deep dive2分 で読める公開 2026-11-01
日本語の音声合成を比べる — 自然さ・遅延・商用条件
日本語の音声合成を選ぶとき、声のバリエーションに目が行きがちだが、実務で効くのは遅延と商用ライセンスである。主要な選択肢を用途別に整理する。価格は2026年11月時点の確認値。
編
編集部
AI Tools Hub 編集部 · 公開 2026-11-01
選択肢
| 強み | 料金 | |
|---|---|---|
| ElevenLabs | 声の種類と自然さ、クローン | 無料は月1万クレジット。Starter 以上は公式を参照 |
| CoeFont | 日本語特化、会議のリアルタイム通訳 | Interpreter Plus $350/月（税込） |
| Cartesia | 低遅延に特化、STTも同社 | 無料 月2万クレジット／Pro $5/月 |
| Deepgram | 文字起こしと同じ基盤で合成 | 従量課金 |
用途で選ぶ
動画のナレーション
遅延は関係ないので、自然さと声の種類で選ぶ。ElevenLabs の選択肢が広い。収録済みの素材に当てるので、書き出しの品質とライセンス条件が判断材料になる。
電話・音声エージェント
遅延が最優先になる。Cartesia は低遅延を設計目標に掲げており、Pro が月$5と安いので直接比較しやすい。自分の台本で実測して、現在使っているものと並べる。
会議の同時通訳
CoeFont の Interpreter がこの用途に特化している。$350/月（税込）で8時間・5ユーザー・1セッション2言語まで。通訳者を手配する費用と比べる判断になる。
日本語で確認すること
数字の読み（「1,500円」が正しく読まれるか）固有名詞と社名（読み仮名を指定できるか）促音と長音の扱い（不自然になりやすい）イントネーション（文末の上がり下がり）読み上げ速度の調整幅
1つめは業務で頻出する。金額や日付の読み間違いは、聞いた人に誤情報を与えるので、デモの段階で必ず試す。
声のクローンは同意が前提
本人の声を学習させる機能は各社が持つが、他人の声を本人の同意なくクローンすることは肖像権やパブリシティ権の侵害にあたる可能性がある。社員の声を使う場合は、利用範囲と期間を明記した同意を文書で取り、退職時の扱いも決めておく。
よくある質問
- Q. 無料で試せますか。
- A. Cartesia は月2万クレジットの無料枠、ElevenLabs にも無料枠があります。同じ台本を通して聞き比べるのが確実です。
- Q. 商用利用の条件は。
- A. プランによって異なります。無料プランは商用不可または制限付きのことがあるので、公式の規約で範囲を確認してください。
