Qwen3-TTSとは？
Qwen3-TTSは、AlibabaのQwenチームが2026年1月22日に、6億（0.6 billion）と17億（1.7 billion）パラメータのサイズでApache 2.0のもと公開したオープンな音声合成モデル群です。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、イタリア語の10言語に対応しています。重みの最終更新は2026年1月29日で、Alibabaのホスト型の製品ラインはその後、別系統のQwen-Audio-3.x TTSモデルに移っています。
種類は3つです。VoiceDesignは文章での説明から新しい声を作り、CustomVoiceは指示でトーンを調整できる9種類のプリセット音声を提供し、Baseは3秒の参照音声から声を複製します。Qwenによると、ストリーミングの設計により入力1文字で最初の音声を出せ、エンドツーエンドのレイテンシは最短97 msです。
Qwen3-TTSの料金は？
| プラン | 価格 | 内容 |
|---|---|---|
| Weights | Free | Apache 2.0 |
| qwen3-tts-flash | $0.10 per 10,000 input characters | Alibaba Model Studio（シンガポール）。90日間の無料枠 |
| qwen3-tts-flash-realtime | $0.13 per 10,000 input characters |
Apache 2.0で無料です。Alibaba Model Studio（シンガポール）：入力10,000文字あたりqwen3-tts-flashが$0.10、qwen3-tts-flash-realtimeが$0.13で、90日間の無料枠があり ます。
Qwen3-TTSは使う価値があるか？
Qwen3-TTSは、オープンな音声モデルの中で最も幅広い制御手段を備え、保護は最も弱いモデルです。文章のプロンプトからの声の設計と、指示によるトーンの調整は本当に役立ち、Apache 2.0はライセンス上の障壁を取り除きます。この組み合わせが普及の理由です。声の複製用の1.7B Baseモデルだけで、直近1か月にHugging Faceから約290万（2.9 million）回ダウンロードされ、CustomVoiceモデルは約200万（2 million）回でした。
独立した聴取テストの評価はもっと厳しいものです。Artificial Analysisの音声アリーナでは、AlibabaのホストするQwen3 TTSは98件中87位の930 Elo、Qwen3 TTS Flashは86位の943です。8,200万（82 million）パラメータのモデルKokoroは1065です。これらはAPI版で、オープンウェイトと完全に一致するとは限らず、Qwen自身の単語誤り率の表は自己申告です。Alibabaのより新しいQwen-Audio-3.1-TTS-Plusは1301で3位ですが、これはQwen3-TTSの重みではなく、AlibabaがAPIで販売するモデルです。
Baseモデルは3秒の音声とその書き起こしから声を複製しますが、モデルカードにもGitHubのREADMEにも、同意、悪用、透かしについての記述はありません。対照的に、Chatterboxはすべてのクリップに透かしを入れます。Qwen3-TTSの声の複製を一般に公開する人は、なりすましのリスクを負うことになり、モデルはそのリスクを何も減らしません。
モデルは小さく、安く動かせます。1.7B Baseのチェックポイントは約19億（1.9 billion）パラメータで、BF16でおよそ4GBなので、一般向けのGPU 1枚で扱えます。注意点：配信です。vLLM-Omniが今のところ対応しているのはオフライン推論だけ なので、ストリーミングの本番エンドポイントには、qwen-ttsパッケージを中心に自前のサーバーを書く必要があります。
真価を発揮する場面
ヨーロッパの語学学習アプリのバックエンドエンジニア
一貫性があり言葉で説明できる声で、10言語の例文を生成する
VoiceDesignでコースごとに声を定義し（「温かく、ゆっくり話す30代半ばの先生」）、GPU 1枚でオフラインで一括生成します。Apache 2.0なので文字単位の料金はありません。聞き手の評価からは、ホスト型の競合より品質の上限が低いことがうかがえます。
20人規模のオーディオブックのスタートアップのプロダクトマネージャー
高価な音声APIに払う前に、安くナレーションを試作する
