2026年7月21日 20:31
Qwen Audio 3.0、音声合成ランキング首位
Alibaba's Qwen Audio 3.0 TTS Plus tops the competition in the text-to-speech rankings
3行まとめ
- •Alibabaの音声合成モデルが首位に
- •16言語対応、感情タグで発話制御
- •生成速度は競合より低速
詳細
概要
Alibabaが開発した音声合成（TTS）モデル「Qwen Audio 3.0 TTS Plus」が、AI性能評価機関Artificial AnalysisのSpeech Arenaランキングで首位を獲得した。同ランキングは音声合成モデルの品質や自然さを比較するベンチマークで、複数の主要モデルが競合する分野において、Alibabaの技術力を示す結果となった。
機能
Qwen Audio 3.0 TTS Plusは16言語に対応しており、ユーザーは自然言語の指示や「[angry]」のようなタグを用いることで、話し方や感情表現を細かく制御できる。これにより、単なるテキスト読み上げにとどまらず、状況に応じた表現豊かな音声生成が可能になっている。
課題
一方で生成速度は1秒あたり16文字にとどまり、競合の音声合成モデルSonic 3.5やSimba 3.2と比較すると大幅に遅い。品質面で優位性を示した一方、実用面での処理速度には課題が残っており、今後の改善が注目される。
なぜ重要か
TTS特化モデルの順位変動で、業務利用への直接的な影響は小さい。
元記事を読む — The Decoder