Qwen3 TTSがTogether AIで利用開始、感情制御対応の音声合成

Qwen3 TTSがTogether AIで利用開始、感情制御対応の音声合成

基本情報

項目 内容
公開元 Together AI
公開日 2026-11-20
出典の種類 公開元の一次情報(公式ブログが一次情報として出典に含まれている)

情報を集めた時点で、当サイトのコードが確定させた値です。日付はJSTで表示しています。

概要

Qwenのオープンなテキスト音声合成(TTS)モデル「Qwen3 TTS」(Qwen/Qwen3-TTS-12Hz-1.7B)が、Together AIのサーバーレス推論および専用エンドポイントで利用可能になりました。本モデルはテキスト入力から音声を生成するモデルであり、話者の声質と話し方の指示(トーンや感情)を分離して指定できる点が特徴です。

Together AI上のサービングスタックの最適化により、ストリーミング生成において最短97msで最初の音声を返却する高速応答を実現しています。

スペック

資料に掲載されている主なスペックは以下の通りです。

  • モデル名: Qwen/Qwen3-TTS-12Hz-1.7B
  • パラメータ数: 1.7B(12Hz)
  • 入出力仕様: テキスト入力から音声を出力(テキスト→音声)
  • プリセットボイス: 全9種類(aiden、ryan、vivian、serena、uncle_fu、dylan、eric、ono_anna、sohee)
  • 対応言語: 10言語(中国語、英語、日本語、韓国語、ドイツ語、フランス語、ロシア語、ポルトガル語、スペイン語、イタリア語)
  • 出力音声フォーマット: wav、mp3、raw(PCM)、mulaw(※opus、aac、flacには非対応)
  • サンプリングレート: 24000 Hz(デフォルト)または 8000 Hz
  • 非対応機能: 単語タイムスタンプ(alignment=word)
  • 利用料金(Together AI): 100万文字あたり20ドル(Together Serverless Inference)
  • ライセンス条件: Apache 2.0 ライセンス(商用・改変等の利用条件はApache 2.0に準拠)

性能・品質

Qwen3 TTSは、話者(誰が話すか)と話し方(どのように話すか)の制御を分離した音声を生成できます。同一のプリセットボイスを選択した状態でも、「excited and upbeat」(興奮して陽気に)、「angry and impatient」(怒ってイライラした様子)、「sad and disappointed」(悲しく失望した様子)といった自然言語の指示(instructions)を与えることで、話者の声を変更することなく感情や表現のトーンを変化させることができます。

また、9種類あるプリセットボイスはいずれも対応する全10言語の読み上げに対応しています。これにより、同じ声質を保ったまま多言語への音声展開を行うことが可能です。一方で、各ボイスにはネイティブ言語(例えばaidenは英語、ono_annaは日本語など)が定められています。公開元であるQwenは、最高の品質を得るためにそれぞれのボイスをそのネイティブ言語で使用することを推奨しています。

性能面では、Together AIの推論チームによるサービングスタックのチューニングにより、レスポンスのストリーミング時に最短97msでファーストオーディオを開始できます。リアルタイムのボイスエージェントなど、即時応答性が要求される用途に対応する高速性を実現しています。

得意なこと・想定用途

Qwen3 TTSは、感情やトーンの柔軟な表現制御、多言語に対応した一貫性のあるブランドボイスの構築、そしてリアルタイムボイスエージェントの開発といった用途に特に向いています。

具体的には、短い自然言語のテキストで話し方を指定できるため、同一のボイスでありながらシーンや状況に応じた表現の使い分けが可能です。例えば、「excited and upbeat」(興奮して陽気に)、「angry and impatient」(怒ってイライラした様子)、「sad and disappointed」(悲しく失望した様子)のように指示することで、話者の声を固定したままニュアンスのみを柔軟に変化させることができます。

また、全9種類のプリセットボイスが10言語すべてをサポートしているため、グローバル展開するアプリケーションにおいて、単一の声を維持したまま各国語の音声案内を生成できます。プリセットボイスにはそれぞれのネイティブ言語と特徴が設定されています。

