Qwen-Audio 3.0 TTS Plusが音声の新王者に——だが速度が遅すぎる?

アリババのQwen-Audio 3.0 TTS Plusは、現在、Artificial Analysisのテキスト・トゥ・スピーチのリーダーボードで第1位を獲得しており、Eloスコアは1,236である。SpeechifyAIのSimba 3.2を2ポイントで抑え、GoogleのGemini 3.1 Flash TTSを凌駕した。本モデルは、リアルタイムのインタラクションのためのFlashバージョンと高忠実度出力のためのPlusバージョンの2種類があり、タガログ語やタイ語などのマイナー言語を含む16言語をサポートする。パフォーマンス面では、ノイジーレファレンスオーディオをうまく処理し、タグによる感情的なプロンプティングを可能にするが、生成速度は16 chars/secと、Sonic 3.5やSimba 3.2に比べてかなり遅い。価格は100万文字あたり27.60ドルで、レイテンシのトレードオフはあるものの、エンタープライズTTSアプリケーションの品質ベンチマークを新たに設定した。