音声クローンが可能な音声合成AI「Qwen-Audio-3.0-TTS」が登場、日本語対応でGemini超えの性能

AlibabaのAI研究チームであるQwen(Tongyi Lab)が音声合成AI「Qwen-Audio-3.0-TTS」を2026年7月20日にリリースしました。参考音声とテキストを入力することで、任意の声で任意のテキストを読み上げさせることができます。

Qwen-Audio-3.0-TTS
https://funaudiollm.github.io/qwen-audio-3.0-tts/

Qwen-Audio-3.0-TTS: More Multilingual, Easier to Direct
https://tongyilab.substack.com/p/qwen-audio-30-tts-more-multilingual

Qwen-Audio-3.0-TTSはテキストを入力して音声を生成できるAIモデルです。日本語・英語・中国語を含む16言語に対応しているほか、20種類の中国の方言を扱うこともできます。

Qwen-Audio-3.0-TTSはAPI経由で使用可能で、遅延を約300ミリ秒に抑えた「Qwen-Audio-3.0-TTS-Flash」と、生成速度ではなく品質を重視した「Qwen-Audio-3.0-TTS-Plus」の2種類がラインナップされています。

Qwen-Audio-3.0-TTS-PlusはArtificial AnalysisのブラインドテストでGemini 3.1 Flash TTSを超える性能と評価され、音声合成モデルの性能ランキングでは1位にランクインしています。

以下の動画では日本語の参考音声とテキストを入力して生成した音声の例を確認できます。最初に流れる音声が参考音声で、後に流れる音声が生成結果です。声色を忠実に再現できていることが分かります。

音声合成AI「Qwen-Audio-3.0-TTS」の日本語音声クローンの例 - YouTube

参考音声とは異なる言語の音声を出力することも可能。以下の動画では「中国語音声から日本語音声を生成する例」と「英語音声から日本語音声を生成する例」を確認できます。

音声合成AI「Qwen-Audio-3.0-TTS」は別言語のクローン音声も生成可能 - YouTube

Qwen-Audio-3.0-TTS-FlashとQwen-Audio-3.0-TTS-PlusはAPI経由で利用可能。APIのドキュメントは以下のリンク先で公開されています。

Real-time speech synthesis - Qwen TTS, Qwen-Audio-TTS/CosyVoice streaming - Alibaba Cloud Model Studio - Alibaba Cloud Documentation Center
https://www.alibabacloud.com/help/en/model-studio/realtime-tts-user-guide