ボイスエージェント向け低遅延Text to Speech API比較【2026年最新】

Deepgram Flux TTSは、2026年におけるボイスエージェント向け低遅延APIとして総合的に最も優れた選択肢です。公称で最速80 msという初回音声出力（TTFA）に加え、単なる高速合成にとどまらないネイティブなバージイン（割り込み）状態管理を備えているためです。Pikaは48 kHzの音声を約1.2秒で1分間分生成できますが、提供されているAPIは非同期型であり、リアルタイムストリーミング向けではないと明記されています。そのため、その見出しの数値がそのまま通話の高速化につながるわけではありません。

結論：どのAPIを選ぶべきか？

発話への割り込みや話題の変更が頻繁に発生し、エージェントが「どこまで話し終えたか」を正確に記憶しておく必要がある英語のボイスエージェントには、Deepgram Flux TTSが最適です。レイテンシーの公称値自体はこのページで最小ではありませんが、ストリーミングプロトコル側で「発話者が実際に聞いたテキスト」と「遮られたテキスト」の両方を通知できるため、割り込み発生後も会話状態を破綻なく保護できます。

透明性の高いパーセンタイル測定データと極めて高速な初動音声を最優先する場合は、**Rime Mist v3をお選びください。多言語対応力と文字単価のコスト効率を最優先する場合は、Inworld Realtime TTS-2 Flashが適しています。成熟した多言語ボイスエコシステムを重視し、高めの文字単価やテキスト正規化の設計工数を受け入れられる場合は、ElevenLabs Flash v2.5**が有力候補になります。

以下の価格情報は、2026年8月26日に各ベンダーの公式ページで確認したものです。「開始価格」は最も安価な公開エントリープランを指し、実際の本番運用コストとは異なる場合があります。

明確な判断基準はシンプルです。**「単体レイテンシーの低さよりも、割り込み処理の正確さが勝る」**ということです。候補となる2つのツールがバージイン経路を正しく処理できることを確認できたら、実際の電話回線を経由したp95初動音声を比較し、その後に実効コストと声質の適合性を評価してください。サーバーサイドの単体測定で勝っていても、ネットワーク転送、バッファリング、音声変換、あるいは割り込み処理の不具合によって、実際の通話体験で劣ってしまうケースは少なくありません。

個別コンポーネントAPIではなくパッケージ化されたプラットフォームが必要な場合は、ボイスエージェントプラットフォーム比較からご検討ください。ナレーション、アクセシビリティ、一般的なオーディオ用途が目的であれば、より広範なテキスト読み上げガイドで異なる選定基準を解説しています。

低遅延 Text to Speech APIの選定基準

本記事は、8つのAPIを同一ラボ環境で網羅測定したと主張するものではなく、検証可能な一次情報に基づいた比較です。モデル名、公開価格、プラン階層、制限事項、トランスポート仕様、公称レイテンシーの各数値は、2026年8月26日に確認した公式ページに基づいています。その上で、ボイスエージェントの実運用という観点からランキングを構成しています。

この区別は極めて重要です。各社が公表しているレイテンシーの数値は、必ずしも同じ条件を測定したものではないためです。Inworldが公開するP90初動音声バイト（TTFB）はネットワークを除外したサーバーサイドの値です。ElevenLabsが公開するレイテンシーも、アプリケーションおよびネットワークの遅延を含まないモデル単体の概算値です。Rimeは指定された同時リクエスト数におけるP50およびP90初動音声を公開した上で、リージョン間のネットワーク往復時間を別途試算しています。Deepgramは「最速80 ms」と表現し、Humeはインスタントモードにおいてモデル自体の約100 msと初動音声までの約200 msを区別しています。

