AlibabaのAI音声合成が世界首位を獲得、16言語対応で感情表現豊かな新モデルを発表

リリースの概要

Alibabaは、最新の音声合成モデル「Qwen-Audio-3.0-TTS-Plus」を発表しました。本モデルは、AI性能の評価機関であるArtificial Analysisが公開する「Speech Arena」リーダーボードにおいて、プロバイダー音声部門で首位を獲得しました。Eloスコアは1,236を記録し、競合するSimba 3.2（1,234）、Gemini 3.1 Flash TTS（1,214）、Sonic 3.5（1,207）を上回る評価を得ています。

製品・新機能の詳細

Qwen-Audio-3.0-TTS-Plusは、用途に応じて「Flash」と「Plus」の2バージョンで展開されます。「Flash」はリアルタイム対話に特化しており、約300ミリ秒の低遅延を実現しています。「Plus」は高品質な音声出力を目的として設計されています。

本モデルは、タガログ語、マレー語、タイ語、ベトナム語を含む16言語をサポートしており、中国語の複数の地域方言にも対応しています。また、自然言語による指示や、「[angry]（怒り）」「[giggles]（笑い）」といったタグを付与することで、非言語的な感情表現や話法を細かく調整することが可能です。

技術的特徴と価格

音声クローン技術において、従来モデルよりもノイズが多い環境やエコーが強い環境での再現性が向上しています。提供はAlibaba Cloud Model Studio経由で行われ、価格は100万文字あたり27.60ドルです。

パフォーマンスに関する分析

生成速度については課題も報告されています。1秒あたりの処理速度は16文字となっており、Sonic 3.5（120文字/秒）やSimba 3.2（30.2文字/秒）と比較すると低速であるというデータが示されています。