開発者向けテキスト読み上げAPIおすすめ9選（2026年版）：実際のレイテンシと1分あたりのコストを比較

開発者向けテキスト読み上げAPIベスト9（2026年）：実際のレイテンシと1分あたりのコストを徹底比較

開発者にとって最適なテキスト読み上げAPIとは、デモ映像が一番派手なやつじゃない。レイテンシの予算を守りつつ、請求額を破綻させないやつだ。なぜそんなことが言えるかというと、私たちはまさにこれらのAPIの上に音声エージェントを構築しているからだ。先四半期、CartesiaのSonic-3は初回音声出力まで40〜90msと謳っていたが、Covalの独立ベンチマークでは実測P50が約188msだった。料金は100万文字あたり4ドルから100ドルまで幅がある。ベンダーが公表するレイテンシの数字は、実際の電話回線でほぼ通用しない。そこで、ここでは9つのテキスト読み上げAPIを正直にランキングし、ベンダーが自社リストから意図的に省いている数値も盛り込んだ。

私たちはTTS APIを販売していない。これらのAPIの上に音声エージェントを構築しているので、このランキングで推す自社製品はない。そしてスコープを明確にしておくが、ここで扱うのはテキスト読み上げ合成API、つまりテキストを音声に変換するレイヤーの話であり、完全な音声エージェントプラットフォームやクリエイター向け動画ツールの話ではない。この分野に初めて触れる方は、まずAI音声エージェントとは何かから読んでほしい。

早わかり：主要なTTS API一覧

• 総合的な音声品質で最も優れている： ElevenLabs（Flashは公称約75ms）。ただし、本記事の中で最も高価で、100万文字あたり50ドル〜100ドル。
• コストパフォーマンスと導入の容易さで最も優れている： OpenAI gpt-4o-mini-tts。音声1分あたり約0.015ドル。
• リアルタイムエージェント向けの最低レイテンシ： Cartesia Sonic。ネイティブなストリーミングWebSocketに対応し、公称の音声出力開始時間は40〜90ms。
• 最も安価でセルフホストも可能： Google CloudとAmazon Pollyは100万文字あたり4ドル。OmniVoiceはセルフホストなら0ドル。

主要なTTS API 9選 比較一覧

ここでは、アプリや音声エージェントに**テキスト読み上げ（TTS）**を組み込む開発者向けに、すべてのAPIを並べて比較・ランク付けしています。1分あたりの料金はベンダー公式の数字ではなく、私たちの推定値です（計算方法は表の下に記載）。

*1分あたりの料金は私たちの推定値です。100万文字あたりの単価×1分あたり約900文字（約150 wpm）で算出しています。ベンダー公式の数字ではありません。

これらをどうランク付けしたか（そしてなぜ私たちはTTS APIを売らないのか）？

私たちが重視したのは5つの点です。音声品質、レイテンシとストリーミング対応、コスト（1文字あたり・1分あたり）、SDKの機能範囲、そしてセルフホスティングの選択肢です。私たちはこのうちのいくつかを使って本番環境の音声エージェントを構築しているため、この順位は「適合度」を反映したものであり、贔屓ではありません。掲載料を払った企業はどこにもありません。

この中立性こそが、まさに本記事の要点です。世にある「ベストTTS API」リストは、すべてTTSベンダーが自社製品を1位に据えて書いたものです。私たちが売っているのはエージェントであって音声合成ではないため、ここで推したいものは何もありません。価格、レイテンシ、音声クローンのいずれかで劣るツールについては、その「こんな場合は見送れ」の項目で、そう明言しています。藁人形論法も、お気に入りもありません。

1. ElevenLabs：総合的に最高の音声品質

ElevenLabs は、現在 API 経由で利用できる中で最も自然な合成音声を提供しており、大規模な音声ライブラリと音声 ID による瞬時のクローニングを備えています。その Flash v2.5 モデルはリアルタイム対応の選択肢です。

