アリババTongyi Labが多言語TTSモデル「Qwen-Audio-3.0-TTS」発表
アリババの通義実験室は、リアルタイム性と高品質性を両立する Qwen-Audio-3.0-TTS をリリースし、16 か国語と中国方言に対応した生産向け TTS システムを確立しました。
キーポイント
2 つの専用バリアントによる用途最適化
Flash は 300ms レベルの低遅延でリアルタイム対話に、Plus は音質忠実度を重視した高品質生成にそれぞれ特化しており、同一系統から異なるニーズに対応します。
技術的革新とトレーニング手法
12.5Hz の低フレームレートトークナイザーによる推論コスト削減と、LM と Flow-Matching を協調させる 5段階の漸進的学習パイプラインにより、自然さや頑健性が大幅に向上しています。
多言語対応と性能評価
アラビア語からベトナム語までの 16 か国語と中国方言 20 地域をサポートし、独立した Artificial Analysis リーダーボードで TTS 分野のトップスコアを記録しました。
開発者向け実装環境
WebSocket ストリーミングプロトコルによる双方向通信と、PCM/WAV/MP3/Opus 形式への対応に加え、主要なプログラミング言語 SDK を提供し、音声クローンやボイスメイク機能も利用可能です。
多言語性能と音声品質のトップクラス
16カ国語中10言語で最も低い単語/文字誤り率 (WER/CER) を記録し、Plus ターは全言語で話者類似性 82.75 の最高スコアを達成しました。
フレーズレベルの感情制御と非言語効果
[excited] や [laughing] などの 86 種類のインラインタグにより、笑い声や息継ぎといった細かな表現を制御可能ですが、これらは双方向ストリーミングモードでのみ利用可能です。
コストパフォーマンスと処理速度のトレードオフ
人工知能分析アレーナで最高品質の評価を得ていますが、Plus ターの生成速度 (16 文字/秒) は競合他社より遅く、その分価格は主要競合の約 3 分の 1 と低価格です。
重要な引用
Flash targets real-time interaction. Plus targets high-quality generation.
Qwen-Audio-3.0-TTS-Plus also ranks first on the independent Artificial Analysis Text-to-Speech leaderboard.
A 12.5 Hz low-frame-rate speech tokenizer reduces autoregressive decoding cost while retaining content and speaker information.
Qwen-Audio-3.0-TTS-Plus took the top quality spot on the Artificial Analysis Speech Arena for Provider Voices.
The listed rate is $27.59 per 1M characters, roughly a third of what ElevenLabs and MiniMax charge for the tiers it outranks.
Plus ranks #1 on the Artificial Analysis arena at ~1,236 Elo
影響分析・編集コメントを表示
影響分析
このリリースは、TTS モデルが研究段階から実用段階へ移行したことを示す重要なマイルストーンであり、特にリアルタイム性と高品質性の両立を可能にした技術的進歩は、カスタマーサポートやバーチャルアシスタントなどの産業応用に即座に活用できる可能性を示しています。また、マルチモーダル学習と流マッチングの組み合わせによる性能向上は、今後の音声合成技術の標準となる新たなベンチマークとなり得ます。
編集コメント
アリババが公開した Qwen-Audio-3.0-TTS は、単なる音声合成の枠を超え、ビジネス現場で即戦力となるレベルの性能と柔軟性を兼ね備えています。特に「Flash」と「Plus」の使い分けは、開発者が用途に応じて最適なコストパフォーマンスを選定できる点で非常に実用的です。
アリババ傘下の通義実験室（Tongyi Lab）は、実用を目的としたテキスト読み上げシステム「Qwen-Audio-3.0-TTS」を発表しました。このモデルは同一の系譜から派生した 2 つのバリアントで提供されます。「Flash」はリアルタイム対話を、「Plus」は高品質な生成をそれぞれ最適化しています。どちらもダウンロード可能な重み（ウェイト）ではなく、アリババクラウドの Model Studio を通じたホストモデルとして利用可能です。
今回のリリースでは、開発者が実運用で直面する 4 つの課題に焦点を当てています。それは、対応言語のカバー範囲拡大、自然なスタイル制御、細粒度のタグ制御、そして参照音声の品質が低い場合でも安定して動作する堅牢性です。特に Qwen-Audio-3.0-TTS-Plus は、独立系評価サイト「Artificial Analysis」のテキスト読み上げリーダーボードで 1 位を獲得しています。
