通義実験室、Qwen-Audio-3.0-TTS を発表しリアルタイム性と自然度を向上

「ただ話せる」から「感情を込めて話せる」へ：Qwen-Audio-3.0-TTS の登場

通義实验室 2026年7月20日 16:54 浙江

音声合成技術が「単に音声を出力する」段階から、「感情やニュアンスを表現できる」段階へと進化しました。

Qwen-Audio-3.0-TTS というリアルタイム音声合成モデルが発表されました。今回は 2 つのバージョンを用意しています。

Flash：リアルタイムな対話に適したモデルで、最初の音声が出力されるまでの遅延は約 300ms です。

Plus：高品質な生成を目的としたモデルで、自然さや音色の再現性において優れたパフォーマンスを発揮します。

今回のアップデートでは、開発者が実際の運用環境で直面する 4 つの課題に焦点を当てました。それは、対応言語のカバー範囲拡大、より直感的な指示制御、細かなトーンや感情のタグによる制御、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。

現在、世界の第三者機関である Artificial Analysis の公式ランキングにおいて、Qwen-Audio-3.0-TTS-Plus が 1 位を獲得しました！

以下に、具体的な更新内容と数値データの詳細を解説します。

能力の全体像

詳細に入る前に、Qwen-Audio-3.0-TTS の主要な能力マトリックスを簡単に確認しておきましょう。

「ただ話せる」から「表現力豊かに話す」へ：Qwen-Audio-3.0-TTS の登場

核心亮点一：多语种と方言の大幅な進化

海外展開やローカル市場への対応において、Qwen-Audio-3.0-TTS は現地の文脈に完璧に溶け込むような聴覚体験を提供します。

多言語合成の精度向上で指標をリード

Qwen-Audio-3.0-TTS はグローバルな多言語シーン向けに特別に最適化され、中国語、英語、日本語、韓国語、ドイツ語など 16 か国語に対応しています。

🟣 WER/CER（数値が低いほど優秀）

Qwen-Audio-3.0-TTS シリーズは、全体としての多言語可読性において最強の性能を示しました。対象とした 16 か国語のうち 10 か国で、WER/CER のベストスコアを記録しています。Flash バージョンの平均 WER/CER は驚異的な 3.87 で、Plus バージョンも 3.96 と非常に高い競争力を持っています。両バージョンとも、他のシステムとの比較において平均性能で上回っています。

※評価は CV3-Eval の多言語ベンチマークに基づくものです。

🟣 話者類似度（数値が高いほど優秀）

Qwen-Audio-3.0-TTS は、話者の声質の類似性において顕著かつ安定した優位性を示しています。特に Plus バージョンは全 16 か国語で 1 位を獲得し、平均 SS（Speaker Similarity）は 82.75 に達しました。Flash バージョンも 80.44 とそれに次ぐ結果です。これは、多言語環境下においても極めて強力な音色の再現能力とロバスト性を備えていることを意味しています。

※評価は CV3-Eval の多言語ベンチマークに基づくものです。

中国語の方言表現が本格的に強化

より高品質な方言データと、カバーする種類の拡大、そして専用の方言強化トレーニング段階を導入したことで、Qwen-Audio-3.0-TTS モデルは、従来の汎用音声強化学習で起こりがちだった「方言らしさの希薄化」という課題を効果的に解決しました。

現在、モデルは20種類の方言に対応しており、これらは広東語、重慶方言、東北弁、甘粛方言、貴州方言、浙江方言、河北方言、河南方言、湖北方言、湖南方言、江西語、寧波語、寧夏方言、青島方言、陝西方言、山西語、山東話、上海語、四川語、雲南語をカバーしています。これにより、合成音声の韻律や声調、そして口語的な表現が母語話者に近づき、各地域特有の言語の真髄を再現します。

核心亮点二：Free-style 自由指令，用自然语言“导演”声音

異なるシーンでは、音声スタイルに対するニーズが大きく異なります。カスタマーサポートでは温和で忍耐強いトーンが求められ、ライブ配信では情熱的で感染する力が重要であり、オーディオブックではキャラクターへの没入感が不可欠です。