ElevenLabs の API 料金ページ（2026年7月時点）によると、Flash と Turbo は 100万文字あたり50ドル、Multilingual v2/v3 は100万文字あたり100ドルで、当方の計算では1分あたり約0.045ドルから0.09ドルに相当します。ElevenLabs は Flash で約75msのレイテンシを公称しています。ストリーミングは REST と websocket に対応しています。クローニングは任意の音声 ID から即座に実行できます。

完全な電話エージェントを構築していますか？Vapi や Synthflow などの音声エージェントプラットフォームとの比較をご覧ください。

curl -X POST "https://api.elevenlabs.io/v1/text-to-speech/JBFqnCBsd6RMkjVDRZzb?output_format=mp3_44100_128" \
  -H "xi-api-key: $ELEVENLABS_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"text": "Your table for two is confirmed for 8pm.", "model_id": "eleven_flash_v2_5"}' \
  --output speech.mp3

こんな場合に選ぶべき： 音声品質が絶対に妥協できず、予算が最優先の制約でない場合。こんな場合は見送るべき： 文字あたりのコストが障害となる場合。本記事の中で最も高価な選択肢であるためです。

2. OpenAI TTS：コスパ最高、連携も最もシンプル

OpenAI TTS は、すでに OpenAI API を利用しているなら、最も抵抗なく導入できる選択肢だ。gpt-4o-mini-tts モデルには steerability（可制御性）が備わっており、セリフの内容だけでなく、どのように読んでほしいか（「温かく、忍耐強い先生のように話して」など）をプロンプトで指示できる。

OpenAI の料金ドキュメント（2026年7月時点）によると、tts-1 は 100万文字あたり15ドル、tts-1-hd は100万文字あたり30ドル、gpt-4o-mini-tts はテキストトークン100万あたり0.60ドルに加え、音声トークン100万あたり12ドルが課金され、音声1分あたり約0.015ドルに相当する。ストリーミングにも対応している。音声クローニングは制限がある。

リアルタイムの電話エージェントを構築しているなら、音声エージェント向け OpenAI Realtime API と組み合わせるといい。

from openai import OpenAI
client = OpenAI()  # reads OPENAI_API_KEY from env

with client.audio.speech.with_streaming_response.create(
    model="gpt-4o-mini-tts",
    voice="alloy",
    input="Say it like a warm, patient teacher.",
) as response:
    response.stream_to_file("speech.mp3")

こんな人におすすめ： すでに運用しているスタックの中で、安価で十分な品質の音声が欲しい場合。避けた方がいい場合： 多くの個性的な音声や、本格的な音声クローニングが必要な場合。

3. Cartesia（Sonic）：超低遅延のリアルタイムエージェントに最適

CartesiaのSonicは会話のために設計されています。ネイティブのストリーミングWebSocketを標準搭載しており、ホスティングAPIの中で私たちが計測した限り、最速の音声初回出力時間（TTFA）を実現しています。

Cartesiaの料金ページ（2026年7月時点）によると、Startupプランは100万文字あたり約39ドル（約0.035ドル/分）で、毎月約20,000の無料クレジット（約27分間の音声に相当）が付与されます。CartesiaはSonic-3において40〜90ミリ秒の音声初回出力時間を公称しています。ストリーミングAPIはWebSocketネイティブで、Proティアでは音声クローニングが即座に利用できます。以下は、エージェントが実際に使用しているパターンで、PCMチャンクを通話相手に直接ストリーミングするものです：

from cartesia import Cartesia
import os

client = Cartesia(api_key=os.environ["CARTESIA_API_KEY"])
ws = client.tts.websocket()

for chunk in ws.send(
    model_id="sonic-3",
    transcript="Booking confirmed. See you at eight.",
    voice={"id": "a0e99841-438c-4a64-b679-ae501e7d6091"},
    output_format={"container": "raw", "encoding": "pcm_f32le", "sample_rate": 44100},
    stream=True,
):
    play(chunk.audio)  # push audio to the caller as it arrives