2 つのバリアント、同じ系譜
2 つのグレードはそれぞれ異なる用途に最適化されています。「Flash」はリアルタイム対話を想定し、最初のデータパケットが届くまでの遅延を 300 ミリ秒台に抑えています。一方、「Plus」は高品質な生成を重視しており、速度よりも自然さや音色の忠実度を優先しています。
モデル ID はそれぞれ「qwen-audio-3.0-tts-flash」と「qwen-audio-3.0-tts-plus」です。両方とも双方向 WebSocket ストリーミングプロトコルを介して呼び出されます。API では PCM、WAV、MP3、Opus 形式に対応し、サンプリングレートは最大 48 kHz で出力可能です。ストリーミング入出力、音声クローニング、Voice Design（声の設計）、指示制御といった機能も提供されています。
アリババでは DashScope SDK を用意しており、Python、Java、Go、C#、PHP、Node.js に対応した WebSocket の生コード例も公開しています。利用可能なリージョンはシンガポールと北京です。
モデルの構築背景
このシステムの根幹を支えているのは、2 つの重要な設計思想です。
12.5 Hz という低フレームレートの音声トークナイザーを採用することで、コンテンツ情報と話者情報を維持しつつ、自己回帰型のデコードコストを削減しています。フレームレートが下がることで 1 秒あたりのトークン数が減り、推論の遅延も短縮されます。
言語モデル（LM）とフローマッチング（FM）コンポーネントを連携させるため、5 つの段階からなる漸進的な学習パラダイムを導入しました。具体的には、独立した LM と FM の事前学習、高品質データを用いたアニーリング付きの共同トレーニング、LM に対する強化学習、FM のロバスト性強化トレーニング、そして FM への強化学習という 5 ステージです。このパイプラインにより、コンテンツの一貫性や抑揚の自然さ、音声の忠実度、知覚的な品質、そして頑健性が向上したと研究チームは報告しています。
また、本モデルは最大 3 分間の長文を一度に合成する「ワンパス」処理に対応しており、テキスト正規化が難しいケースや、48 kHz 出力のためのボコーダーの超解像処理もサポートします。
(function(){
var f=document.getElementById("mtp-qatts-explainer");
window.addEventListener("message",function(e){
var d=e.data||{};
if(d && d.type==="qatts-explainer" && d.qattsHeight){ f.style.height=d.qattsHeight+"px"; }
});
})();
16 カ国語に対応する多言語カバー
Qwen-Audio-3.0-TTS は、アラビア語、中国語、英語、フランス語、ドイツ語、インドネシア語、イタリア語、日本語、韓国語、マレー語、ポルトガル語、ロシア語、スペイン語、タガログ語、タイ語、ベトナム語の 16 カ国語に対応しています。このうち 7 カ国語は前世代から新たに追加されたものです。さらに、中国国内の 20 の方言地域もカバーしています。
多言語の理解度において、このモデルファミリーは16言語中10言語で最も低い単語誤り率（WER）と文字誤り率（CER）を記録しました。Flash モデルが平均 3.87 で最低値を達成し、Plus モデルも 3.96 と非常に近い結果です。この指標では数値が小さいほど優れています。
話者類似性については、Plus が全16言語で平均 82.75 の最高スコアを獲得し、Flash は 80.44 で続きます。また今回のリリースでは、16 対応言語にわたる厳選されたプリセット音声ライブラリが追加されました。これにより、チームは音声クローニングを行わずとも、すぐに利用可能な音声を導入できるようになります。
非言語的な詳細を制御するための微細なタグ
精密な制御を実現するため、研究チームは対象テキスト内にインラインタグを直接埋め込む仕組みを採用しました。今回のリリースでは、フレーズや単語レベルでのローカル制御を可能にする 86 の微細なインラインタグが追加されています。これには、笑いや呼吸、咳、ため息といった非言語的なイベントや、表現豊かな遷移が含まれます。
Model Studio のドキュメントでは、これらのタグを2つのグループに分類しています。[excited]（興奮）、[sad]（悲しみ）、[whispers]（囁き）、[asmr] などの制御タグは、次のタグが現れるまで感情やスタイルを設定します。一方、[laughing]（笑い声）、[gasp]（息を呑む）、[clears throat]（咳払い）といったリッチ言語タグは、周囲のトーンを変えずに単一の音声効果を挿入するものです。
具体的な使用例：
[excited]What a beautiful day today![laughing]Let's go out and have fun together!
