2026年の音声合成モデル比較：声の品質とAPI料金

聞き心地のよい声でも、価格を読み間違えていれば完成したナレーションとはいえません。承認済みの台本から製品ナレーション、研修音声、告知を作るなら、必要な言葉を最も少ない修正で届けられる音声モデルはどれか、と考えるのが実用的です。

素直なナレーションなら、まずChirp 3 HDとEleven Multilingual v2を比べます。 応答速度が必要な対話用途にはEleven Flash v2.5を加え、表現力を重視するならEleven v3も候補です。GPT-4o Mini TTSはトークン課金の別候補で、プレビュー版を許容できる評価ならGemini 3.1 Flash TTS Previewも含められます。これは公開されている機能と課金方法から選んだ出発点であり、試聴実験で決めた勝者ではありません。

ドキュメントと価格は2026年9月7日に確認しました。対象は、ホスト型の音声合成モデルとAPIです。文字起こし、音声エージェント一式、一般消費者向けサブスクリプション、カスタム音声の制作費は含みません。記事のカバー画像は、どのモデルの出力を示す証拠でもありません。

音声APIでは課金単位が異なる

文字数課金の行は、無料枠、サブスクリプション、キャンペーン、税、再生成を除き、課金対象の入力文字数10万文字と仮定しています。トークン課金の行には、根拠のない文字単価を当てはめていません。

GoogleはChirp 3 HDに対象となる月間無料枠を掲載しています。$3という数字は有料部分の単価だけを示しており、小規模アカウントの請求額を予測したものではありません。ElevenAPIの現在のページではドル建て料金が示されています。別のElevenLabs製品で使われるクレジットに置き換えたり、広告中のサブスクリプション割引がすべてのアカウントに適用されると考えたりしないでください。

文字、テキストトークン、音声トークンは別の単位です。同じ台本でも、声、間、読み上げ速度によって音声の長さは変わります。トークン課金の音声では、代表的な生成を実行し、報告された使用量を測ります。上の料金だけでは、その録音でどれが安いかは判断できません。

台本の難しい箇所に合う候補を選ぶ

ElevenLabsのモデルガイドでは、Multilingual v2を一貫性のある長文音声、v3を表現力、Flash v2.5を低遅延向けと位置づけています。用途別に試す根拠にはなりますが、固有の用語をどう発音するかまでは証明しません。また、このガイドはFlash v2.5の数値正規化に制限があることも挙げています。

製品操作の解説なら、同じ承認済み台本を使ってChirp 3 HDとMultilingual v2から試します。単語の欠落、発音の揺れ、不自然な文のつながり、手順を追いにくくする話速がないかを聞きます。どちらも条件を満たすなら、作業全体の費用が安いほうを選ぶのが合理的です。

対話型の応答なら、同じネットワーク条件でFlash v2.5と現在のTTSエンドポイントを比べます。音声が聞こえ始めるまでと、再生が終わるまでの時間を別々に測ってください。提供元が示すモデルの遅延は、回答の準備と音声の転送も含むアプリ全体の所要時間ではありません。

ドラマチックな導入では、表現力が文書化された目的の一つであるv3が候補になります。言葉は固定したまま、伝え方だけを変えます。承認されていない感嘆を加えたり、但し書きの意味を変えたりしたテイクは、魅力的に聞こえても不合格です。

GPT-4o Mini TTSも、入力上限と出力が用途に合えば、短い台本のどの試験にも参加できます。Geminiのプレビュー版も同じ試聴を行い、本番利用を決める前に現在の提供状況を明示的に確認する必要があります。新しいモデル名を加えるだけのために、正常に動く制作工程を切り替える必要はありません。

一つの試験文で高くつくミスが見つかる

次の架空の告知を考えます。

ワークショップは9月18日午前9時30分に始まります。料金は19ドル50セントです。B14号室には入らず、B40号室を使ってください。

生成前に、許容できる読み方を書き出します。日付、時刻、金額、否定、二つの部屋番号が正しく残らなければなりません。中国語版では、まず中国語の台本を承認し、その発音を別に確認します。英語の声が優れていても、中国語の読み上げ品質までは保証しません。

この例では、曖昧になりうる数字を言葉として明示しています。実際の入力では、この承認済みの形と、部屋コードのような省略表記の原文を比べてください。入力を整えるだけで、何度も生成するより安く問題を解決できる場合があります。ただし、価格を言葉に書き換えるときに金額そのものを変えてはいけません。

短い確認の後は、同じ用途のより長い台本を試します。一文なら読めても、段落が続くと一貫性を失うモデルがあります。候補比較では段落の区切りをそろえ、その後、本番で分割する方法も別に試してください。音声ファイルの結合では、間や声の連続性に別の問題が生じます。

録音を文字起こしに通すだけで採点しないでください。文字起こしは欠落の発見には役立ちますが、話す速さ、強調、不自然なつなぎ目を十分には判断できません。対象言語を理解する人が実際に聞く必要があります。

承認できる録音までを予算に含める

架空のバッチで10万文字のナレーションが必要だとします。表の文字単価では、全量を一度生成すると無料枠適用前で$3、$5、$10です。発音修正のためにさらに2万文字を生成すると、合計は**$3.60、$6、$12**になります。これは修正量を仮定した計算であり、各モデルで測定した失敗率ではありません。

試聴と編集のほうが大きな費用になるかもしれません。生成した文字数またはトークン数、承認済み音声の分数、不採用区間、レビュー時間を記録します。総費用を承認済みの分数で割ってください。同じ台本から長い音声を作るという理由だけで、遅い読み上げを効率的に見せるべきではありません。

元の素材が録音なら、ナレーションを書く前に文字起こしモデルを選びます。別の言語の台本が必要なら、その工程では翻訳モデルの比較を参照してください。翻訳品質と音声品質は別々に承認する必要があります。誤訳を完璧に発音しても、正しい音声にはなりません。

まず難しい文を二つの声で試し、次に代表的な台本を一本、最初から最後まで生成します。言葉を正確に保ち、求める伝え方を満たし、生成と修正を合わせた総額が最も小さい候補を選んでください。

参考資料

• Google Cloud Text-to-Speechの料金：文字数単価と無料枠。
• ElevenAPIの料金：現在のドル建てAPI従量料金。
• ElevenLabsのモデル：各モデルの用途と数値正規化の注意点。
• GPT-4o Mini TTS：トークン単価と入力上限。
• Gemini APIの料金：プレビュー音声モデルのテキストおよび音声単価。