これらの数値は各ベンダーのシステム内部を理解するには有用ですが、そのままベンダー間の公平なベンチマークとして横並び比較できるものではありません。

順位決定には以下の5つの基準を採用しました。

1. 初回再生可能音声（First Playable Audio）: エージェント側でテキストの準備が完了してから、通話相手に音声が届くまでの時間を評価します。ファイル全体の生成時間は評価対象外です。
2. 割り込み状態の管理（Interruption State）: 実際の通話では、発話者が割り込んできた際に、何が発話され、何が未発話で、LLMがどの文脈を保持すべきかを正確に把握できる必要があります。
3. ストリーミングトランスポート（Streaming Transport）: 永続的なWebSocket接続、段階的なテキスト入力、キャンセル処理、扱いやすい音声フォーマットの採用は、わずかなモデル処理速度の差以上に遅延を削減します。
4. 本番運用の経済性（Production Economics）: 料金ページの最も安いプランではなく、想定ボリュームにおける生成文字数やトークン数、最低利用料、階層ごとの実質請求額を基準とします。
5. 仕様上の制約（Named Walls）: 対応言語、数値の正規化、同時実行数制限、プレビュー状態、出力エンコーディング、商用利用権、ベンチマーク定義の曖昧さなど、実用上の障壁を精査します。

声質の良さも重要ですが、致命的なシステム障害の防止より優先されることはありません。いくら自然な声であっても、初動が遅れたり、口座番号を読み間違えたり、発話者を遮って話し続けたりするようでは、優れたエージェントボイスとは言えません。

1. Deepgram Flux TTS: ボイスエージェント総合1位

Deepgram Flux TTSは、ボイスエージェント向けプロトコルにおいて、割り込みを単なる停止コマンドではなく「状態の変化」として扱う設計になっている点で、総合的に最も強力な選択肢です。

DeepgramのGAリリース記録では最速80 msの初動音声が公表されていますが、実運用上より価値があるのは2026年8月12日の一般提供（GA）に伴い実装された機能です。稼働中のWebSocket上でInterruptメッセージを送信すると、現在のターンがキャンセルされます。その結果として返されるSpeechInterruptedイベントには、text_spoken（発話済みテキスト）とtext_remaining（未発話テキスト）が含まれています。これにより、エージェントはプレイヤーの経過時間を推測することなく、通話者が実際に耳にした内容に基づいてメモリを更新できます。

たとえば、残高案内エージェントが「お客様の口座残高は二千八百……」と話し始めたところで、通話者が支払いに関する質問を挟んできたとします。一般的なキャンセルコマンドでは波形の再生を止めることしかできず、LLM側は残高の全文を伝え終えたと認識したままになる恐れがあります。Fluxはこの境界を明示的にアプリケーションへ返すため、会話状態を正しく修復できます。その結果、情報の無用な繰り返しや矛盾した応答が減り、再生管理の独自実装にかかる負担も大幅に軽減されます。

さらにFluxは、v2 Speak WebSocketを通じてターンをまたいだ会話コンテキストを保持できます。クレームを受けた後にトーンを落ち着かせたり、度重なる割り込みの後に簡潔な応答へ切り替えたりする際に効果的です。各行を孤立した音声クリップとして処理するナレーション用モデルと比べて、マルチターンの通話に遥かに適しています。

主な制約は対応範囲にあります。GA時点のカタログは7つのアクセントを含む英語36音声のみです。広範な多言語展開が求められる場合、InworldやElevenLabsが優先されます。また、デフォルトのVoice Agent連携ではコンテナやビットレート指定のない生のlinear16、mulaw、alaw形式でストリーミングされます。これらは電話回線には最適ですが、MP3、Opus、FLAC、AAC、WAVなどを前提としているチームは設計を変更するか、Auraモデルを検討する必要があります。

最適な用途: 頻繁な割り込みが発生する英語のカスタマーサービス、予約受付、リード選別、サポート窓口。
特筆点: 割り込み後に発話済みテキストと未発話テキストをネイティブに返却。
価格: 2026年9月12日までFluxは無料。9月13日以降、標準のPay As You Goは1,000文字あたり$0.0450、Growthは$0.0405。
無料トライアル: あり。Pay As You Goには最低利用料なし・有効期限なしの$200クレジットが付属。

Deepgramの料金体系（現行プラン一覧）

Deepgramの公式料金ページには3つの商用ルートがあります。Pay As You Goは$200クレジットから開始でき、最大45のTTS RESTまたはWebSocket接続をサポートします。Growthは年間$4,000の前払いクレジット制で、TTS同時接続数の上限が60に引き上げられます。Enterpriseは大規模ボリューム、プライベートデプロイ、データ保護、専任サポート向けのカスタムプランです。

