1週間の気になる生成AI技術・研究をいくつかピックアップして解説する連載「生成AIウィークリー」から、特に興味深いAI技術や研究にスポットライトを当てる生成AIクローズアップ。
今回は、Alibaba傘下の研究機関Tongyi Lab（Qwenの開発元）が発表した、テキスト音声合成（text-to-speech）モデル「Qwen-Audio-3.0-TTS」を取り上げます。
読ませたいテキストを入力することで、音声に変換することができます。また特定の人の声を再現（クローン）したい場合は、参照音声を入力することも可能です。
用途に合わせて2つのモデルが用意されています。「Flash」はリアルタイムのやり取りに最適化されており、およそ300ミリ秒という短時間で最初の音声データを出力する低遅延が特徴です。
「Plus」は、スピードよりも声の自然さや音色の忠実さを優先したい高音質向けのモデルです。実際にこのPlusモデルは、Artificial Analysisの音声合成リーダーボードにおいて1位を獲得しています。
▲Qwen-Audio-3.0-TTS-Plusは、独立した第三者機関によるArtificial AnalysisのTTSランキングで1位を獲得
日本語を含む16言語に対応しています。
「この文章を怒ったように言って」といったように自然言語で指示をするだけで、声の感情やキャラクター設定、シナリオ、話すペースなどを思い通りにコントロールできます。
また、息継ぎや笑い声、声のトーンの変化といった言葉以外の詳細を指定したい場合は、ターゲットとなるテキスト内に直接タグを差し込むことができます。
音声クローン機能も向上しており、ノイズや残響が含まれる不完全な参照音声からでも、自動でノイズを抑えて元の声質を活かしたクリアな音声を生成できるといいます。
