アリババのTongyi Labは、ホストされたテキスト読み上げシステムであるQwen-Audio-3.0-TTSをリリースしました。これはリアルタイム対話向けのFlashと高品質生成向けのPlusという2つのバリエーションで提供されます。両方のティアは、ダウンロード可能なモデルウェイトではなく、アリババクラウドのModel Studioを通じて配信されています。

  • このモデルは16言語と20の中国語方言地域をサポートしており、Flashは平均単語/文字誤り率3.87という最低値を達成しています。
  • Qwen-Audio-3.0-TTS-Plusは、Eloスコアが約1,236で、Artificial Analysisのテキスト読み上げリーダーボードで1位を獲得しました。
  • システムには、笑い声や呼吸などの非言語的な詳細を表す86の細かいインラインタグと、自然言語によるスタイル制御が含まれています。
  • Flashは最初のデータパケットのレイテンシを300msにターゲットとしており、一方Plusは音色の忠実度と話者類似性に焦点を当てており、全16言語でトップランクを獲得しています。

今回のリリースにより、開発者はホストされたAPIを通じて堅牢な多言語合成機能と細かい音声制御を利用できるようになります。