AIREITER2026年7月、AlibabaのQwen-Audio-3.0-TTS-PlusがArtificial Analysis Text-to-Speech arenaでQuality Elo 1,237を記録し、首位に立ちました。GoogleのGemini 3.1 Flash TTS、MiniMax Speech 2.8 HD、ElevenLabsのEleven v3を上回る結果です。価格は100万文字あたり$27.6。順位で上回ったElevenLabsとMiniMaxの各ティアと比べて、およそ3分の1です。最安モデルではありませんが、首位の品質評価とこの価格を両立するモデルはほかにありません。なお、数値は2026年7月20日時点のものです。順位も価格も変動しやすいため、導入計画を立てる前に最新情報を確認してください。
ここでは、Qwen-Audio-3.0-TTSの位置付け、首位評価の背景、料金、そして選ぶべきケース・そうでないケースを整理します。
Qwen3-TTSとは別モデル。まずここを押さえたい
「Qwen audio 3.0 TTS」で検索すると、多くの結果はQwen3-TTSを指しています。これはAlibabaが先に公開したオープンウェイトの音声モデル群で、GitHubとHugging Face demoで公開されています。ローカル環境で動かしたり、ComfyUIへ組み込んだり、Redditで音声クローニング用途として話題になったりしているのはこちらです。本記事で扱うモデルとは別製品です。
Qwen-Audio-3.0-TTSは、それより新しいホステッド型の世代です。重みをダウンロードして使うのではなく、Alibaba Cloud Model Studio (Bailian)経由で利用します。提供されるティアは2つです。
- Plus — 品質を最優先するティアです。自然さがミリ秒単位の応答速度より重要になるオーディオブック、ナレーション、吹き替け向けで、アリーナ首位を獲得したのもこちらです。
- Flash — 低レイテンシー重視のティアです。最初のパケットまでの遅延は約300 msで、音声エージェントやライブアシスタントのようなリアルタイム対話を想定しています。
同じリーダーボードを見ると、世代差は明確です。旧世代のQwen3 TTS FlashはElo 929、順位はおよそ76位なのに対し、新しいPlus tierは1,237で首位です。同じブランドの系譜ではあるものの、モデルのクラスは異なります。
用途も分かれます。両者で迷っているなら、違いは次の通りです。
| Qwen3-TTS（オープンウェイト） | Qwen-Audio-3.0-TTS（ホステッド） | |
|---|---|---|
| 入手方法 | 重みをダウンロード（GitHub / Hugging Face） | Alibaba Cloud Model Studio経由のAPI |
| セルフホスト／ローカル実行 | 可能 | 不可 — ホステッド専用 |
| ComfyUIとコミュニティノード | 対応 | 非対応 |
| ティア | 単一のオープンモデル群 | Plus（品質）／Flash（約300 ms） |
| 対応言語 | 約10言語 | 16言語＋中国語20方言 |
| アリーナQuality Elo | 約929（Qwen3 TTS Flash） | 1,237（Plus、首位） |
| 向く用途 | ローカルでの制御、データ所在地の管理、実験 | 最高品質、方言対応、大規模な本番運用 |
ホスティングの管理権限や限界費用ゼロを最優先するならオープンウェイト版、品質、方言の幅、自前GPUを運用しないことを重視するならホステッド型の3.0 tierが向いています。
首位の根拠となったベンチマーク
Artificial Analysis arenaは、独立した第三者が運営する、人間の選好に基づくブラインド評価です。リスナーはどのモデルが生成した音声なのかを知らないままクリップを比較し、Eloスコアには各モデルがどの程度勝ったかが反映されます。
2026年7月20日時点の上位モデルは以下の通りです。
| 順位 | モデル | Quality Elo | API価格／100万文字 |
|---|---|---|---|
| 1 | Qwen-Audio-3.0-TTS-Plus (Alibaba) | 1,237 | $27.6 |