Qwen-Audio-3.0-TTS は、Free-style（自由形式）の自然言語指令による制御をサポートしています。専門的な音響知識や注釈付けのスキルは不要で、自然言語を使って感情、役割、シーン、話速などの要素を柔軟に定義できます。これにより、合成結果が期待通りになる確率が格段に高まります。

核心亮点三：细粒度标签控制，精确到呼吸和情绪

自由なテキスト指令に加え、モデルはテキスト内に構造化タグ（例：[gasp]、[giggles]、[angry]）を直接埋め込むことも可能です。これにより、トーンや感情、そして「breath（息継ぎ）」のような微細なディテールまで精密に制御できます。

この手法は、非言語的な要素を厳密にコントロールする必要があるナラティブ（物語）、ゲーム、映画・ドラマの吹き替えなどのシーンで特に有効です。タグと音声は自然に融合し、柔軟に組み合わせることで複雑な感情表現を構築することが可能です。

核心亮点四：复杂声学鲁棒性，无惧嘈杂环境的音色复刻

実際の業務において、参照となる音声データは複雑な環境から得られることがよくあります。Qwen-Audio-3.0-TTS はこれに対応するため、実在する音響環境をシミュレーションしたトレーニングを専門に行い、音声強化機能をリプレイス（音色再現）プロセスにネイティブに組み込みました。

モデルは、雑音の多い環境でも自動的に「干渉を除去し、音色を保持」します。これにより、複雑なシーンにおける再現の明瞭度と知覚品質が大幅に向上しました。参照条件が劣っていても、合成音声は高品質を維持します。

• 高混響场景：残響による干渉を効果的に抑制し、合成音声をよりクリーンでクリアにします。
• 高噪声场景：ノイズ耐性が強化され、前世代と比較して音声品質が著しく向上しています。

Also in this release：精品音色库

Qwen-Audio-3.0-TTS に付属するプレミアムボイスライブラリは、モデルが多言語・多方言対応、指令制御、細粒度表現で持つ能力を、すぐに使える音声リソースとして凝縮したものです。ライブラリには、指令スタイルのボイス、20種類の方言ボイス、細粒度制御用ボイス、そして14以上の小语种（少数民族語や地域限定言語など）ボイスが含まれており、ビジネス側がさまざまなシーン向けの音声ソリューションを迅速に立ち上げるのを支援します。

真面目な創作シーンにおいては、オーディオ出力の品質を24kHzから48kHzへと引き上げました。また、1回の音声合成で最大3分間の長文もサポートしており、長時間のテキスト読み上げニーズにも容易に対応できます。

（注：一部の方言や小语种のプレミアムボイス、および48kHz高解像度オーディオ出力機能は、現在アリババクラウドの百炼プラットフォームで順次公開されています。48kHz機能は7月24日の正式開放を予定しており、詳細はコンソールの実際の表示をご確認ください。）

核心亮点

• 自然言語でキャラクター、感情、シーン、トーンを直接記述可能。合成結果は指令に応じて変化します。
• コンテキストに応じたトーン選択をサポート。同じ文章でも、異なるシーンでは異なる感情を表現できます。
• ささやき、笑い声、感情の転換など、細粒度な表現に対応。よりリアルな話し方に近づきます。
• 長文においても、リズム、明瞭度、音色の一貫性を維持します。
• ラジオパーソナリティ、カウンセリング、SF AI など、多様なキャラクター表現をカバーしています。

Qwen-Audio-3.0-TTS は現在、全面的に利用可能です。

「単に話せる」から「表現力豊かに話す」へ。技術の境界は着実に広がっています。

開発者の皆様、ぜひご体験ください。音声合成の可能性を共に探求していきましょう。実装や運用においてご意見・ご感想がございましたら、技術コミュニティでのご議論をお待ちしています。

Qwen-Audio-3.0-TTS-Plus の詳細：

https://bailian.console.aliyun.com/cn-beijing?tab=model#/model-market/detail/qwen-audio-3.0-tts-plus?serviceSite=asia-pacific-china

Qwen-Audio-3.0-TTS-Flash の詳細：

https://bailian.console.aliyun.com/cn-beijing?tab=model#/model-market/detail/qwen-audio-3.0-tts-flash?serviceSite=asia-pacific-china

公式ブログ：

https://funaudiollm.github.io/qwen-audio-3.0-tts/

関連記事・おすすめコンテンツ