アリババのQwenチームは9月23日、音声モデル「Qwen-Audio-3.1」シリーズを発表した。認識・合成・リアルタイム対話・音声生成をカバーする5モデルを同時に投入し、あわせて音声製品ライン全体の価格を引き下げた。音声合成(TTS)は約70%、リアルタイム音声(Realtime)は約85%、音声認識(ASR)は最大95%の値下げとなる。
5モデルは大きく2グループに分かれる。既存製品のアップグレード版が3つ。
- Qwen-Audio-3.1-ASR：単一モデルで30言語と16種類の中国語方言に対応。公式によると11の方言テストセットで最高スコアを記録し、温州語のような難易度の高い方言でも大きく精度が向上、初回応答は約160ミリ秒;
- Qwen-Audio-3.1-TTS：多言語合成に対応し、言語をまたいだ声質の転写が可能。自然言語で口調を指定でき、例えば「強く、有無を言わせない口調で読んで」といった指示にも対応する;
- Qwen-Audio-3.1-Realtime：全二重対話に対応し、話しながら聞き取り、いつでも割り込み可能。ツール呼び出しにも対応し、公式によればユーザーの気分が落ち込んでいると察知すると話す速度を落とすという。
残り2つは新顔だ。
- TTS-Next：言語モデルと拡散モデルを組み合わせた統合フレームワークで、声・効果音・BGMを一度に生成する。オーディオブックやポッドキャスト、ゲーム、広告向け;
- ASR-Next：複数話者の発話を区別し、タイムスタンプ付きの整列テキストを出力できるほか、感情や環境音、機械音も識別し、音声の説明生成やイベント特定、音声Q&Aに対応する。
方言の成績表
Qwenが発表資料で示した方言関連のデータによると、中国語方言の音声認識における平均文字誤り率は10.38%、方言翻訳の平均意味的文正解率は82.10%。いずれも公式の自己テストの数値で、テストセットの構成は完全には公開されておらず、第三者による再現結果は今のところない。
中国国内の開発者にとって、方言認識は実務上の切実なニーズだ。カスタマーサポートや行政のホットライン、地方のライブコマースでは、標準中国語の認識精度は高くても方言になると途端に乱れる、という場面が音声製品の導入を阻む典型的な壁になっている。16の方言を1つのモデルに収めたことで、少なくとも地域ごとにモデルを切り替える手間は省ける。
ElevenLabsとの比較
音声合成の分野で海外の比較対象としてよく挙がるのがElevenLabsだ。サードパーティのルーティングサービスOrcaRouterがまとめた価格によると、前世代Qwen-Audio-3.0のTTS Plusは100万文字あたり約27.6ドル、Flashは約15ドル。一方ElevenLabsのEleven v3は標準価格で100万文字あたり約100ドル、Flashで約50ドルとなっている。
「約70%値下げ」から単純計算すると、3.1版のPlusは100万文字あたり8ドルをわずかに超える水準になる見込みだ。あくまで概算で、発表では値下げ幅のみが示されており、実際の新価格はアリババクラウドの百煉(Bailian)の価格表に基づく。
品質面では、Artificial Analysisの音声アリーナの8月データで、Qwen-Audio-3.0-TTS-PlusのElo値は1234、Eleven v3は1168だった。3.1版のTTSはまだどの公開アリーナにも登場しておらず、音質が向上したか後退したかは、現時点ではメーカー側の主張しかない。
どこで使われるか
Qwenは今回、音声モデルを自社製品群と絡めて訴求している。コーディングエージェントのQoder、Qwenオフィス、そしてQwenNote、A2、Eva、Qwen AIグラス、楽奇(Leqi) AIグラスといったハードウェアだ。メガネや録音機器のような端末は分単位・回数単位で音声APIを呼び出すため、認識とリアルタイム対話が85〜95%値下げされたことは、ハードウェアメーカーの端末あたりのサービスコストに最も直接的に響く。
値下げ幅が2番目に大きいのはリアルタイム対話だ。リアルタイム通話は通常、認識・推論・合成を同時に走らせる必要があり、音声製品の中でも単位コストが高い部類に入る。今回の値下げで音声アシスタントを無料ユーザーに長期開放できるかどうかは、各社が来四半期にどう価格設定するか次第だ。
参考資料：Qwen公式発表、IT之家、The Decoder、CocoLoop、OrcaRouterの価格まとめ。値下げ幅と方言テストデータはQwen公式の数値、旧版とElevenLabsの価格はサードパーティによる集計、アリーナスコアはArtificial Analysisの公開ランキングに基づく。