text to speech 料金ガイド｜課金モデル・価格相場・コスト最適化の選び方

本ページは「text to speechの料金」に特化し、文字数課金・定額制・API課金などの課金モデルと価格相場、用途別のコスト試算を整理します。各サービスの品質や機能を含めた総合比較はtext to speech 比較｜2026年版ガイドを、仕組みの基礎はtext to speechとはをご覧ください。

comparisonの詳細 → こちらの記事で解説しています。

Text to Speech料金の基本構造を理解する

料金を比較する前に、TTSサービスの課金モデルを把握しておくことが重要です。サービスによって「何に対して料金が発生するか」が根本的に異なるため、単純な価格比較では実際のコストを見誤ります。

主な課金モデルの種類

• 文字数（キャラクター）課金：入力テキストの文字数に応じて課金。最も一般的なモデルで、Google Cloud TTSやAmazon Pollyが採用。
• 音声ファイル生成数課金：生成したファイルの本数に応じて課金。月あたりN本まで無料、などのプランが多い。
• 月額定額制：月に一定額を支払い、生成可能な文字数や本数が上限として設定される。ElevenLabsやMurf AIなど中堅サービスに多い。
• API呼び出し回数課金：リクエスト数で課金。文字数よりコントロールしやすい反面、長文1件と短文1件が同額になるケースも。
• エンタープライズ（見積もり）：大量利用・カスタム音声クローン・SLA付きなど、個別見積もりが必要なプラン。

料金に影響する主な要因

用途別・規模別のコスト試算

「月にどれくらい使うか」によって最適なサービスとプランは大きく変わります。以下では代表的なユースケース別にコストを試算します。

ケース1：個人ブログ・小規模コンテンツ（月1〜5万文字程度）

月5万文字以下の個人利用であれば、Google Cloud TTSやAmazon Pollyの無料枠で十分まかなえます。ただし商用利用や高品質音声を求める場合はElevenLabsのStarterプラン（月$5）やMurf AIのBasicプランが現実的な選択肢です。

サービス	月5万文字時の概算コスト	備考
Google Cloud TTS（WaveNet）	無料（無料枠内）	商用利用可・API必要
ElevenLabs Starter	約$22/月（Creatorプラン）	感情表現が豊か
Murf AI Basic	$19/月	GUIで完結。API不要
Voicevox	無料	日本語のみ・ローカル処理

ケース2：中規模ビジネス利用（月50〜200万文字程度）

eラーニングコンテンツや企業内ナレーション、音声付き動画を定期的に制作する場合、月50〜200万文字規模になります。この規模では文字数課金型（Google・Amazon・Azure）が有利になるケースと、月額定額型のほうが予算が立てやすいケースが分かれます。

サービス	月100万文字時の概算コスト	月200万文字時の概算コスト
Google Cloud TTS（WaveNet）	無料（無料枠内）	約$16
Azure TTS（ニューラル）	約$8（無料枠50万引き後）	約$24
ElevenLabs Scale	$99/月（Proプラン・50万文字）＋超過分	$330/月（Scaleプラン・200万文字）
Amazon Polly（ニューラル）	無料（初年度12か月枠500万文字内）	約$32（有料換算）

この規模では、クラウドAPI型（Google・Amazon・Azure）のコストパフォーマンスが際立ちます。ただし、感情表現が豊かな自然な音声を求めるなら、ElevenLabsやPlayHTなど高品質モデルの定額プランも検討する価値があります。

ケース3：大規模・法人利用（月500万文字超／音声クローン含む）

音声コンテンツを大量生産する場合、独自音声（音声クローン）の作成が必要な場合、またはバーチャルヒューマンとのシステム連携が必要な場合は、エンタープライズプランの個別見積もりが前提になります。

実際の運用経験から言うと、音声クローンを活用したナレーション生成では「一度クローンを作成した後の量産コスト」と「初期クローン作成費用」を分けて試算することが重要です。初期費用が高くても、量産フェーズでのコストが従来の声優発注と比べて大幅に下がるため、年間トータルコストで評価すべきです。

音声クローン（ボイスクローン）の料金に関する注意点

近年急速に普及している音声クローン機能は、基本的なTTS料金とは別に考える必要があります。

音声クローンの料金体系パターン

音声クローンで確認すべきポイント

• 必要な録音データ量と品質：数分の音声サンプルでクローンできる軽量モデルから、数時間の高品質録音が必要なスタジオ品質モデルまで差がある
• 商用利用ライセンスの範囲：広告・商品・放送など利用用途によってライセンス条件が変わるサービスが多い
• クローン音声の所有権：生成した音声データの著作権・利用権がどちらに帰属するかを規約で必ず確認
• 更新・再学習コスト：話者の音声が変化した場合の再クローン費用が別途発生するケースがある

