アリババTongyi Labが多言語TTSモデル「Qwen-Audio-3.0-TTS」発表

記事の3ポイント

1. 1

   双層構造のモデルリリース

   リアルタイム対話に最適化された「Flash」と、高品質な生成を重視する「Plus」の2つのバリアントが同じ系統から提供され、それぞれ異なるユースケースに対応する。

2. 2

   技術的革新と性能指標

   低フレームレートトークナイザーと5段階の漸進的学習手法を採用し、Artificial Analysisのリーダーボードで首位を獲得するほどの高い自然さとロバスト性を達成した。

3. 3

   多言語・多方言対応

   アラビア語からベトナム語までの16言語と中国の20方言地域をサポートし、そのうち7言語は前世代から新たに追加されたものとなる。