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。

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。

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