| 2 | Simba 3.2 (SpeechifyAI) | 1,232 | $10.0 |
| 3 | Gemini 3.1 Flash TTS (Google) | 1,211 | $18.3 |
| 4 | Sonic 3.5 (Cartesia) | 1,211 | $49.0 |
| 8 | MiniMax Speech 2.8 HD | 1,180 | $100.0 |
| 11 | ElevenLabs Eleven v3 | 1,173 | $100.0 |
Alibabaが公表する指標も、この独立ランキングと同じ方向を示しています。多言語CV3-Evalベンチマークでは、Plus tierの平均単語／文字誤り率は3.96、Flash tierは3.87と報告されています。これは、生成音声を文字起こしし直した際に、元テキストをほぼ正確に再現できることを意味します。クローニングした音声が参照音声にどれだけ近いかを表す話者類似度は、テスト対象16言語全体でPlusが82.75です。ただし、この2つはAlibaba自身の数値であり、上記Eloはそうではありません。単一のベンチマークだけで判断せず、自分の音声データでも検証する出発点として扱うべきです。
実運用で効く4つの強み
この評価につながった主な能力は4つあります。いずれもQwen-Audio-3.0-TTS公式テクニカルページで紹介されています。
自然言語でのスタイル指示。 音声の制御には、平易な言葉をそのまま使えます。たとえば「不安げな深夜ラジオの司会者として読み、終盤ではゆっくり話す」といった指示です。役柄、感情、話し方、速度、音色、アクセントを指定でき、大まかな演出のために別のマークアップ言語を覚える必要はありません。
本文内で使える細かなタグ。 さらに精密に演出したい場合は、テキスト内に直接置く86種類のインラインタグを利用できます。笑い声、呼吸、咳、ため息といった非言語イベントも含まれます。平板な読み上げと演技としての音声を分ける機能であり、ゲームのセリフ、ナレーション、映画の吹き替えで使いやすい理由でもあります。
言語・方言の対応範囲。 対応は16言語で、このうちアラビア語、インドネシア語、ポルトガル語、タイ語、ベトナム語、マレー語、タガログ語を含む7言語が新規追加です。さらに、広東語、上海語、四川語、東北方言など、中国語の20方言地域にも対応します。東南アジア向け、あるいは中国語圏の複数市場向けに展開するチームにとって、この方言対応の広さはほかで代えにくいものです。
安定性と出力品質。 ノイズ、残響、不明瞭さのある参照音声からでも、別途ノイズ除去を行わずに音声をクローニングできます。長尺ナレーションでは一度の処理で最大3分を合成でき、48 kHz音声を出力します。48 kHzのコンソール提供開始は7月24日に予定されています。短いクリップをつなぐと韻律や音色が崩れやすいため、3分を一度に生成できる点は重要です。
料金：首位品質をプレミアム最上位価格で買わない
テキスト読み上げは入力テキストの文字数で課金されるため、コストはナレーション量に比例します。
100万文字あたり$27.6のQwen-Audio-3.0-TTS-Plusは、順位で上回る従来のプレミアムモデル2つ、ElevenLabs Eleven v3とMiniMax Speech 2.8 HDの一部の価格で利用できます。両者は100万文字あたり$100で、約3.6倍です。実際の感覚に置き換えると、10万文字のオーディオブック、つまり短編小説ほどの分量なら、Plusでは約$2.76、この2モデルでは約$10となります。
ただし、Plusが全体で最安というわけではありません。品質評価が一段下の2モデルは、より低価格です。Gemini 3.1 Flash TTSは100万文字あたり$18.3で3位、Simba 3.2は$10で、Eloではほぼ同率の2位です。したがって正確な言い方は、「最安ではなく、中価格帯で首位品質を提供する」ということです。用途によって数ポイントのElo差が重要でなければ、より安く抑えられます。なお、公開アリーナにはPlusの価格が掲載されていますが、Flashの文字単価はまだ掲載されていません。最新のFlash価格はコンソールで確認してください。
Qwen-Audio-3.0-TTSの使い方