選ぶべきケース： 1秒以内で応答する会話型音声エージェントを構築している場合。避けるべきケース： リアルタイム性が不要で、より豊富な音声カタログを求める場合。

4. Deepgram（Aura-2）：単一ベンダーで最適な STT + TTS

Deepgram は、音声ボットを構成する「聞く」（音声認識／STT）と「話す」（TTS）の両方を高い水準でこなせる、数少ないベンダーです。Aura-2 は文字数課金制で、会話のレイテンシに最適化されています。

Deepgram の料金ページ（2026年7月時点）によると、Aura-1 は 100万文字あたり15ドル、Aura-2 は100万文字あたり30ドル（約0.014〜0.027ドル/分）で、200ドルの登録クレジットが付与され、エンタープライズプランではセルフホスティングも可能です。Deepgram は会話型 AI において250ms未満を謳っています。ストリーミングはサポートされていますが、クローニングには対応していないため、プリセットの音声に限定されます。

こんな場合に最適： 「聞く・話す」のループ全体を単一ベンダーでまかないたい場合。見送るべき場合： 音声クローニングが必要な場合。

5. Google Cloud Text-to-Speech：最も幅広い多言語対応と太っ腹な無料枠

Google Cloud Text-to-Speech は50以上の言語で380以上の音声をカバーしており、無料枠はプロトタイピング用途で最も充実しています。

Google Cloud の料金ページ（2026年7月時点）によると、Standard と WaveNet は100万文字あたり4ドル、Neural2 は100万文字あたり16ドル、Chirp 3 HD は100万文字あたり30ドル、Studio は100万文字あたり160ドルです。無料枠では Standard 文字が月間400万文字付与されますが、WaveNet、Neural2、Chirp 3 HD はそれぞれ月間100万文字のみなので、実際にどの音声タイプを使用しているかを確認してください。ストリーミングはサポートされていますが、クローニングには対応していません（カスタム音声は別の製品です）。

こんな方におすすめ： 多くの言語を安価に必要としており、GCP を活用している場合。こんな方は見送りを： Studio の100万文字あたり160ドルを支払わずに最高レベルの表現クオリティを求めている場合。

6. Amazon Polly：退屈だが信頼性が高く、大規模利用で安価な最良の選択肢

Amazon Polly は頼りになる働き者です。予測可能で安価、そして AWS に深く組み込まれています。ドラマチックさは不要で、必要なのは稼働率だけ、という IVR やトランザクション用のプロンプトに最適です。

AWS の Polly 料金ページ（2026年7月時点）によると、Standard は 100万文字あたり4ドル、Neural は100万文字あたり16ドル、Generative は100万文字あたり30ドル、Long-Form は100万文字あたり100ドル（1分あたり約0.004ドル〜0.09ドル）です。無料利用枠では、最初の12か月間、Standard で500万文字、Neural で100万文字が毎月カバーされます。ストリーミングはサポートされていますが、クローニングはありません。

こんな場合に選んでください：AWS を利用していて、大量処理でも予測可能な TTS を求める場合。こんな場合は見送ってください：表現力豊かでクローン可能な音声が欲しい場合。

7. Azure AI Speech: コンプライアンスとオンプレミスに最適

Azure AI Speech の差別化ポイントは音声そのものではなく、実行できる場所にあります。標準の Neural、Custom Neural Voice、そして法的にネットワーク外に出せないデータのための切断型（エアギャップ）コンテナが用意されています。

Azure の Speech 料金ページ（2026年7月時点）によると、標準の Neural は 100万文字あたり16ドル、Neural HD は100万文字あたり22ドルです（2026年3月の30ドルから値下げ）。F0 無料プランでは毎月50万文字が利用でき、有効期限はありません。エアギャップ型の切断コンテナは48億文字で年間約47,424ドル（要登録）となり、これがコンプライアンスチームが気にする数字です。ストリーミングにも対応しており、音声クローニングは Custom Neural Voice で利用できます。