日本語対応品質と料金のバランス

英語圏向けのTTSサービスが多い中、日本語ナレーション用途では「日本語品質」と「料金」のバランスが特に重要です。

サービス	日本語対応	日本語品質評価	コスト感	推奨用途
Google Cloud TTS	◎ 複数話者	★★★★☆	低〜中	API連携・大量処理
Amazon Polly	○ 数話者	★★★☆☆	低	AWS連携・コスト重視
Azure TTS	◎ 複数話者・感情表現	★★★★☆	中	企業向けシステム連携
ElevenLabs	△ 限定的	★★☆☆☆	中〜高	英語コンテンツ中心
Voicevox / COEIROINK	◎ 日本語専用	★★★★☆	無料	個人・ローカル処理
CoeFont	◎ 日本語特化	★★★★★	中〜高	高品質日本語ナレーション
DeepAI TTS	◎ 日本語高品質	★★★★★	中〜高（法人向け）	音声クローン・バーチャルヒューマン連携

日本語の音声合成においては、アクセント・イントネーション・読み仮名の正確さが品質を左右します。特に固有名詞や専門用語の多いコンテンツでは、辞書登録や読み調整機能の有無が重要な選定基準になります。実際に複数のサービスでナレーション生成を行った経験から、高品質な日本語音声を安定して量産するには、単なる料金の安さだけでなく、読み誤りの少なさと修正工数も含めたトータルコストで評価することを強くお勧めします。

Text to Speech料金を最適化するための実践的なヒント

1. 無料枠を最大限に活用してから有料化する

Google Cloud TTSとAmazon Pollyはそれぞれ月100万文字・500万文字（初年度）の無料枠があります。小〜中規模の用途であればまず無料枠での検証から始め、超過した時点で有料プランを検討するのが合理的です。複数サービスの無料枠を用途別に使い分けるアプローチも有効です。

2. 文字数課金と定額制は用途で選ぶ

毎月の利用量が安定しているなら定額制（ElevenLabs・Murf AI等）が予算管理しやすく、季節変動が大きいなら従量課金（Google・Amazon・Azure）のほうが無駄が出ません。月ごとの推定文字数をざっくりと計算してから比較すると適切な選択ができます。

3. 音声品質のグレードを用途に合わせて下げる

すべてのコンテンツに最高品質の音声が必要とは限りません。社内向け通知音声には標準TTS、顧客向けコンテンツにはニューラル音声、ブランドの顔となるコンテンツには音声クローン、という使い分けでコストを最適化できます。

4. APIアクセスを使った自動化でコスト削減

大量のテキストを定期的に音声化する場合、GUIでの手動操作は工数コストがかかります。APIを使った自動パイプラインを構築することで、人件費を含めたトータルコストを大幅に下げられます。Google・Amazon・Azureはいずれも充実したAPIを提供しています。

5. 商用利用条件と出力ファイルのライセンスを必ず確認する

無料プランで生成した音声を商用コンテンツに使うとライセンス違反になるサービスが多くあります。また、生成した音声データの著作権帰属（サービス側か利用者側か）も規約で必ず確認してください。特に音声クローンで作成した音声を外部に販売・配布する場合は、利用許諾の範囲を慎重に確認する必要があります。

サービス選定のフローチャート

文字単価だけで比べない――TTS課金モデルの構造と実コスト試算

音声合成（Text to Speech）のコストを見誤る最大の原因は、料金ページの先頭に出ている「文字あたり単価」や「月額プラン」だけで比較してしまうことです。実際の請求額は、課金の単位（何をカウントするか）・音質グレード・最低利用条件・商用範囲の四つが積み重なって決まります。料金を正しく読むには、まず自社の使い方がどの課金モデルに乗るのかを見極め、その上で自分の文字量を当てはめて試算する順番が必要です。

主要な課金モデルの型

課金の考え方	カウント単位	向いているケース	見落としやすい点
従量課金（文字数ベース）	合成した文字数（または100万文字などのブロック）	生成量が月ごとに変動する用途	句読点・空白・SSMLタグをカウントに含めるかは規約次第
リクエスト単位の最低課金・端数切り上げ	基本は文字数だが、1リクエストごとに最低課金文字数や切り上げが加わる場合がある	短文を大量に生成するチャットや通知系	1回ごとの最低課金や切り上げがあると、短文を細かく分割呼び出しするほど実質の課金文字数が膨らむ
月額サブスク（上限付き）	月間の文字数・分数の枠	毎月ほぼ一定量を使う定常運用	上限超過分の追加単価と繰り越し可否
音質グレード別の単価差	標準音声か高品質（ニューラル系）か	用途ごとに音質を変えられる運用	同じ文字数でもグレードで単価が大きく変わる

同じ「1文字いくら」に見えても、カウント対象がプレーンテキストの文字数なのか、抑揚指定のSSMLタグを含めた文字数なのかで実質単価は変わります。ここは各サービスの料金ページと利用規約で必ず一次確認してください（本記事では特定サービスの数値は断定しません）。

