Qwen-Audio-3.0-TTSが16言語と自然言語の話し方制御に対応

Alibaba Cloudは、音声合成モデルQwen-Audio-3.0-TTSを発表しました。多言語化だけでなく、自然な文章で話し方を指示できることと、用途に応じてFlashとPlusを選べることが中心です。

要点

• Arabic、Chinese、English、French、German、Indonesian、Italian、Japanese、Korean、Malay、Portuguese、Russian、Spanish、Tagalog、Thai、Vietnameseの16言語を対象にしています。
• Flashは約300ミリ秒級の先頭パケット遅延を重視し、Plusは自然さや話者らしさを重視した構成です。
• 自然言語で感情や速度、雰囲気を指定でき、笑い声や息をのむ表現などのインラインタグにも対応します。
• 参照音声の品質が完全でない場合にも耐える音声クローンを掲げていますが、本番利用では同意、権利、なりすまし対策が別途必要です。

今回のブログ記事で語られていること

発表の中心は、TTSを単に文章から音声へ変換する機能ではなく、会話体験を設計するためのモデルとして扱うことです。Qwen-Audio-3.0-TTSでは、16言語を同じ製品系統で扱い、開発者が「落ち着いた声で」「少し速く、熱意を込めて」といった自然言語の指示で話し方を調整できます。台本内には、息をのむ、笑う、怒った調子にするなどの表現をタグとして埋め込めます。多言語対応は順次提供されると説明されているため、言語一覧に含まれることと、利用中のリージョンやAPIですぐ使えることは分けて確認する必要があります。

モデルはFlashとPlusに分かれます。Flashは約300ミリ秒級の先頭パケット遅延を掲げ、対話エージェントや読み上げのように応答開始の速さが重要な用途を想定しています。Plusは自然さと話者の類似度を優先します。公式評価では文字・単語誤り率の平均がFlashで3.87、Plusで3.96、話者類似度の平均がFlashで80.44、Plusで82.75とされています。差は単純な上下関係ではなく、レイテンシと音声品質の選択として読むのが適切です。評価条件、言語別のばらつき、自社固有名詞の読み方は、実データで確かめる必要があります。

音声クローンについては、雑音や録音条件が完全でない参照音声でも話者の特徴を再現しやすくしたと説明されています。プリセット音声も用意され、48kHz出力は今後の提供予定です。この機能は制作効率を高める一方、本人同意、音声素材の利用権限、生成物の表示、悪用検知をモデル性能とは別に設計しなければなりません。公式記事は表現力と扱いやすさを強く打ち出していますが、実務では言語、声質、遅延、費用、安全対策を同じ評価表で比較することが重要です。

今回のブログ記事が関係する人

音声エージェント、読み上げ、動画制作、ゲーム、アクセシビリティ機能を開発するチーム、多言語コンテンツの運用担当、音声素材の権利管理やAI安全を担当する人に関係します。

結局、今回のブログ記事をどう読むべきか

QwenのTTSが多言語と演技指示を一体で扱う段階へ進んだ発表です。導入時はFlashとPlusを同じ台本で比較し、対象言語ごとの読み間違い、先頭遅延、話者類似度に加え、同意取得と不正利用対策まで検証するのがよいです。