アリババ、音声認識・クローン・AIエージェントを1つの無料アプリに統合

ニュース概要

アリババは、中国初のオールインワンAI音声生産性プラットフォームと位置づける「CosyVoice Studio」を発表し、2026年8月7日中国標準時正午12時より、iOS、Android、Mac、Windowsで無料トライアルの提供を開始した。同社が自社開発した音声モデルQwen-Audioを基盤とするこのプラットフォームは、音声認識、音声合成、リアルタイム音声対話を単一のツールキットにまとめ、一般ユーザーと企業向け開発者の双方を対象としている。アリババは、基盤モデルが3つの音声関連指標において国際ベンチマークのリーダーボードで首位を獲得したとしている。

CosyVoice Studioの構成

このプラットフォームは3つのコンポーネントで構成される。CosyFlowは基本的な文字起こしにとどまらない音声認識録音ツールで、「えーと」「あの」といったフィラー（つなぎ言葉）を自動的に除去し、まとまりのない話し言葉を明確で構造化されたテキストに再構成する。メールや議事録、レポートの自動生成にも対応する。CosyAgentは、企業が自社固有の知識や外部ツール連携を備えた音声駆動のAIエージェントを迅速に構築できるようにするもので、主にカスタマーサービスやアウトバウンド通話のシナリオを想定している。CosyCreativeは、大規模な合成音声ライブラリと音声クローン作成ツールを提供する音声コンテンツ制作モジュールで、ユーザーはアップロードした文書やテキストを、対話形式のポッドキャストや複数キャラクターによるオーディオブックに変換できる。

ベンチマークに関する主張

アリババの通義（Tongyi）研究所によると、このプラットフォームを支えるQwen-Audio-3.0-Realtimeモデルは、国際AIベンチマークのリーダーボードでSpeech-to-Speech Indexスコア84.1%を記録し、同社はこれを世界初としている。アリババはさらに、このモデルが音声推論、エージェントタスクの実行性能、対話応答性という3つのサブ指標すべてで世界1位を獲得したと述べている。これらの数値はアリババ自身の発表によるものであり、本レポートで確認した資料の中には、ベンチマーク手法の独立検証は含まれていなかった。

提供方法と展開

消費者は現在のプロモーション期間中、主要なアプリストアからCosyVoiceアプリを直接無料でダウンロードできる。企業向けの2つのツール、CosyAgentとCosyCreativeは、現時点では招待制のホワイトリストによるビジネステストに限定されており、アリババは今後より広範な一般公開を計画しているとしている。このプラットフォームはデュアルモード構成に対応しており、企業顧客はAPI統合を決定する前にビジュアルインターフェースで性能を評価でき、個人ユーザーはすぐに全機能にアクセスできる。アリババによると、基盤技術はスマート端末や車載システムを含む複数の言語・デバイスタイプに対応するよう設計されているという。

重要な理由

今回の発表は、音声をAI製品の主要なインターフェースとして扱おうとする大手テック企業の広範な動きを反映しており、テキストベースのチャットにとどまらず、メモ作成や顧客対応、コンテンツ制作における音声対話へと軸足を移しつつある。認識、合成、リアルタイム対話を1つの消費者向けアプリにまとめつつ、企業向けAPIも提供することで、アリババはCosyVoice Studioを、個人の生産性向上を求めるユーザーと、音声対応アプリケーションを構築する企業顧客の双方を取り込む製品として位置づけている。この分野には、複数の国際的なAI研究機関も2026年に入り積極的な投資を行っている。