大規模モデルメーカーが音声分野での競争に、新たな有力な参入者が加わった。7月20日、Qwenは音声合成の大規模モデル「Qwen-Audio-3.0-TTS」を正式に発表し、会話をすることのコントロールを、面倒なパラメータ設定から自然言語の指示に任せることを可能にした。

この新しいモデルの最も目立つ特徴は、「フリースタイルの自然言語指示制御」である。これまでAIに特定のトーンやリズム、スタイルで読み上げてもらうには、バックエンドで多数のエンジニアリングパラメータを調整する必要があったが、今ではユーザーが日常的な言葉で望む効果を説明するだけで、モデルが指示に従って音声を生成できるようになった。これにより、使用のハードルは大幅に低下した。

さらに重要なのは、Qwenが異なるシナリオに合わせて2つの顔を持つことである。リアルタイムのインタラクションに適したFlashバージョンでは、最初のパケットの遅延を300ミリ秒レベルまで抑えた。このレベルの遅延は、対話における音声応答がほぼ遅延を感じさせないことを意味し、リアルタイムの質問応答や音声アシスタントなどの遅延に敏感な場面で十分に対応できる。一方、高品質な生成に適したPlusバージョンでは、音質と表現力に注力しており、朗読や吹き替え、コンテンツ制作など、繊細な音声質が必要なタスクを主に扱う。一つの製品ラインで、もともとは互いに拮抗していた「速さ」と「良さ」のニーズを同時にカバーしている。

自然言語が音声のリモコンとなったことで、Qwenは音声合成をもう一歩、一般の人々にとってのツールボックスの中に押し進めた。