選ぶべきケース： オンプレミスまたはエアギャップ環境での音声合成が必要な場合、あるいは Microsoft 中心の環境の場合。見送るべきケース： Azure を利用しておらず、コンプライアンス管理も不要な場合。

8. PlayHT：多言語対応の膨大な音声ライブラリが魅力

PlayHT の魅力はその幅広さにあります。900種類以上の音声、142言語の対応、300ミリ秒未満のTurboレイテンシ、そして3〜10秒のサンプルからの瞬時クローニングが可能です。

料金については率直な注意点があります。PlayHTの料金ページ（2026年7月時点）によると、プランはおおよそ月額39ドル（Professional）から月額99ドル（Premium／無制限） の範囲で、APIアクセスは上位プランおよびエンタープライズプランに設定されています。明確な文字単位のAPI料金は公開されていないため、1分あたりの金額（弊社推定で約0.07ドル）はあくまで推定値としてお考えください。ストリーミングには対応しており、短いクリップからのクローニングは瞬時に行えます。

こんな方におすすめ： 会話型プロダクト向けに音声の幅広さを求めたい方で、ElevenLabsが高すぎると感じている場合。おすすめしない場合： 従量課金制の透明な文字単位課金を求めている場合。

9. OmniVoice：データをサーバーから出せない場合に最適

OmniVoice（k2-fsaチーム製）はApache-2.0ライセンスで、1文字あたりの料金は0ドル、646言語に対応し、約3秒のクリップからのゼロショットクローニングが可能で、完全にローカル環境で動作します。私たちは自前のハードウェアで実践的なテストを行いました。

文字数に応じた課金は一切ありません。支払うのはGPUと電気代だけで、それ以外は一切かかりません。トレードオフとして、OmniVoiceはバッチ合成（リアルタイムファクターは約0.03）であり、300ミリ秒未満のストリーミングではないため、ライブ会話には向きません。クローニングは、数秒のリファレンス音声からのゼロショット方式です。セットアップの詳細や品質に関する注意事項については、OmniVoiceの実践レビューをご覧ください。

こんな場合に最適：オンプレミス環境、HIPAA準拠、希少言語への対応が必要な場合、あるいは大量利用時の文字数課金を避けたい場合。こんな場合は避けるべき：リアルタイムの会話レイテンシが必要な場合。

TTS APIの実際の1分あたりのコストは？

2026年現在、テキスト読み上げ（TTS）APIのコストは、合成音声1分あたりおよそ0.004ドル〜0.09ドルです。最も安いのはGoogle CloudとAmazon Polly Standardで約0.004ドル/分、OpenAIのgpt-4o-mini-ttsは約0.015ドル/分、ElevenLabsの最高品質の音声は0.09ドル/分に達します。セルフホスティング型のOmniVoiceは1文字あたり0ドルです。

本記事の1分あたりの数値はすべて、ベンダーが公表しているものではなく、私たち自身が計算したものです。100万文字あたりの価格を、1分あたり約900文字（自然な会話で1分あたり約150語に相当）という前提で1分あたりのコストに換算しています。このたった1つの換算が、予算の立て方を変えます。音声エージェントの構築者は、100万文字あたりのドル数ではなく、会話時間1分あたりのドル数で予算を組むからです。以下が、どこも公開していない換算表です。

1分あたりの数値は私たちの推定値です（100万文字あたりの価格×約900文字/分）。PlayHTはサブスクリプション制のため、その数値は推定値です。OmniVoiceは1文字あたり0ドルです（GPUと電気代のみ自己負担）。ただし、TTSは数あるコスト項目の1つに過ぎません。全体像については、フルスタック音声エージェントのコスト内訳をご覧ください。

