何が起きたか
アリババの音声合成(Text to Speech)モデル「Qwen-Audio-3.0-TTS-Plus」が、第三者ベンチマークのArtificial Analysis「Speech Arena」における提供事業者向け音声(provider voices)ランキングで、Eloスコア1,236を獲得して首位になりました。2位はSpeechifyAIの「Simba 3.2」で1,234。その差はわずか2ポイントで、以下にGoogleの「Gemini 3.1 Flash TTS」(1,214)、「Sonic 3.5」(1,207)が続きます。
このモデルには2つのバージョンがあります。リアルタイム対話向けで遅延が約300ミリ秒の「Flash」と、高品質な音声出力を狙う「Plus」です。首位に立ったのは後者のPlusです。
なぜ重要か
Eloは対戦形式の相対評価で、上位のスコア差が小さいということは、トップ層の音声品質がすでに横並びに近づいていることを意味します。つまり「どれが一番自然か」ではなく、「言語対応・機能・価格・速度のどれを取るか」で選ぶ段階に入ったということです。
Qwenの差別化は言語カバレッジにあります。対応は16言語で、タガログ語・マレー語・タイ語・ベトナム語といった大手が手薄になりがちな言語や、複数の中国語方言を含みます。また、自然言語で話し方を指示したり、「[angry]」「[giggles]」といったタグで笑いや感情などの非言語的表現を差し込めます。音声クローンでも、ノイズやエコーの多い参照音声を従来版より上手く扱えるとしています。
弱点は「速度」
一方で速度は明確な弱点です。生成速度は毎秒16文字で、Sonic 3.5の120文字、Simba 3.2の30.2文字に大きく劣ります。品質を取るPlusは、大量ナレーションのバッチ生成には時間がかかる構造です。リアルタイム用途は遅延約300ミリ秒のFlashで補う設計と読めます。価格はAlibaba Cloud Model Studio経由で100万文字あたり27.60ドルです。
💼 事業会社視点：これは自社にどう効くか
注目すべきは「東南アジア言語の厚み」です。日本企業がインドネシア・ベトナム・タイ・フィリピン向けにコールセンター自動応答、EC商品説明の音声化、動画ローカライズを進める場合、英語・中国語中心の欧米勢では現地語の自然さが課題になりがちでした。タガログ語やタイ語を標準対応するQwenは、アジア展開を持つメーカー・小売・観光事業にとって現実的な選択肢になります。
SaaSや受託開発の事業責任者は、用途で使い分ける前提を持つべきです。IVRや音声エージェントなど遅延が効く場面は約300ミリ秒のFlash、eラーニングや広告ナレーションなど品質優先のバッチ処理はPlx、という切り分けです。ただしPlusの毎秒16文字という遅さは、長尺コンテンツの量産では納期・コストに直結します。100万文字27.60ドルという価格だけで判断せず、自社の想定文字数×生成速度で実処理時間を試算し、SonicやSimbaと並べたPoCで決めるのが賢明です。首位2ポイント差は「乗り換え理由」にはならず、言語と機能で選ぶ局面です。