AI音声生成・TTSとは？
TTSはText-to-Speechの略で、入力した文章から音声を作る技術です。ナレーション、教材、アプリの読み上げなどに使われます。音声を文章にする文字起こしや、録音した声を別の声へ変える音声変換とは、入力と出力が異なります。
また、文章を既存の声で読む機能と、特定の人の声を再現するボイスクローンも別の機能です。通常の読み上げに対応するプランが、声の複製やその商用利用まで認めているとは限りません。
選定では、最初に「誰が操作するか」「何を納品するか」「どこで使うか」を決めます。動画用の音声ファイルが欲しいのか、Webサービスの中で都度生成したいのか。この違いが、画面操作型かAPI型かを選ぶ入り口になります。
日本語のAI音声生成ツール10選を比較
表は用途を絞るための比較で、品質ランキングではありません。無料ソフトも、配布音声やキャラクターごとの条件を確認して使います。
| ツール | 主な利用形態 | 比較時に見る点 |
|---|---|---|
| ElevenLabs | クラウドの制作画面・API | プランの生成量、声の利用条件、商用ライセンス |
| OpenAI Text-to-Speech | API | モデル、音声の指示、課金単位、AI音声の明示 |
| Google Cloud Text-to-Speech | API | 音声モデル別の料金、日本語音声、制御機能 |
| Amazon Polly | API | 音声エンジン別の料金と日本語対応 |
| Azure AI Speech | APIなど | 対応言語・音声、地域別の提供条件・料金 |
| VOICEVOX | PCソフト | 日本語の調整操作、クレジット、各音声の規約 |
| CoeFont | クラウドの制作画面など | 個人・組織向けプラン、文字数、音声ごとの条件 |
| VOICEPEAK | 買い切りのPCソフト | 購入する製品の音声・商用範囲・動作環境 |
| COEIROINK | PCソフト | 音声ごとの利用条件、クレジット、編集操作 |
| Style-Bert-VITS2 | 自分で動かすOSS | 導入環境、コードと音声モデルのライセンス |
既存のクラウド基盤へ組み込むなら、Google Cloud、AWS、Azureなどを、その基盤の認証や運用と合わせて比較できます。編集者が音声ファイルを作るなら、APIの開発費だけでなく、担当者が読みや間を直せるかを試すことが重要です。
ElevenLabs：月額とクレジットを確認する
ElevenLabsの公式料金では、Freeは月10,000クレジット、Starterは月6米ドル・30,000クレジット、Creatorは通常月22米ドル・121,000クレジットです。Creatorの初月11米ドルという表示は初回価格で、通常の月額とは分けて読みます。公式料金
クレジットを日本語の文字数や音声分数へ一律に置き換えることはできません。利用する製品・モデルで消費条件を確認します。商用ライセンスや声の複製の範囲もプランごとに見ておきます。
OpenAI：音声の指示とAPI利用を組み合わせる
OpenAIのText-to-Speech APIは、文章から音声ファイルやストリーミング音声を生成する仕組みです。公式ガイドはgpt-4o-mini-ttsを用いた音声生成を説明しています。利用者にAIが生成した音声であることを明示する要件も示されています。公式ガイド
モデルによって課金単位が異なるため、「OpenAIは100万文字で一律いくら」とまとめないことが大切です。導入時点のAPI料金で、使用するモデルの入力・出力単価を照合します。
Google Cloud：同じサービス内でも音声モデルで料金が変わる
Google Cloud Text-to-Speechには複数の音声モデルがあります。標準音声、WaveNet、Neural2、Studio、Chirp 3: HDなどを、同じ価格として比較することはできません。日本語対応やSSMLなどの制御機能も、採用するモデルで確認します。
Amazon Polly：音声エンジンと対応言語を確認する
Amazon Pollyは入力文字数に応じた従量課金です。Standard、Neural、Long-Form、Generativeで単価が異なります。料金表に載っているエンジンすべてが、同じ日本語音声を提供するとは限らないため、使いたい声とエンジンの組み合わせを先に確かめます。
Azure AI Speech：地域と音声を決めて見積もる
Azure AI Speechの公式資料には、日本語を含む言語・音声の対応状況が掲載されています。地域や機能によって利用できる内容が異なるため、対応言語表と料金計算で、実際に使う構成を確認します。無料枠の文字数だけを見て、すべての音声が同条件だとは扱いません。
VOICEVOX：無料でも音声ごとの規約を読む
VOICEVOXのソフトウェアは商用・非商用で利用できますが、生成音声の利用にはクレジットの記載や、各音声の規約の確認が必要です。ソフトの利用条件だけで、キャラクターや音声のすべての用途が許可されるわけではありません。利用規約
CoeFont：個人と組織の利用条件を分ける
CoeFontは読み上げ機能を提供しており、料金表は個人向けと組織向けのプランを区別しています。無料プランは非商用向けとされ、音声生成の文字数にも条件があります。会社の制作で個人向けプランをそのまま使えるか、APIや特定音声の利用申請が必要かを確認します。料金・機能比較
VOICEPEAK：購入する製品名まで確認する
VOICEPEAKの「商用可能 6ナレーターセット」シリーズは、買い切りの音声作成ソフトです。VOICEPEAKという名前が付く製品すべてを、同じ商用利用条件としてまとめないようにします。購入予定の製品ページで、収録音声、動作環境、使用許諾を確認します。製品情報