Model Studioのqwen3-tts-flashで、10,000文字あたり$0.10で草稿を生成します。500,000文字の小説なら約$5です。そのうえで、文字あたり何倍も高いホスト型の首位モデルと比べます。
音声エージェント企業のトラスト・アンド・セーフティ責任者
セルフサービスの声の複製を公開するかどうかを決める
Qwen3-TTS Baseは3秒の音声から声を複製し、同意の手続きも透かしもなしで提供されます。そのため、公開前に自社で話者の確認、開示、ログ記録を用意する必要があります。比較の基準はChatterboxの組み込みの透かしです。
導入前に確認すること
- 導入
- qwen-ttsパッケージをpip installすると、重みはモデル名でダウンロードされます。QwenはFlashAttentionを推奨しており、Gradioのデモで声を複製する際のマイク入力にはHTTPSが必要です。
- 連携
- qwen-ttsのPythonパッケージ、Transformers、vLLM-Omni（オフラインのみ）、シンガポールと北京のリージョンのAlibaba Model Studio APIに対応しています。
- データとプライバシー
- Apache 2.0でセルフホストでき、ライセンス以外の利用制限はなく、何もサーバーの外に出ません。Model Studioでは、ストリーミングでない結果は24時間有効な音声のURLとして返されます。
- 大規模利用時のコスト
- セルフホストでは、1.7BモデルはBF16で約4GBで、一般向けのGPU 1枚に収まります。ホスト版では、qwen3-tts-flashで月1億（100 million）文字なら約$1,000、realtime版なら$1,300です。
- 制限
- 10言語です。CustomVoiceのプリセット音声は9種類です。透かしや悪用対策は公表されていません。オンラインのvLLM配信はまだ対応していません。ホスト版のモデルはArtificial Analysisのアリーナで下位15位以内です。
良い点
- 0.6Bと1.7BのサイズでApache 2.0。大きい方はBF16で約4GB
- 文章の説明からの声の設計と、調整可能な9種類のプリセット音声
- ホスト版のFlashは10,000文字あたり$0.10
- Qwenによると、ストリーミングで1文字目から音声を出力
気になる点
- ホスト版はArtificial Analysisで98件中86位と87位
- 同意の確認も透かしもない3秒での声の複製
- vLLM-Omniはオフライン推論のみ対応
- 重みは2026年1月から更新されていない
おすすめの人
寛容なライセンスのもとで細かな制御を求め、安全策は自前で加える、多言語の音声機能を作る開発者。
Qwen3-TTSの代替
Qwen3-TTS：よくある質問
- Qwen3-TTSは使う価値があるか？
- Qwen3-TTSは、開発者にきめ細かな音声の制御と、安全策のない3秒の声の複製ツールを渡しますが、品質は聞き手の評価で最下位近くです。 評価は5点満点中3.5点です。
- Qwen3-TTSの料金は？
- Apache 2.0で無料です。Alibaba Model Studio（シンガポール）：入力10,000文字あたりqwen3-tts-flashが$0.10、qwen3-tts-flash-realtimeが$0.13で、90日間の無料枠があります。
- Qwen3-TTSの欠点は？
- ホスト版はArtificial Analysisで98件中86位と87位; 同意の確認も透かしもない3秒での声の複製; vLLM-Omniはオフライン推論のみ対応; 重みは2026年1月から更新されていない.
- Qwen3-TTSは誰に向いているか？
- 寛容なライセンスのもとで細かな制御を求め、安全策は自前で加える、多言語の音声機能を作る開発者。
- チームや本番環境でQwen3-TTSを使うと費用はいくらか？
- セルフホストでは、1.7BモデルはBF16で約4GBで、一般向けのGPU 1枚に収まります。ホスト版では、qwen3-tts-flashで月1億（100 million）文字なら約$1,000、realtime版なら$1,300です。
- Qwen3-TTSは企業データを扱っても安全か？
- Apache 2.0でセルフホストでき、ライセンス以外の利用制限はなく、何もサーバーの外に出ません。Model Studioでは、ストリーミングでない結果は24時間有効な音声のURLとして返されます。
- Qwen3-TTSの代わりになるものは？
- 当サイトでレビューした中で最も近い代替はChatterbox, Kokoro-82M, Gemini 3.8 Flash TTS 、 OmniVoiceです。
回答確認日：2026年10月22日