言語で最良の成果を示し、平均WER/CERはFlashモデルで3.87、Plusモデルで3.96を記録しています。

さらに、テキスト内に埋め込む​86種類のファイングレイン・インラインタグ​​による高度な音声表現制御を導入しました。「[excited]」や「[whispering]」といった感情・スタイルの制御タグに加え、「[laughing]」「[gasp]」「[sighing]」などの非言語表現（笑い声、息を呑む動作、ため息など）をテキストフレーズ単位で直接指定できます。

日本の開発者への影響と未確認事項の整理

今回の発表は、コストパフォーマンスの高い音声合成サービスを求める日本のWeb・アプリ開発者にとって有力な選択肢となります。Plusエディションの利用料金は100万文字あたり27.59ドルと提示されており、同等の評価スコアを持つ競合他社サービスと比較して約3分の1のコストに抑えられています。

日本の読者および開発者が留意すべき未確認事項と制約は以下の通りです：

• ​モデルの提供形態​: 本モデルはオープンウェイトモデル「Qwen3-TTS」とは異なり、重みのダウンロードはできません。Alibaba Cloud Model Studioを介したAPI限定の利用となります。
• ​処理スループットの制限​: Plusモデルの生成スループットは毎秒約16文字にとどまり、秒間100文字以上を出力する一部の競合APIと比較すると低速です。
• ​インラインタグのストリーミング制約​: 感情および非言語表現のインラインタグ制御は、現在単一方向ストリーミングモードでのみサポートされています。

今後の展望と市場における評価

Qwen-Audio-3.0-TTSの登場は、音声AI分野におけるクラウド提供型APIの価格破壊を加速させると考えられます。特に16言語を均一な音質でサポートしている点から、グローバル展開を検討する企業向けカスタマーサポートやゲームの音声ローカライズ用途での採用が進む見込みです。今後は、APIの処理スループット改善やリアルタイム双方向ストリーミングにおける高度なタグ制御の対応が注視されます。