  • aiden(英語):明るくクリアな中音域のアメリカ英語男性ボイス
  • ryan(英語):強いリズム感を持つダイナミックな男性ボイス
  • vivian(中国語):明るく少しエッジの効いた若い女性ボイス
  • serena(中国語):温かく穏やかな若い女性ボイス
  • uncle_fu(中国語):低くまろやかな音色の熟練した男性ボイス
  • dylan(中国語・北京方言):クリアで自然な音色の若々しい北京男性ボイス
  • eric(中国語・四川方言):ややハスキーな明るさを持つ活発な成都男性ボイス
  • ono_anna(日本語):軽快で軽やかな音色のチャーミングな日本語女性ボイス
  • sohee(韓国語):豊かな感情を持つ温かい韓国語女性ボイス

Qwenは最高品質の音声を生成するために、各ボイスをネイティブ言語で使用することを推奨しています。自社の用途に合わせたボイス選択を容易にするため、Webブラウザ上で声質を確認・比較できる「VoiceFinder」(voicefinder.together.ai)が用意されています。VoiceFinderではモデル(Qwen/Qwen3-TTS-12Hz-1.7B)を選択し、各ボイスのサンプル再生や最大500文字までのカスタムテキストを入力した試聴が可能です。

さらに、最初の音声が返却されるまでのレイテンシが最短97msと非常に小さいため、会話型AIやボイスエージェントなど、即時応答性が求められるリアルタイム処理用途にも非常に適しています。

入手方法

Qwen3 TTS(Qwen/Qwen3-TTS-12Hz-1.7B)は、オープンソースモデルとしてHugging Face上でApache 2.0ライセンスにて重みが公開されているほか、Together AIのクラウドサービス経由でも利用できます。Together AIでは100万文字あたり20ドルのサーバーレス推論(Together Serverless Inference)および専用エンドポイント(dedicated endpoints)として提供されています。

Together AIのクラウドAPIを利用する場合、Python環境から pip install together コマンドでTogether Python SDKをインストールし、環境変数 TOGETHER_API_KEY を設定して呼び出します。

通常の音声生成では、以下のようなパラメータを指定してAPIを呼び出します。

  • model: "Qwen/Qwen3-TTS-12Hz-1.7B"
  • input: 読み上げ対象のテキスト
  • voice: 9種類のボイス名(小文字で指定)
  • language: 入力テキストのISO 639-1言語コード(en、zh、ja、ko など)
  • extra_body: {"instructions": "excited and upbeat"} のように話し方の指示を指定(オプショナル)
  • response_format: wav、mp3、raw(PCM)、mulaw のいずれか(opus、aac、flac には非対応)
  • sample_rate: 24000(デフォルト)または 8000

Python SDKを使用する際、話し方の指示(instructions)は extra_body パラメータ経由で渡します。スペルが異なっているとエラーを出さずに無視されてしまうため、instructions というフィールド名を正確に指定する必要があります。

リアルタイムのボイスエージェント向けには、以下の2つのストリーミング方式がサポートされています。

  1. HTTPストリーミング(完全なテキストが手元にある場合)
    stream=True および response_format="raw" を指定してリクエストを送信します。サーバーからはServer-Sent Events形式で生成済みの音声データが順次返却されます。各 conversation.item.audio_output.delta イベントには、Base64エンコードされた16-bit PCMデータ(24kHz)が含まれており、これを順次復号して再生または保存します。

  2. WebSocket API(LLMからテキストがトークン単位で逐次生成される場合)
    websockets パッケージ(バージョン14以降、pip install websockets)を使用し、wss://api.together.ai/v1/audio/speech/websocket のエンドポイントへ接続します。テキストが到着するたびに input_text_buffer.append イベントでテキストを送信し、入力が完了した時点で input_text_buffer.commit を送信します。サーバー側は文単位で合成を行い、HTTPストリーミングと同様のBase64エンコードされたPCM音声データをイベント経由で配信します。

関連記事

出典