COEIROINK：ソフトと配布音声の条件を分ける
COEIROINKは、ソフトウェアの商用・非商用利用を認めています。一方、生成物の利用にはクレジットなどの条件があり、各音声にも独自の規約があります。仕事で使う場合は、納品先へ必要な表記を伝えられる状態にしておきます。利用規約
Style-Bert-VITS2：OSSの公開と自由な音声利用は別
Style-Bert-VITS2は、自分で環境を用意して動かす音声合成プロジェクトです。コードのライセンスはAGPL-3.0です。ソフトウェアのライセンス、使用する音声モデル、学習に使う録音の権利は別々に確認します。「公開されているモデルだから、どんな商用利用でも自由」とは判断できません。公式リポジトリ
料金は文字数・トークン・月額をそろえずに比べない
同じ「100万」と書かれていても、文字数とトークンは同じ量ではありません。音声の出力トークンと文章の入力トークンも別です。月額プランには生成量の上限があり、買い切りソフトにはPCや編集作業の費用が残ります。
以下は、文字数課金として公式に確認できた単価の例です。無料枠の適用後の請求額を表すものではなく、通常の従量単価を比較しています。税・為替・周辺サービスの費用は含みません。
| サービス・音声モデル | 100万文字あたりの通常単価 |
|---|---|
| Google Cloud Standard／WaveNet | 4米ドル |
| Google Cloud Neural2 | 16米ドル |
| Google Cloud Studio | 160米ドル |
| Google Cloud Chirp 3: HD | 30米ドル |
| Amazon Polly Standard | 4米ドル |
| Amazon Polly Neural | 16米ドル |
| Amazon Polly Long-Form | 100米ドル |
| Amazon Polly Generative | 30米ドル |
出典：Google Cloud料金、Amazon Polly料金。モデルごとの日本語対応は料金とは別に確認が必要です。Google CloudのGemini系TTSのようなトークン課金は、この表へ混在させていません。
たとえば、同じ文字数課金のサービスで10万文字を初回生成し、そのうち2万文字を修正して再生成するなら、単純な見積もりでは生成対象は合計12万文字になります。完成原稿の文字数だけで見積もると、修正や複数案の試聴に使う量が抜け落ちます。
無料枠はアカウントの条件や利用開始時期にも左右されます。AWSは2025年7月15日以降の新規顧客向けクレジット制度も案内しているため、「全員が同じ期間・文字数を無料で使える」とはせず、自分のアカウントで確認します。
日本語品質は同じ原稿で確かめる
日本語の品質を比べる際は、サンプル音声の印象だけでなく、自分が使う文章を入力します。特に企業名、人名、数値、英字略語、同音異義語は、日常の制作で修正が発生しやすい確認項目です。
比較用の原稿には、たとえば次のような要素を入れます。これは本記事で実行したテストではなく、読者が候補を試すための手順です。
- 「9月21日」「1,250円」など、日付と数値の読み。
- 実際の会社名・製品名と、英字を含む略語。
- 「市場」のように文脈で読みが変わる語。
- 一文が長い説明と、短い案内文。
- 段落の切れ目や、聞き手に考えてほしい箇所の間。
最初の出力だけで勝敗を決めず、修正して使える状態にするまでを比べます。読みを辞書へ登録できるか、アクセントを変えられるか、一部分だけ再生成できるか。その操作に何分かかったかを残すと、制作量が増えたときの負担を見積もれます。
同じモデルでも声や設定が変われば印象は変わります。比較記録には、サービス名に加えてモデル、音声、設定、確認日を残すと、後から再現しやすくなります。
商用利用で確認したいこと
商用利用の判断では、ソフトウェア、選択した音声、キャラクター、生成物、クレジット表記を分けて確認します。広告動画と社内研修では条件が異なる場合もあり、受託制作ならクライアントによる二次利用まで見ておきます。
ボイスクローンを使う場合は、録音が手元にあることだけを同意の根拠にしないことも重要です。誰の声を、どの用途・期間・公開範囲で再現してよいかを、本人や権利者と確認します。サービス側の機能が使えることは、その音声を自分が使う権限の証明にはなりません。
確認した規約のURLと日付、必要な表記を制作メモへ残しておくと、納品時の確認がしやすくなります。声の差し替えや利用媒体の追加があれば、その条件も改めて照合します。
よくある質問
日本語が最も自然なAI音声生成ツールは？
本記事では同一条件の音声比較を実施していないため、1位は決めていません。自分の原稿を使い、読みの正確さと修正後の聞きやすさ、編集時間を合わせて比べます。
無料ツールなら商用利用も自由？
無料で入手できることと、商用利用の条件は別です。VOICEVOXやCOEIROINKでも、クレジットと音声ごとの規約を確認します。クラウドサービスは無料プランの利用範囲も確認が必要です。
GoogleのTTSとElevenLabsは料金だけで比較できる？
単価の数字だけでは比較できません。Google Cloudには文字数課金とトークン課金のモデルがあり、ElevenLabsには月額とクレジットの条件があります。同じ原稿を修正込みで何回生成するかを決め、必要な月額と従量費用を算出します。
まとめ
- AI音声生成は、制作画面で使うかAPIへ組み込むかで候補が変わる。10ツールを用途と運用条件から絞り込む。
- 料金はモデルと課金単位をそろえて確認する。初回割引、無料枠、修正による再生成を通常単価と混同しない。
- 日本語品質は自分の原稿で確認し、編集時間まで比較する。商用利用は音声・規約・クレジットを個別に照合する。