本番環境の音声エージェントにTTSを組み込んで学んだこと

公称レイテンシは実測レイテンシではない。2026年にリリースしたレストラン予約音声エージェントでは、ElevenLabs Flashが謳う75msという数値は単体環境では事実だったが、私たちのパイプラインでは、LLMのトークン生成、ネットワークホップ、音声バッファリングが重なった結果、発信者が最初に耳にする音声は300〜400ms程度になった。この差こそが、自然な応答と気まずい沈黙の分かれ目だ。

Covalの独立系ベンチマークもこれを裏付けている。同ベンチマークでは、Cartesia Sonic-3の初回音声到達時間（time-to-first-audio）はP50で約188ms（IQR 100ms）、ElevenLabs Turbo v2.5は約264ms、Flash v2.5は約288msと測定され、いずれもベンダー公称値より高かった。だからこそ、会話的な用途ではバッチ型RESTではなくストリーミングのWebSocket API（Cartesia、Deepgram）をデフォルトにしている。指標にも注意が必要だ。ストリーミングAPIが返す最初のバイトはコンテナやヘッダーのメタデータであり、再生可能な音声ではない。初回バイト到達時間はベンダーにとって都合の良い数字だ。発信者が実際に耳にするのは、初回音声到達時間である。

想定外のコスト上の驚きもあった。ElevenLabs Multilingual v3（約0.09ドル/分）を動かす通話量の多い回線では、6分間の通話の約40%をエージェントが話す場合、約2.4分間の音声を合成することになり、1通話あたりおよそ0.22ドルかかる。1日1,500通話なら、TTSだけで月間約9,700ドルに達する計算だ。その回線をgpt-4o-mini-tts（約0.015ドル/分）に切り替えたところ、1,700ドル未満に抑えられた。そしてもう一つ、私たちが痛い目に遭った落とし穴がある。音素エイリアスを追加するまで、モデルがクライアントのレストラン名を誤って発音し続けたのだ。だからこそ、リリース前に発音辞書用の時間を確保しておくことだ。

オープンソースの TTS はセルフホストできるのか？

可能です。2026年において、セルフホスティングは実験的な試みではなく現実的な選択肢です。セルフホスティングとは、モデルを自社所有の GPU 上で実行することを意味し、音声データがサードパーティの API に触れることはありません。主要なオープンソースの選択肢としては、OmniVoice（646言語対応、ゼロショットクローニング）、Piper（高速・軽量で Raspberry Pi での動作に最適）、Kokoro（小型かつ高品質）、そして古参の Coqui TTS が挙げられます。

マネージド型のセルフホスティングという選択肢もあります。Azure のディスコネクト（エアギャップ）コンテナや Deepgram のエンタープライズ向けオンプレミスを利用すれば、生のオープンソースデプロイを行うことなく、ベンダー品質の音声を自社ネットワーク内で実行できます。

セルフホスティングが有利なのは、法的にデータをサーバーの外に出せない場合（HIPAA、エアギャップ環境）、希少言語や低資源言語が必要な場合、あるいは大量利用時に文字単位の課金が厳しくなる場合です。一方、リアルタイムの会話レベルのレイテンシが必要な場合や、GPU 運用に割けるリソースのない小規模チームの場合は不利になります。そのようなケースでは、エンジニアリングの工数を考慮すれば、ストリーミング API の方が安上がりな解決策となります。

自分に合ったTTS APIをどう選ぶか？

機能チェックリストではなく、最大の制約を一つ挙げて、それを基準に選ぼう。以下は、私たちがクライアントに使っている簡単な判断ツリーだ：

• リアルタイムの音声エージェントを構築している？ CartesiaかDeepgram（ストリーミングWebSocket、実測レイテンシが最も低い）。
• 音声品質は絶対に妥協できない？ ElevenLabs。
• 安くて多言語対応？ Google CloudかAmazon Polly。
• オンプレミスかエアギャップ環境？ Azureの非接続コンテナかOmniVoice。
• すでにエコシステムに深く入り込んでいる？ OpenAI、AWS Polly、Google Cloudのうち、既存のスタックに合うもの。
• 最も豊富な音声ライブラリが必要？ PlayHT。

