AWS、SageMaker JumpStartで音声合成モデル「Qwen3-TTS」のリアルタイム推論デプロイに対応　数秒の音声からボイスクローニングが可能に

要点

• Amazon Web Services（AWS）は、Alibaba CloudのQwenチームが開発したオープンなテキスト読み上げ（TTS）モデル「Qwen3-TTS-12Hz-1.7B-Base」が、Amazon SageMaker JumpStartを通じてリアルタイム推論エンドポイントへデプロイ可能になったと発表した。

• 数秒程度の短い参照音声とその書き起こしテキストを入力することで、モデルの再学習を行うことなく話者の音色や抑揚を再現した音声合成が行える。

• 日本語や英語、中国語など10言語に対応し、ストリーミング生成による低遅延な対話シナリオや、言語をまたいで同一話者の声を再現するクロスリンガル合成をサポートしている。

• Amazon SageMaker AIのマネージド環境を活用することで、基盤となるGPUサーバーの直接管理を不要とし、自動スケーリングやヘルス監視を行いつつ、音声データを自社AWS環境内に保持できる。

• 米Amazon Web Services（AWS）は2026年9月25日、機械学習プラットフォーム「Amazon SageMaker AI」において、オープンソースの音声合成モデルファミリー「Qwen3-TTS」を完全マネージドなリアルタイム推論エンドポイントにデプロイ可能になったと公式ブログで発表した。機械学習ハブ「Amazon SageMaker JumpStart」および「Amazon SageMaker Python SDK」を利用することで、短時間の参照音声から特定話者の音声を再現するボイスクローニング環境を迅速に構築できるという。

10言語とストリーミングに対応する「Qwen3-TTS」の基本性能

Qwen3-TTSは、Alibaba CloudのQwenチームによって開発された、一般公開されているテキスト読み上げ（Text-to-Speech: TTS）モデルファミリーである。対応言語は日本語、英語、中国語、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、イタリア語の計10言語に及ぶ。

本モデルファミリーは「Qwen3-TTS-Tokenizer-12Hz」と呼ばれる専用の音声トークナイザー（音声信号をモデルが処理可能なデータ列へ圧縮・変換する仕組み）を採用しており、低遅延が求められる対話型システムやインタラクティブな利用環境に向けて、ストリーミング形式でのリアルタイムな音声生成をサポートしている点が特徴となっている。

今回SageMaker JumpStartでデプロイ手順が紹介されたベースモデル「Qwen3-TTS-12Hz-1.7B-Base」は、ユーザーが用意したわずか数秒間の参照音声クリップとそのテキスト書き起こしを入力情報として受け取る。モデルはそこから音色、ピッチ、発話の抑揚（ケイデンス）といった話者固有の声の特徴を抽出し、追加のモデル再学習を一切行うことなく、新しく入力された任意のテキストをその話者の声質で読み上げることができる。

さらに、ある言語で収録された参照音声から声の特徴を抽出し、別の言語のテキストを同一話者の声質を維持したまま読み上げさせる「クロスリンガルクローニング（言語間ボイスクローニング）」にも対応している。

提供されるバリアントとモデルの使い分け

SageMaker JumpStartでは、用途に応じて選択可能な複数の関連モデルが提供されている。

今回取り上げられた「Qwen3-TTS-12Hz-1.7B-Base」は、ユーザー提供の参照音声から動的にボイスクローニングを実行できるほか、特定のドメインや用途に向けた追加学習（ファインチューニング）のベースモデルとしても機能する。

これに対し、同じくJumpStartで利用可能な「Qwen3-TTS-12Hz-1.7B-CustomVoice」は、ユーザーが任意の参照音声を供給するのではなく、あらかじめ用意された固定の話者セットから声を選択して音声合成を行うバリアントとなっている。また、音声認識モデルである「Qwen3-ASR-1.7B」もあわせて提供されており、開発者は用途に応じたモデルを選択してSageMaker環境へ展開できる。

SageMaker AIによるマネージド運用の利点と監視体制

AWSは、公開されたボイスクローニングモデルをAmazon SageMaker AI上でセルフホスト（自社環境での運用）することによる複数の利点を挙げている。

外部のマネージドAPIサービスを利用する場合とは異なり、生成や参照に用いる音声データをすべて自社のAWS環境内に保持できるためデータガバナンス面での利点があるほか、利用規模に応じたコスト管理や独自ドメインへのモデル適応が容易になるとしている。

また、Amazon SageMaker AIのリアルタイム推論エンドポイントとして実行することで、モデル稼働に必要なGPUサーバーのプロビジョニングやハードウェアの健全性監視、負荷に応じた自動スケーリングといったインフラ運用の大部分をAWS側が完全にマネージドで処理する。開発者は基盤となるGPUサーバーを直接管理する必要がない。

記事ではAmazon SageMaker Python SDKを用いたデプロイ手法に加え、エンドポイントを呼び出して参照音声からクローニングを実行する具体的な設定方法や、Amazon CloudWatchのメトリクスを用いて負荷やリソース利用状況を監視し、エンドポイントの規模を適正化（ライトサイジング）する運用手法についても触れられている。

多言語展開や対話型AIなど幅広い領域での活用

AWSによると、短時間の音声から声の同一性を再現できるボイスクローニング技術は、あらかじめ用意された固定音声にとどまらない多様な用途を可能にするという。

想定される利用領域としては、メディア制作や教育コンテンツ、カスタマーエンゲージメント、対話型AIアプリケーションなどが挙げられている。多言語コンテンツのローカライズやアクセシビリティ向上を支援するとともに、言語の壁を越えて話者の声のアイデンティティを保ったパーソナライズされた音声体験を大規模に展開できるとしている。