直接利用するなら、Alibaba Cloud Model Studio (Bailian)が入口です。リクエスト形式とSDKはModel Studio documentationにあります。APIキーを発行し、model-marketエンドポイントからqwen-audio-3.0-tts-plusまたはqwen-audio-3.0-tts-flashを呼び出します。まずFlashで試作し、レイテンシーが要件に合うかを確認したうえで、同じスクリプトをPlusでも実行して比較するのが妥当です。最適なtierは、ユースケースがリアルタイム対話なのか、リスナーが最初から最後まで聴くナレーションなのかで変わります。
複数プロバイダーをまとめて利用し、請求を一元化するためにAIReiterのような互換アグリゲーターをすでに使っているチームなら、Alibabaのアカウントを別途開設せず、そちらに追加する方法もあります。必要なのがこのモデルだけなら、直接利用するのが最もシンプルです。
一回限りのナレーションではなくリアルタイム会話が必要な場合、TTSモデルは構成の一部にすぎません。組み合わせて使うomni Realtime APIとストリーミングASRについては、Qwen Audio 3 Realtime guideで扱っています。
どのモデルを選ぶべきか
- Plusを選ぶケース — 中国語、方言、多言語のナレーション、オーディオブック、吹き替えを生成し、コスト当たりで最も自然な音声を求める場合です。
- Flashを選ぶケース — 最後の数Eloポイントよりも、約300 msの最初のパケットが重要なリアルタイム音声エージェントを構築する場合です。
- Gemini 3.1 Flash TTSまたはSimba 3.2を検討するケース — コストが決定要因で、首位に近い品質で十分な場合です。どちらもPlusより低価格です。
- ElevenLabsまたはCartesiaを継続するケース — 成熟したSDK、より大規模な既成音声ライブラリ、あるいは英語中心のツールやエコシステムに依存している場合です。これらの領域では、アリーナ順位にかかわらず依然として優位です。
ここで比較したモデルの中で、アリーナ首位、20の中国語方言地域、100万文字あたり$27.6という組み合わせを提供するのはPlusだけです。その組み合わせが自分の用途に合うなら、ランキングを鵜呑みにして決めるのではなく、導入前に自分のスクリプトで試す価値があります。
FAQ
Qwen-Audio-3.0-TTSは無料ですか？
いいえ。ホステッド型のPlusとFlashは有料で、Alibaba Cloud Model Studioを通じて文字単位で課金されます。Plusは100万文字あたり$27.6です。Alibaba Cloudは無料トライアル枠を定期的に提供しているため、お住まいの地域で利用できる最新のオファーはコンソールで確認してください。オープンウェイトのQwen3-TTSは、セルフホストであれば無料です。
Qwen-Audio-3.0-TTSはオープンソースですか？ ダウンロードできますか？
ホステッド型のQwen-Audio-3.0-TTS-Plus/Flashは、重みとして配布されていません。オープンソースなのは先行世代のQwen3-TTSファミリーで、GitHubとHugging Faceから入手でき、ローカル利用、クローニング、ComfyUIワークフローに使えます。関連するモデルではありますが、別リリースです。
音声クローニングには対応していますか？
はい。参照音声から対象の声をクローニングできます。ノイズや残響を含む参照音声でも性能を保つよう特に調整されており、別途クリーンアップする必要はありません。Plus tierの話者類似度は、16言語平均で82.75です。
Qwen-Audio-3.0-TTSとQwen3-TTS-Flashの違いは？
Qwen3-TTS-Flashは先行世代のオープンウェイトモデル群に属し、アリーナでは大きく下のElo約929に位置します。Qwen-Audio-3.0-TTSは新しいホステッド型の世代です。Flash tierは低レイテンシー向け、Plus tierはElo 1,237で品質ランキング首位です。
デモやComfyUIサポートはありますか？
オープンウェイトのQwen3-TTSには、公開Hugging Faceデモとコミュニティ製ComfyUIノードがあります。ホステッド型のQwen-Audio-3.0-TTS tierは、単独のデモページではなくAlibaba Cloud Model Studioコンソールから利用します。