間違えたらプロジェクトが破綻するような制約から始めよう。残りの最適化は後回しでいい。

Techsyのアプローチ

私たちは音声エージェントを構築しており、TTS APIを販売しているわけではないため、まさにそのからこそ中立的な立場を保つことができます。実際の現場では、お客様ごとにレイテンシの許容範囲、コストの上限、コンプライアンス要件を踏まえて異なるTTSを選定し、それを音声認識（STT）、LLM、電話回線、そしてそれらをつなぐストリーミング基盤を含むエージェント全体に組み込んでいます。レストランの予約受付とHIPAAの対象となるクリニックの受付では、同じ音声合成エンジンを使うことはまずありません。

ビルドかバイかの検討にあたっては、本番環境の音声エージェントをエンドツーエンドで構築していますので、お客様の通話量に実際に合ったTTSがどれかを見極めることができます。

著者について

Mert Batur Gurbuzは、Techsy.ioの共同創業者であり、バーミンガム大学に在学中。LinkedInでつながりましょう。

Mert Batur GurbuzはTechsy.ioの共同創業者であり、同社チームはB2Bクライアント向けにAIエージェント、自動化システム、音声/SDRパイプラインを提供している。バーミンガム大学で学ぶ傍ら、Techsyチームが本番環境で実際に使用しているLLMツールスタックについて執筆している。

よくある質問

開発者にとって最適なテキスト読み上げ（TTS）APIはどれですか？

それは、あなたが抱える最大の制約が何であるかによります。最高品質の音声を求めるなら、ElevenLabsを選びましょう。リアルタイムのレイテンシを最も低く抑えたいなら、Cartesiaです。安価な多言語音声なら、Google CloudまたはAmazon Pollyが適しています。オンプレミスや外部ネットワークから隔離された環境でのデータ処理には、Azureの分離コンテナ、あるいはセルフホスティングのOmniVoiceが向いています。万能な勝者は存在しません。

リアルタイム音声エージェント向けで最もレイテンシが低いTTS APIはどれか？

Cartesiaは初回音声出力まで40〜90ms、ElevenLabs Flashは約75ms、Deepgramは250ms未満をそれぞれ公称している。しかし公称値は実測値ではない。Covalの独立系ベンチマークでは、実環境下でCartesia Sonic-3のP50が約188ms、ElevenLabs Flashが約288msという結果が出ている。エージェント用途では、ストリーミング型のWebSocket APIを推奨する。

テキスト読み上げAPIは音声1分あたりいくらかかりますか？

2026年現在、1分あたりおよそ0.004ドル〜0.09ドルです。GoogleとPolly Standardは1分あたり約0.004ドル、OpenAIのgpt-4o-mini-ttsは約0.015ドル、ElevenLabsのプレミアム音声は0.09ドルに達します。これらは1分あたり約900文字で換算した当社の推定値です。セルフホスティングのOmniVoiceは1文字あたり0ドルです。

無料のテキスト読み上げAPIはある？最もお得な無料プランはどれ？

はい、あります。Google CloudはStandard音声で月間400万文字（より高品質な音声タイプでは各100万文字）を無料で提供しています。Amazon PollyはStandard音声500万文字とNeural音声100万文字を12か月間利用可能です。Azure F0は月間50万文字を無期限でカバーし、Cartesiaには月間約27分が含まれています。OpenAIとDeepgramは代わりに新規登録時のクレジットを提供しています。

最も安価なテキスト読み上げAPIは？

ホスティング型APIの場合、OpenAIのgpt-4o-mini-ttsが1分あたり約0.015ドルで、品質を兼ね備えた最も安価な選択肢です。一方、Google CloudとAmazon Polly Standardは100万文字あたり4ドル（1分あたり約0.004ドル）です。GPUを自分で運用できる場合は、セルフホスティングのOmniVoiceが文字あたり0ドルで、必要なのは計算リソースと電気代のみです。

