Alibaba通義研究院、音声合成モデル「Qwen-Audio-3.0-TTS」を発表──ElevenLabsの1/3の価格でリーダーボード首位を主張

Alibabaの通義研究院(Tongyi Lab)が2026年7月20日、新しい音声合成(TTS)モデル「Qwen-Audio-3.0-TTS」を発表しました。オープンウェイトでの公開ではなく、Alibaba Cloud Model Studio経由のホスト型APIとして「Flash」「Plus」の2グレードで提供され、16言語をカバーします。ベンチマークサイトArtificial Analysisの音声合成リーダーボードでPlusグレードが首位を獲得したと報じられており、価格はElevenLabsなど競合の約1/3に設定されています。

詳細

• 2つのグレード: リアルタイム会話向けに初回パケットのレイテンシを300ミリ秒台に抑えた「Flash」(モデルID: qwen-audio-3.0-tts-flash)と、速度より自然さ・音色の忠実性を優先する「Plus」(qwen-audio-3.0-tts-plus)を用意
• 価格: 100万文字あたり27.59ドルで、ElevenLabsやMiniMaxなど競合の約1/3の水準
• 対応言語: アラビア語・中国語・英語・フランス語・ドイツ語・インドネシア語・イタリア語・日本語・韓国語・マレー語・ポルトガル語・ロシア語・スペイン語・タガログ語・タイ語・ベトナム語の16言語に加え、中国国内20地域の方言にも対応
• ベンチマーク実績: Artificial AnalysisのText-to-Speechリーダーボードで「Plus」がElo評価約1,236で首位。16言語中10言語で最良の単語/文字誤り率(WER/CER)を記録し、平均WER/CERはFlashが3.87、Plusが3.96
• 話者類似度: 全言語平均でPlusが82.75、Flashが80.44と高い再現性を主張
• 生成速度の課題: PlusはBenchmark上で毎秒約16文字の生成速度にとどまり、Simba 3.2(30.2文字/秒)やGemini 3.1 Flash TTS(27文字/秒)、Sonic 3.5(120文字/秒)と比べると見劣りする面もある
• 提供形態: オープンウェイトではなくAPI限定。シンガポール・北京リージョンでダブルストリーミング(WebSocket)配信に対応

使ってみるには

• Alibaba Cloud Model StudioのDashScope SDK経由でAPIを呼び出し可能。Python・Java・Go・C#・PHP・Node.jsのサンプルコードが提供されている
• 現時点ではオープンウェイトの公開予定は明らかにされておらず、API経由での利用が前提となる