モデル別の価格設定も重要です。Fluxのプロモーション終了後、Pay As You Goは1,000文字あたり$0.0450、Growthは$0.0405となります。Aura-2はそれぞれ$0.030と$0.027、Aura-1は$0.0150と$0.0135です。安価なAuraシリーズは双方向性の低いオーディオには適していますが、Fluxのような会話に特化したネイティブな割り込み制御機能は備えていません。

実践的なFluxセットアップ手順

1. 1

   ライブトランスポートを確立する

   エージェントをv2 Speak WebSocketに接続し、会話中はその接続を維持します。文ごとに個別のバッチリクエストを発行しないでください。

2. 2

   電話網に適したエンコーディングを選択する

   下流のオーディオパイプラインに合わせてlinear16、mulaw、alawを選択します。電話通信事業者がこれらのフォーマットを直接受け入れられる場合、ホットパス内での変換処理を省略できます。

3. 3

   発話可能なチャンク単位でテキストをストリーミングする

   LLMが出力を生成するたびに、完全な節（節単位）で送信します。節単位で渡すことで、段落全体の完了を待つことなく、自然なイントネーションに必要な文脈を音声モデルに与えられます。

4. 4

   割り込みをメモリの更新として処理する

   通話者が割り込んできたらInterruptを送信します。会話状態内の予定されていたアシスタント応答をtext_spokenで上書きし、次のLLM応答を生成する前にtext_remainingを破棄します。

5. 5

   通話者が実際に耳にする遅延を測定する

   テキスト準備完了時刻、初回バイト受信時刻、初動フレームのキュー投入時刻、初動フレームの再生開始時刻をログに記録します。ベンダーの最良ケースの数値を過信せず、p95の最も遅いボトルネックを最適化してください。

総評: 割り込み発生後も会話の正確性を保護できるプロトコルを備えている点で、Deepgramが本ランキングのトップです。多言語対応が必須である場合や、文字単価が最大の制約となる場合は、他の選択肢を検討してください。

2. Rime Mist v3: 透明性の高い低遅延ベンチマークに最適

Rime Mist v3は、意思決定に最も役立つ詳細なレイテンシーデータを公開している点で2位に位置付けられます。

Rimeのレイテンシードキュメントによると、Mist v3の初動音声時間は同時リクエスト数1件の環境でP50が37 ms、P90が56 msと報告されています。同時リクエスト数が12件に増加しても、公称値は37 msおよび56 msを維持しています。同ページではCodaの数値も比較可能で、1リクエスト時にP50が96 ms、P90が98 ms、12リクエスト時には150 msおよび181 msまで増加することが示されています。

単一の最良値ではなく、負荷条件下でのテイルレイテンシーまで開示されている点は非常に有用です。ただし、これがエンドツーエンドの通話遅延そのものを表しているわけではありません。Rimeは、最寄りのリージョンを使用した場合、米国本土の大半で一般的なネットワーク往復により25〜50 msが加算され、離れた海岸線を経由するルートでは60〜85 msが加算されると説明しています。メディアサーバー、オーディオバッファ、電話回線の遅延はさらにその後に続きます。

Mistは速度重視、Codaはメタデータの豊富さと多言語対応を重視したモデルです。Mistは英語、フランス語、ドイツ語、スペイン語の4言語と94種類の音声をサポートしています。Codaは商用8言語と184種類の音声をサポートします。どちらもHTTPおよびWebSocketでのストリーミングに対応していますが、Codaが単語レベルのタイムスタンプを提供するのに対し、Mistは提供していません。再生位置の厳密な同期に単語境界のメタデータが必要なアプリケーションでは、MistのTTFAの優位性よりもこの仕様差が影響する可能性があります。

最適な用途: パーセンタイル単位の遅延データを把握し、Mistの対応4言語内で運用できるチーム。
特筆点: 同時リクエスト数1件および12件におけるP50・P90 TTFAの公開。
価格: Mist v3は1,000文字あたり$0.03、Codaは1,000文字あたり$0.05。
無料トライアル: あり（ただしRimeの公式ページ内で提供分数に関する記載の相違あり）。

Rimeの料金体系（現行プラン一覧）

StarterはMistが1,000文字あたり$0.03、Codaが$0.05で、クレジットカード登録不要、TTS同時生成数は最大20件です。Enterpriseはカスタムプランで、同時生成数無制限、カスタム音声クローン無制限、SLA、専任サポート、クラウド・オンプレミス・VPCデプロイに対応します。

