Qwen-TTS アップデート: 中国語方言とバイリンガル合成のサポート

Qwenはテキスト音声合成モデル Qwen-TTS (qwen-tts-latest または qwen-tts-2025-05-22) のアップデートを導入し、音声生成において人間レベルの自然さと表現力を実現しました。このアップデートは、北京語、上海語、四川語という3つの特定の中国語方言を合成できる点と、中国語‑英語のバイリンガル音声をサポートする点で特に注目されています。

方言サポートと音声オプション

Qwen-TTSは現在、3つの中国語方言の生成をサポートし、地域の話し方や自然な抑揚を捉えることができます。利用可能な音声は方言またはバイリンガル機能別に分類されています:

  • 北京語: Dylan
  • 上海語: Jada
  • 四川語: Sunny
  • バイリンガル（中国語‑英語）: Cherry, Ethan, Chelsie, and Serena

合計で7つの中国語‑英語バイリンガル音声が利用可能で、ラボは今後のリリースでさらに多くの言語やスタイルオプションが計画されていると述べています。

技術的な能力とパフォーマンス

Qwen-TTSは数百万時間に及ぶ音声データを含む大規模データセットで学習されました。この学習により、モデルは入力テキストに基づいて韻律、速度、感情的な抑揚を自動的に調整し、高い自然さを実現します。

パフォーマンスベンチマーク

モデルのパフォーマンスは SeedTTS-Eval ベンチマークを使用して評価されました。バイリンガルスピーカーの結果は以下の通りです:

Speaker WER (zh) WER (en) WER (hard) SIM (zh) SIM (en) SIM (hard)
Chelsie 1.256 2.004 6.171 0.658 0.473 0.662
Serena 1.495 2.206 7.394 0.804 0.508 0.803
Ethan 1.489 1.969 6.754 0.777 0.558 0.779
Cherry 1.209 1.967 6.069 0.799 0.664 0.801

API 統合

Qwen-TTSは Qwen API を通じて利用可能です。開発者は dashscope Python ライブラリを使用してモデルを統合できます。合成プロセスは、指定したモデル（例: qwen-tts-latest）、対象テキスト、選択した音声を指定して SpeechSynthesizer.call メソッドを呼び出すことを含みます。

import os
import requests
import dashscope

def synthesize_speech(text, voice="Dylan", model="qwen-tts-latest"):
    api_key = os.getenv("DASHSCOPE_API_KEY")
    response = dashscope.audio.qwen_tts.SpeechSynthesizer.call(
        model=model,
        api_key=api_key,
        text=text,
        voice=voice,
    )
    return response.output.audio["url"]

Sources