アリババが「Qwen3-TTS」発表、3秒で声クローンや指示文での声色作成に対応

AIの音声合成といえば、用意されたプリセットから選ぶか、まとまった録音データを用意して学習させるのが一般的でした。

アリババのQwenチームは、新たな音声合成ラインアップ「Qwen3-TTS」を発表しました。展開されるのは「VoiceDesign-VD-Flash」と「VoiceClone-VC-Flash」の2モデルです。

プロンプトで声を設計、わずか3秒でクローン

VoiceDesignは既存の音声プリセットを持たず、トーンやリズム、感情、キャラクター設定などを自然言語のテキスト指示で直接デザインできます。アリババによると、ロールプレイのベンチマークにおいてGPT-4o-mini-ttsやGemini-2.5-proを上回る性能を示したといいます。

一方のVoiceCloneは、わずか3秒の音声サンプルから声のクローンを生成できます。日本語、中国語、英語、スペイン語など10言語に対応し、文脈に応じた自然な抑揚や間を再現します。

多言語テストにおける単語誤り率（WER）は、ElevenLabsやGPT-4o-Audioと比べて15%低いとされています。現在、両モデルはQwen Chatで公開されています。

なぜ重要か

コンテンツクリエイターや開発者にとって、プロンプトひとつで固有の声を生成したり、3秒のサンプルから多言語音声を複製できたりする利便性は高く、すぐに試してみる価値があります。

業界の観点では、ElevenLabsなどの音声特化型サービスやOpenAIへの強い対抗措置となります。フロンティアモデル陣営が高品質なTTSを標準機能として組み込むにつれ、単機能ツールの優位性は急速に薄れると考えられます。

プリセットを排してプロンプトで声質を設計するアプローチは巧みですが、3秒という手軽さは音声ディープフェイクや悪用のリスクを高めるため、今後の安全対策が注視されます。