Together AI、音声合成モデル「Qwen3 TTS」を提供開始
この記事の要点
Together AIは、オープンな音声合成モデル「Qwen3 TTS」の提供を開始した。価格は100万文字あたり20ドル。話者と話し方を分離して制御できるのが特徴で、10言語に対応する。リアルタイム対話向けに推論スタックを調整しており、最初の音声出力までのレイテンシは最短97msを実現した。Together Serverless Inferenceおよび専用エンドポイントで利用できる。
オープンな音声合成モデル「Qwen3 TTS」の提供が始まった。Together Serverless Inferenceおよび専用エンドポイントで利用でき、価格は100万文字あたり20ドルに設定されている。
Qwen3 TTSは、話者と話し方を分離して制御できるモデルだ。9種類のプリセット音声から選択し、テキストで指示を与えることでトーンや感情を調整できる。対応言語は日本語を含む10言語で、各プリセット音声は全言語に対応する。
リアルタイム音声対話向けに推論スタックが調整されており、最初の音声出力までのレイテンシは最短97msだ。ストリーミングにはHTTPおよびWebSocket APIを利用する。
HTTPストリーミングでは、stream=Trueおよびresponse_format="raw"を指定し、サーバーから送信されるイベントとしてbase64エンコードされた音声チャンクを受信する。出力形式は16bitモノラルPCM(24kHz)となる。
WebSocket接続では、テキストを断片的に送信し、文単位で合成された音声を受信できる。この際、websocketsパッケージのバージョン14以降が必要だ。
利用にはTogether Python SDKを使用し、TOGETHER_API_KEYを設定する。指示はextra_body内のinstructionsフィールドで指定する仕組みだ。なお、単語単位のタイムスタンプには対応していない。
音声の試聴や比較には、同社が提供する「VoiceFinder」が利用できる。モデルの詳細はHugging Face上のQwenモデルカードで公開されており、ライセンスはApache 2.0だ。
開発者にとっての意味
経営者は、本モデルが既存の音声合成基盤の代替になるか判断を保留すべきだ。記事には、日本語の自然さや感情表現の精度を測る評価データや条件が記載されていないためだ。開発者は、現在の実装を変える必要はない。単語単位のタイムスタンプ取得が不可欠な要件であれば、本モデルは対応していないため採用できない。まずは、自社の音声対話システムで、本モデルのレイテンシと、指示による感情制御が実用に耐えるか、実データで検証する必要がある。
4人で読み解く
記事の内容だけをもとに、担当のちがう4人(経営・開発・聞き手・運用)が話します。 記事に書かれていないことは話しません。
出典
Together AI「Qwen3 TTS is now available on Together AI」この記事は、出典元が公表した原文をもとに当社のAI編集部が日本語で再構成し、 公開前に人が確認したものです。原文の訳ではありません。 事実関係は出典(原文)で確認してください。