ここで注意すべき制限点があります。これらの感情表現やリッチ言語タグは、双方向ストリーミングではなく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。
現在の評価状況
Qwen-Audio-3.0-TTS-Plus は、Artificial Analysis の Speech Arena における「プロバイダー音声」部門で最高品質を獲得しました。Elo レートは約 1,236 で、Simba 3.2（1,234）をわずかに上回り、Gemini 3.1 Flash TTS（1,214）や Sonic 3.5（1,207）との差も明確です。ただし、Simba 3.2 とのリード幅は統計的な信頼区間内に収まっているため、厳密にはトップでの同率と言えます。
一方で、2 つのトレードオフを正直に伝える必要があります。まずスループット（処理速度）は控えめです。Plus モデルは秒間約 16 文字の生成ですが、これは Simba 3.2（30.2）、Gemini 3.1 Flash TTS（27）、そして Sonic 3.5（120）を下回ります。一方、価格は競争力があります。100 万文字あたりの料金は 27.59 ドルで、上位に位置する ElevenLabs や MiniMax の同種プランの約 3 分の 1 です。ランキングと価格は頻繁に変動するため、利用計画を立てる際は必ず最新情報を確認してください。
開発者やコミュニティからの反応
初期の評価は「慎重ながらも期待感がある」ものです。最も話題になっているのは、「非西洋系の TTS が既存大手の価格の数分の一でアレーナを制した」という点です。一方で懸念されている主な点は、モデルがホスト型のみであること、処理速度が競合に劣ること、そして名前がオープンソース版「Qwen3-TTS」シリーズと重複していることです。以下のダッシュボードは、X（旧 Twitter）、Reddit、Hacker News におけるこれらの初期反応を集約したものです。
(function(){
var f=document.getElementById("mtp-qatts-sentiment");
window.addEventListener("message",function(e){
var d=e.data||{};
if(d && d.type==="qatts-sentiment" && d.qattsHeight){ f.style.height=d.qattsHeight+"px"; }
});
})();
キーポイント
Qwen-Audio-3.0-TTS は、Alibaba Cloud Model Studio で提供されるテキスト読み上げ（TTS）モデルで、2 つのプランから選べます。1 つは「Flash」で、最初の応答まで約 300 ミリ秒、リアルタイム処理が可能です。もう 1 つが「Plus」で、音質を最優先したプランです。
Artificial Analysis の評価では、Plus が約 1,236 Elo で第 1 位を獲得しています。料金は 100 万文字あたり約 27.59 ドルですが、処理速度は秒間約 16 文字と、Flash に比べると低速です。
対応言語は 16 か国語に加え、中国の方言を 20 種類カバーしています。16 か国のうち 10 か国で誤り率（WER/CER）が最も低く、Plus では話者類似性も最高レベルです。
制御方法は 2 つあります。自然言語による自由な指示と、非音声の詳細を指定するための 86 の細かなインラインタグです。
これはオープンウェイトの Qwen3-TTS（Apache-2.0 ライセンス）とは別物で、Qwen-Audio-3.0-TTS は API のみを通じて Alibaba Cloud Model Studio で利用可能です。
情報源：Qwen-Audio-3.0-TTS 公式リリースブログ・通義実験室発表・Alibaba Cloud Model Studio リアルタイム TTS ドキュメント・Artificial Analysis リーダーボード・通義実験室の X（旧 Twitter）投稿
本記事は、MarkTechPost に掲載された「Alibaba's Tongyi Lab Releases Qwen-Audio-3.0-TTS, a Hosted Text-to-Speech Model in Flash and Plus Tiers Across 16 Languages」を基にしています。
原文を表示
Alibaba’s Tongyi Lab has released Qwen-Audio-3.0-TTS, a production-oriented text-to-speech (TTS) system. The model ships in two variants from the same lineage. Flash targets real-time interaction. Plus targets high-quality generation. Both are delivered as hosted models through Alibaba Cloud Model Studio, not as downloadable weights.
The release focuses on four things developers hit in production: broader language coverage, natural-language style control, fine-grained tag control, and robustness when the reference audio is not clean. Qwen-Audio-3.0-TTS-Plus also ranks first on the independent Artificial Analysis Text-to-Speech leaderboard.
Two variants, one lineage
The two tiers map to different jobs. Flash is tuned for real-time interaction, with first-packet latency at the 300 ms level. Plus is tuned for high-quality generation, where naturalness and timbre fidelity matter more than speed.
The model IDs are qwen-audio-3.0-tts-flash and qwen-audio-3.0-tts-plus. Both are called over a bidirectional WebSocket streaming protocol. The API supports PCM, WAV, MP3, and Opus, with sample-rate output up to 48 kHz. It exposes streaming input and output, voice cloning, Voice Design, and instruction control. Alibaba provides the DashScope SDK plus raw WebSocket examples in Python, Java, Go, C#, PHP, and Node.js, across its Singapore and Beijing regions.
How the model is built
Two design choices anchor the system.
A 12.5 Hz low-frame-rate speech tokenizer reduces autoregressive decoding cost while retaining content and speaker information. A lower frame rate means fewer tokens per second of audio, which cuts inference latency.
A five-stage progressive training paradigm coordinates the language model (LM) and flow-matching (FM) components. The stages are independent LM and FM pretraining, joint training with high-quality data annealing, LM reinforcement learning, FM robustness training, and FM reinforcement learning. The research team reports this pipeline improves content consistency, prosodic naturalness, voice fidelity, perceptual quality, and robustness.
