
何が起きたか
AlibabaのQwenが音声認識・音声合成・リアルタイム対話向けの5モデルからなるQwen-Audio-3.1を公開し、TTS約70%、Realtime約85%、ASR最大95%の値下げを実施。
なぜ重要か
5モデルのラインアップと値下げにより、音声認識・音声合成・リアルタイム対話が単一ベンダーからより安く高機能に利用できるようになり、開発者の選択肢を変えうる。
注目点
値下げは大幅だが、本当の試金石は5モデルが実環境の音声で多言語・方言認識をどこまでこなせるか。Qwen Cloudやブログでのユーザー報告に注目。
誰に効くかコールセンターの文字起こしや対話型音声アシスタントなど音声機能を手がける開発者やプロダクトチームにとって、Qwen-Audio-3.1の5モデルと低価格は、音声認識・音声合成・リアルタイム対話のより手頃な選択肢となりうる。
こういう要約が、毎朝あなたのメールに届きます。
AlibabaのQwenチームは、音声認識(ASR)、音声合成(TTS)、リアルタイム対話をカバーする5モデルからなるQwen-Audio-3.1で音声モデルのラインアップを拡充した。今回のリリースには、ASRモデルにおける多言語・方言認識の強化、フィラーワードの自動除去、タイムスタンプ付き複数話者識別や感情・環境音・機械ノイズの検出といったASR-Nextの新機能が含まれる。TTSは多言語合成に対応し、自然な言語間の声質転送が可能になったほか、簡単なテキストプロンプトで感情・速度・スタイルを制御できる。
ラインアップにはTTS-Nextも加わった。言語モデルと拡散手法を組み合わせ、音声・効果音・背景音を一度に生成する。リアルタイムモデルは同時発話と聞き取りに対応し、即時の割り込みも可能だ。Qwenによると、リアルタイムモデルは話し手の気分が低いと検知すると、よりゆっくりと共感を込めて応答する。
リリースに合わせてAlibabaは値下げに踏み切る。TTSが約70%、Realtimeが約85%、ASRが最大95%の引き下げだ。より広く高機能なラインアップと大幅な割引の組み合わせは、音声ベースのアプリケーションを開発するコストを下げる可能性がある。成否は、実環境で多様な言語や音声条件においてモデルが安定して性能を発揮できるか、開発者がより安価な選択肢をどれだけ迅速に採用するかにかかっている。詳細はブログとQwen Cloudで確認できる。
業界と使っているAIツールを選ぶと、仕事に関係するニュースが毎朝届きます。
登録無料・Googleアカウントなら30秒・いつでも解除できますAITodayについて →
この記事についてわからないことをAIに質問できます。AIはこの記事・AIToday の過去記事・Wikipedia を読み、出典を付けて答えます。Q&Aはこのページに公開され、他の読者も読めます。
このようなAIの動きを、御社の業界・競合に合わせて毎日届ける法人プランもあります → 詳しく見る
FlashLabsがOrcaRouterゲートウェイのTrace Exportを強化し、SDKやコード変更なしでAIリクエストのトレースをGrafana、Datadog、Langfuse、LangSmithへリアルタイム…

KivaのSamurai Appに、ヤマト運輸「ビジネスメンバーズ」の顧客コードへログインし運賃と請求金額を取得、複数コード・複数月の運賃CSVを一括ダウンロードできるAPI連携を追加

Notion LabsのCISOデイビッド・ツァオ氏は、11月2日のFireworks AIへの不正アクセスでNotion AI Insightsのチャット記録が流出した可能性を受け、11月12日に影響を受けた日本顧客へ…

川崎重工業は11月16日、神戸須磨シーワールドでAIカメラによる実証実験を行うと発表した

SwitchBotはスマートリモコン「Hub 4」の予約販売を11月18日に19,980円で開始した

kickflowはシリーズAで約10.6億円を調達