APIを使う代わりに、テキスト読み上げモデルをセルフホスティングできますか？

できます。OmniVoice、Piper、Kokoro、Coquiはいずれもオープンソースで、完全にローカル環境で動作します。マネージドなオンプレミス環境向けには、Azureがオフライン（エアギャップ）コンテナを、Deepgramがエンタープライズ向けのセルフホスティングを提供しています。セルフホスティングは、HIPAAへの対応、エアギャップ環境でのデータ処理、対応の少ない言語の利用、あるいは文字単位の課金が負担になるほど大量に利用する場合に検討する価値があります。

ストリーミングまたは WebSocket に対応している TTS API はどれですか？

Cartesia、Deepgram、OpenAI、ElevenLabs、PlayHT はすべてストリーミングに対応しており、中でも Cartesia と Deepgram は WebSocket ネイティブで、ライブ会話に最も適しています。OmniVoice はバッチ処理のみのため、音声を返す前にクリップ全体を合成する必要があり、リアルタイムの音声エージェントには不向きです。

OpenAIとElevenLabs、TTS APIとして優れているのはどちらか？

用途が異なります。OpenAIは価格と steerability（読み上げの指示をプロンプトで指定できる点）で優れており、既存のスタックにすでに組み込まれています。ElevenLabsは生の音声品質、より大規模なライブラリ、即時クローン機能で優れています。フルエージェントの場合は、音声エージェントプラットフォーム比較のオーケストレーションオプションとも比較してください。

TTS APIで音声をクローンするにはどうすればいい？音声サンプルの長さはどれくらい必要？

必要なクリップの長さはサービスによって異なります。ElevenLabsは任意のVoice IDから即座にクローンを作成でき、CartesiaとOmniVoiceは約3秒のサンプルが必要です。PlayHTは3〜10秒を推奨しています。Amazon Polly、Deepgram、Google Cloudはプリセット音声のみに対応しています（AzureのCustom Neural Voiceには正式な登録手続きが必要です）。

文字単価とトークン単価／分単価の違いは何ですか？

多くのTTS APIは入力テキストの文字数で課金するため、コストを予測しやすい仕組みになっています。OpenAIのgpt-4o-mini-ttsは代わりに音声出力トークン数で課金されるため、コストは元のテキストではなく生成された音声の長さに連動します。音声エージェントの場合は、公平に比較するために、どちらも1分あたりの通話時間のドル単価に換算してください。

情報源

• ElevenLabs API 料金： https://elevenlabs.io/pricing/api （2026年7月14日アクセス）
• Cartesia 料金： https://cartesia.ai/pricing （2026年7月14日アクセス）
• Deepgram 料金： https://deepgram.com/pricing （2026年7月14日アクセス）
• Amazon Polly 料金： https://aws.amazon.com/polly/pricing/ （2026年7月14日アクセス）
• OpenAI API 料金： https://developers.openai.com/api/docs/pricing （2026年7月14日アクセス）
• Google Cloud Text-to-Speech 料金： https://cloud.google.com/text-to-speech/pricing （2026年7月14日アクセス）
• Azure AI Speech 料金： https://azure.microsoft.com/en-us/pricing/details/speech/ （2026年7月14日アクセス）
• OmniVoice (k2-fsa)： https://github.com/k2-fsa/OmniVoice （2026年7月14日アクセス）
• Coval 独立系 TTS ベンチマーク： https://www.coval.ai/blog/best-text-to-speech-providers-in-2026-how-to-choose-(and-why-vendor-benchmarks-lie)/ （2026年7月14日アクセス）
• MarkTechPost、ベンチマークベースの TTS 比較： https://www.marktechpost.com/2026/05/30/best-text-to-speech-tts-models-in-2026-a-benchmark-based-comparison/ （2026年7月14日アクセス）