実コストを試算する手順

• 月間の合成文字数を出す：1コンテンツあたりの平均文字数 × 月間本数。ナレーション原稿なら台本の文字数がそのまま基準になります。
• 再生成の回数を係数化する：修正や言い直しで同じ文を作り直す割合を、例えば1.2〜1.5倍などの係数として上乗せしておくと、請求が想定を超えにくくなります（係数は自社の実績から調整してください）。
• グレード比率を分ける：全量を高品質音声で作る前提にせず、「公開用は高品質・社内確認用は標準」のように比率を分けて単価を掛け分けます。
• 最低利用料と無料枠を差し引く：無料枠がある場合は月次でリセットされるか累計かを確認し、超過ぶんだけを従量単価で計算します。

この四段階で出した「月間見積り＝Σ（文字数×グレード別単価×再生成係数）－無料枠」を基準にすると、複数プランの実コストを同じ土俵で比較できます。料金の高い・安いは、この試算式に自社の数字を入れてから初めて判断できる、という順序を崩さないことが重要です。

発注前にできるコスト最適化――音声の再利用・文字数設計・グレード使い分け

TTSのコストは、契約プランを選び直す前に、生成の仕方を設計するだけで無駄を減らせる余地があります。課金は基本的に「作った文字数（または回数）」に比例するため、同じ音声を作り直さない・不要な文字を作らない・過剰な音質を使わない、の三つが実務での効きどころです。ここは料金比較記事の役割ではなく、料金を前提に運用を組む段階の話として押さえておきます。

生成音声の再利用でリクエストを減らす

• 固定フレーズはキャッシュする：定型のあいさつ・注意喚起・番号案内など変化しない文は一度合成して音声ファイルとして保存し、再利用します。毎回合成すればその都度課金されますが、保存済み音声を再生するだけなら合成（API）料金は発生しません。
• 変動部分だけ合成する：「〇〇様、お待たせしました」のような文は、固定部分を保存済み音声、氏名など変動部分だけを都度合成して連結すると、課金対象の文字数を最小化できます。
• 版管理で作り直しを防ぐ：原稿の確定前に本番音質で量産すると、修正のたびに再課金されます。テキストを確定してから最終合成する運用にすると、再生成係数そのものを下げられます。

文字数の設計とSSMLの扱い

課金が文字数ベースの場合、原稿の書き方が直接コストに響きます。過剰な繰り返しや、読み上げに不要な記述を削るだけでも合成量は減ります。抑揚やポーズを指定するSSMLは表現を豊かにしますが、タグ部分が課金文字数に含まれる場合はコスト増の要因になり得ます。SSMLを課金対象に含めるかはサービスによって扱いが異なるため、料金ページで確認し、含まれるなら「本当に必要な箇所だけタグを付ける」方針にすると安全です。

音質グレードを用途で使い分ける

用途	推奨の考え方	コスト面のねらい
公開コンテンツ（動画・広告）	高品質グレードで作る	品質優先。ただし確定原稿だけに絞る
下書き・尺確認・社内レビュー	標準グレードで仮生成	作り直し前提の工程を安い単価で回す
大量の定型通知	キャッシュ＋標準グレード	再利用で合成回数自体を削る

多くのケースで、全工程を最高品質で通す必要はありません。「確認は標準・本番は高品質」「定型は保存音声」と工程ごとにグレードと生成方法を割り当てるだけで、同じ制作量でも課金対象を絞り込めます。プランの乗り換えを検討するのは、こうした運用設計をした後の実測値をもとにするのが、最も無駄の少ない順序です。

まとめ

Text to Speechの料金は、課金モデル・音声品質・言語・商用利用権・音声クローンの有無によって大きく異なります。以下のポイントを整理して選定に臨んでください。

• 月5万文字以下の個人・小規模用途なら、Google Cloud TTS・Amazon Pollyの無料枠か、日本語特化のVoicevoxで十分。
• 月50〜200万文字の中規模ビジネス用途なら、クラウドAPI型（Google・Amazon・Azure）の従量課金がコスパ優秀。感情表現を重視するなら定額型サービスを検討。
• 日本語ナレーションの品質重視なら、CoeFont・DeepAIのような日本語特化サービスがトータルコストで有利になるケースが多い。
• 音声クローンを活用した量産なら、初期費用と量産単価を分けて年間コストで比較することが必須。
• 商用利用・ライセンス確認は必ず契約前に規約を精読する。無料プランでの商用利用はほぼ認められていない。

TTSサービスの選定は「安ければよい」ではなく、生成品質・読み誤り修正工数・ライセンス範囲・システム連携コストを含むトータルコストで判断することが重要です。まずは無料枠や試用期間を活用して実際の音声品質を確認し、自社の用途・規模・品質基準に合ったサービスを選びましょう。

関連記事

• text to speechとは
• google 音声認識 と音声合成サービス