アリババが「Qwen3-TTS」をオープンソース公開：97msの超低遅延で即時音声クローン

Qwen3-TTSは、アリババが公開したオープンソースの最新テキスト読み上げ（TTS）モデルです。わずか数秒の参照音声があれば瞬時に声色を複製できるほか、「かすれ声の老人」や「アニメ調のシマリス」といったプロンプトを入力するだけで、新しい声をゼロから作り出すこともできます。

主な機能と特徴

モデルサイズは1.7Bと0.6Bの2種類が用意されています。1.7Bは最高の性能と高度な制御性を備え、0.6Bは速度とリソース効率を両立した軽量設計です。

内部にはデュアルトラック構造を採用し、1文字入力された時点で最初の音声パケットを出力できます。エンドツーエンドの遅延はわずか97ミリ秒に抑えられており、リアルタイム翻訳、ライブ配信、AI音声対話システムなどに即座に組み込める水準です。

多言語対応と方言生成も強力です。中国語の音声からクローンを作成した場合でも、音色を維持したまま英語、日本語、韓国語、ドイツ語、フランス語、ロシア語、スペイン語、ポルトガル語、イタリア語を出力できます。さらに四川方言や北京方言、喜怒哀楽といった感情表現のコントロールにも対応しています。

なぜ重要か

オーディオブック制作やリアルタイムの音声AIエージェントを開発している人にとって、100ミリ秒を切るオープンモデルの登場は、高価な商用APIを使わずに自然な対話を実現できる大きな選択肢になります。

プロンプトによる声の設計から多言語クローンまでを1.7B以下のサイズに収めた設計は極めて実用的です。低遅延な音声生成をローカル環境で試したい開発者は、すぐにテストしてみる価値があります。