The model also handles one-pass long-form synthesis up to 3 minutes, hard text-normalization cases, and vocoder super-resolution for 48 kHz output.
(function(){
var f=document.getElementById("mtp-qatts-explainer");
window.addEventListener("message",function(e){
var d=e.data||{};
if(d && d.type==="qatts-explainer" && d.qattsHeight){ f.style.height=d.qattsHeight+"px"; }
});
})();
Multilingual coverage across 16 languages
Qwen-Audio-3.0-TTS supports 16 languages: Arabic, Chinese, English, French, German, Indonesian, Italian, Japanese, Korean, Malay, Portuguese, Russian, Spanish, Tagalog, Thai, and Vietnamese. Seven of these are newly added versus the prior line. It also covers 20 Chinese dialect regions.
On multilingual intelligibility, the model family posts the best word/character error rate (WER/CER) in 10 of the 16 languages. Flash delivers the lowest average WER/CER at 3.87; Plus is close at 3.96. Lower is better on this metric.
On speaker similarity, Plus ranks first across all 16 languages with an average of 82.75, and Flash follows at 80.44. The release also adds a curated preset voice library spanning the 16 supported languages, so teams can ship a voice without cloning one first.
Fine-grained tags for non-verbal details
For precise control, the research team embed inline tags directly in the target text. The release adds 86 fine-grained inline tags for localized control at the phrase and word level. These cover expressive transitions and non-verbal events such as laughter, breathing, coughing, and sighing.
The Model Studio documentation splits these into two groups. Control tags such as [excited], [sad], [whispers], and [asmr] set an emotion or style until the next tag. Rich-language tags such as [laughing], [gasp], and [clears throat] insert a single vocal effect without changing surrounding tone. A worked example: [excited]What a beautiful day today![laughing]Let's go out and have fun together! One limitation is worth noting here: these emotion and rich-language tags are supported only in unidirectional streaming mode.
Where it stands on the leaderboard
Qwen-Audio-3.0-TTS-Plus took the top quality spot on the Artificial Analysis Speech Arena for Provider Voices. It posts an Elo near 1,236, narrowly ahead of Simba 3.2 at 1,234, and clear of Gemini 3.1 Flash TTS (1,214) and Sonic 3.5 (1,207). The lead over Simba 3.2 sits inside overlapping confidence intervals, so it is a statistical tie at the very top.
Two trade-offs are worth stating plainly. Throughput is modest: Plus generates about 16 characters per second, below Simba 3.2 (30.2), Gemini 3.1 Flash TTS (27), and Sonic 3.5 (120). Price is competitive: the listed rate is $27.59 per 1M characters, roughly a third of what ElevenLabs and MiniMax charge for the tiers it outranks. Rank and price move often, so confirm both before planning around them.
How developers and the community are reacting
The early reception is cautiously enthusiastic. The most-shared story is that a non-Western TTS topped the arena at a fraction of incumbent pricing. The most common reservations are that the model is hosted-only, that its throughput trails rivals, and that its name overlaps with the open Qwen3-TTS line. The dashboard below aggregates that early signal across X, Reddit, and Hacker News.
(function(){
var f=document.getElementById("mtp-qatts-sentiment");
window.addEventListener("message",function(e){
var d=e.data||{};
if(d && d.type==="qatts-sentiment" && d.qattsHeight){ f.style.height=d.qattsHeight+"px"; }
});
})();
Key Takeaways
Qwen-Audio-3.0-TTS is a hosted TTS model in two tiers: Flash (~300 ms first-packet, real-time) and Plus (quality-first).
Plus ranks #1 on the Artificial Analysis arena at ~1,236 Elo, priced at ~$27.59 per 1M characters, but only ~16 chars/sec throughput.
Coverage spans 16 languages and 20 Chinese dialects, with best WER/CER in 10 of 16 languages and top speaker similarity on Plus.
Control comes two ways: free-style natural-language instructions and 86 fine-grained inline tags for non-verbal detail.
It is distinct from the open-weight Qwen3-TTS (Apache-2.0) line; the 3.0 model is API-only via Alibaba Cloud Model Studio.
Sources: Qwen-Audio-3.0-TTS release blog · Tongyi Lab announcement · Alibaba Cloud Model Studio real-time TTS docs · Artificial Analysis leaderboard · Tongyi Lab on X
The post Alibaba’s Tongyi Lab Releases Qwen-Audio-3.0-TTS, a Hosted Text-to-Speech Model in Flash and Plus Tiers Across 16 Languages appeared first on MarkTechPost.
関連記事
今日のまとめ
AI日報で今日の重要ニュースをまとめ読み