AlibabaのTongyi Lab、16言語対応のホスト型テキスト読み上げモデル「Qwen-Audio-3.0-TTS」をFlashおよびPlusの2段階で公開

AlibabaのTongyi Labは、プロダクション向けテキスト読み上げ（TTS）システム「Qwen-Audio-3.0-TTS」をリリースしました。本モデルは2つのバリエーションを提供します。Flashはリアルタイム対話に最適化され、初回パケット遅延は約300ミリ秒です。Plusは高品質生成を重視し、自然さと音色の忠実度を優先します。両モデルはAlibaba Cloud Model Studioを通じてホスト型で提供され、ダウンロード可能な重みとしては公開されていません。

今回のリリースは、開発者が本番環境で直面する4つの課題に対応しています：広範な言語カバレッジ、自然言語によるスタイル制御、細粒度タグ制御、そして参照音声がクリーンでない場合のロバスト性です。Qwen-Audio-3.0-TTS-Plusは、独立したArtificial Analysisテキスト読み上げリーダーボードで首位を獲得しました。

モデルアーキテクチャにおいて、研究チームは12.5Hzの低フレームレート音声トークナイザーを採用し、自己回帰復号のコストを削減しながらコンテンツと話者情報を保持しています。5段階の漸進的トレーニングパラダイムにより、言語モデルとフローマッチングコンポーネントを調整し、独立事前学習、高品質データアニーリングによる共同学習、強化学習などを経て、内容一貫性、韻律的自然さ、音声忠実度などを向上させています。最大3分間の一度の長文合成、難しいテキスト正規化ケース、48kHz出力のボコーダー超解像にも対応します。

多言語対応は16言語をカバー：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、ベトナム語のうち7言語が新規追加されました。また、20の中国方言地域もサポートします。多言語了解度では、16言語中10言語で最良のWER/CERを記録し、Flashの平均WER/CERは3.87、Plusは3.96です。話者類似度では、Plusが全16言語で平均82.75とトップ、Flashは80.44です。

細かい制御のために、研究チームはターゲットテキストに直接インラインタグを埋め込みます。86種類の細粒度インラインタグにより、フレーズや単語レベルでの局所的な制御が可能で、笑い声、呼吸、咳、ため息などの非言語的イベントをカバーします。制御タグ（[excited]、[sad]など）は感情やスタイルを設定し、リッチ言語タグ（[laughing]、[gasp]など）は周囲のトーンを変えずに単一の声の効果を挿入します。ただし、これらの感情・リッチ言語タグは単方向ストリーミングモードでのみサポートされます。

Artificial Analysis Speech Arenaにおいて、Qwen-Audio-3.0-TTS-Plusは約1236のEloスコアで最高品質を獲得し、Simba 3.2（1234）、Gemini 3.1 Flash TTS（1214）、Sonic 3.5（1207）を上回りました。ただし、Simba 3.2との差は信頼区間内であり、統計的に同点です。スループットは控えめで、Plusは約16文字/秒と、Simba 3.2（30.2）などに劣ります。価格は100万文字あたり約27.59ドルで、ElevenLabsやMiniMaxの約3分の1です。

開発者コミュニティの反応は慎重ながらも楽観的です。最も共有されたのは、非西洋のTTSモデルが既存のベンダーの数分の一の価格でアリーナのトップに立ったという点です。主な留保意見としては、モデルがホスト型のみであること、スループットが競合に劣ること、名称がオープンなQwen3-TTSラインと重複することなどがあります。

Qwen-Audio-3.0-TTSは、オープンウェイトのQwen3-TTS（Apache-2.0）ラインとは異なり、3.0モデルはAlibaba Cloud Model StudioのAPIのみで利用可能です。