AlibabaのQwen Audio 3.1、AI音声を最大95%値下げ
- AlibabaのAIチームQwenが、音声認識・音声合成・リアルタイム対話の5モデル「Qwen-Audio-3.1」を公開しました。
- 文字起こしはフィラーや言い直しを自動で取り除き、音声合成は文章の指示で感情や速さを変えられます。
- 値下げ幅は音声合成が約70%、リアルタイム対話が約85%、文字起こしは最大95%です。
聞く・話す・会話するの5モデル
中国AlibabaのAIチームQwenが、音声モデルのまとまり「Qwen-Audio-3.1」を出しました（THE DECODER）。
中身は5つです。
音声を文字にする音声認識（ASR）が2種、文字を読み上げる音声合成（TTS）が2種、話しながら聞けるリアルタイム対話が1種です。
音声認識は、多言語と方言の聞き取りが良くなりました。
「えー」「あのー」のようなフィラーや言い直しを自動で取り除く機能もあります。
上位版のASR-Nextは、誰が話したかを時刻つきで分け、感情や環境音、機械の雑音まで聞き分けます。
読み方を文章で指示できる音声合成
音声合成のTTSは、複数言語をまたいでも同じ声のまま読めます。
感情・速さ・話し方は、「鋭く威厳のある口調で読んで」のような短い文章で指示します。
上位版のTTS-Nextは、声と効果音、背景音を1回の生成でまとめて作ります。
言語モデルと、画像生成でも使われる拡散という方式を組み合わせた作りです。
リアルタイム対話モデルは、相手が話している途中でもすぐ割り込めます。
相手の気分が沈んでいると判断すると、ゆっくり、共感を込めて返すとQwenは説明しています。
値下げは最大95%
あわせて料金も下げました。
音声合成は約70%、リアルタイム対話は約85%、音声認識は最大95%の値下げです。
10の料金なら、音声合成は3に、音声認識は0.5になる計算です。
値下げ後の具体的な単価と、日本語の対応状況は原文に書かれていません。
QwenのブログとQwen Cloudで公式の発表を確認してから比べるのが確実です。
自分のチャンネルにどう影響するか
字幕づくりとナレーションの2工程で、使える道具の値段が一段下がりました。
字幕の工程では、フィラーと言い直しを自動で落とす文字起こしが役に立ちます。
一人語りや対談の動画で、書き起こしから「えー」を消す手直しの時間を減らせます。
話者を時刻つきで分けるASR-Nextは、対談動画の字幕の色分けにそのまま使えます。ナレーションの工程では、声と効果音と背景音を1回で作るTTS-Nextが、短い場面の音づくりの候補になります。
ただし日本語の品質と単価は原文で確かめられないので、まず1本分で試し、今使っている音声合成と読みの自然さを聞き比べてから切り替えるのが安全です。値下げが続くと、文字起こしや音声合成は「使うかどうか」より「どれを選ぶか」の比較になります。
月に何時間分を処理しているかを把握しておくと、乗り換えの判断が早くなります。
コメント
まだコメントはありません。最初の1件をどうぞ。