なお、同ページ内のStarterプラン案内には「約800分無料」と記載されている一方、FAQ内には「3,000分の無料時間」との記述が見られます。登録クレジットが存在すること自体は確認されていますが、正確な付与量については自身のアカウント残高を確認するか、Rimeによる修正を待つ必要があります。本番スケールでは軽微な差異ですが、正確な料金検証を行う上では留意すべき点です。

総評: Rime Mistは本ランキング随一の速度特化型モデルです。通話フローにおいて簡潔な割り込みメタデータで十分であり、実際のリージョン環境でパーセンタイル測定の優位性が実証された場合にのみ、Deepgramを上回る選択肢となります。

3. Inworld Realtime TTS-2 Flash: グローバル展開と文字コストで首位

Inworld Realtime TTS-2 Flashは、公開オンデマンド料金において、多言語ボイスエージェント向けに最も優れた経済性を誇ります。

Inworldの公式TTSページでは、初動音声バイトまでのP90時間として、Flashが20 ms、より表現力豊かなTTS-2が150 msと公表されています。これらの数値はネットワーク遅延を含まないサーバーサイドの測定値であるため、Rimeのクラウド全体試算やHumeの標準初動数値と直接並べて比較することはできません。ただし、InworldがWebSocketを介した即時ストリーミングを念頭にFlashを設計しており、適切にルーティングされた通話においてモデル側の処理がボトルネックになりにくいことは確かです。

より決定的な差別化要素は対応言語数です。Inworldは200以上の言語に対応し、わずか5〜15秒の音声サンプルからそれらの言語全体にわたる音声クローンを作成できます。言語ごとに異なるベンダーや音声を採用することなく、市場全体で単一のブランドアイデンティティを維持したいサポート窓口には極めて魅力的です。

コスト面でのメリットも顕著です。オンデマンド利用時のFlashは100万文字あたり$15であり、Rime Mistの100万文字あたり$30、プロモーション終了後のDeepgram Fluxの$45、ElevenLabs Flashの$50と比較しても大幅に安価です。後述する5,000万文字のシナリオでは、ボリュームディスカウント前の公開料金で月額$750に収まります。

トレードオフとなるのは料金構造の複雑さです。Inworldは月額クレジット、モデル別の消費レート、6段階のプラン、異なる同時実行数上限を採用しています。コミットしたクレジットが実際の使用量を下回る場合、単価が安くても請求総額が抑えられるとは限りません。割引率に惑わされず、実際の想定消費量に合わせて適切なプランを選択してください。

最適な用途: 大規模な多言語エージェント運用、および複数言語間で同一の音声アイデンティティを維持したいケース。
特筆点: 200以上の対応言語、WebSocketストリーミング、100万文字あたり$15というオンデマンドFlashの圧倒的低価格。
価格: 無料から開始可能。Flashの料金はOn-Demandの100万文字あたり$15から、Enterpriseでは$5未満まで低下。
無料トライアル: あり。On-Demandプランには最大70分のTTSが含まれる。

Inworldの料金体系（現行プラン一覧）

Inworldの公式料金ページでは、クレジットを使用してTTS、STT、LLMの各利用料をカバーします。

• On-Demand: 無料で開始可能。最大70分のTTSを含み、Flashは100万文字あたり$15、TTS-2は$25、同時リクエスト数は最大5件。
• Creator: 月額$25（クレジット付与）。Flashは100万文字あたり$10、TTS-2は$20、同時リクエスト数は最大10件。
• Builder: 月額$100（クレジット付与）。Flashは100万文字あたり$9、TTS-2は$17.50、同時リクエスト数は最大50件。
• Developer: 月額$300（クレジット付与）。Flashは100万文字あたり$8、TTS-2は$15、同時リクエスト数は最大150件。
• Growth: 月額$1,500（クレジット付与）。Flashは100万文字あたり$7、TTS-2は$12.50、同時リクエスト数は最大500件。
• Enterprise: カスタムプラン。TTS-2は100万文字あたり最安$5、Flashは$5未満、同時リクエスト数もカスタム対応。

Inworldの試算ツールは、生成1分あたり約1,000文字を想定しています。初期の予算算出にはこの基準を用い、その後実際のプロンプトから得られる実測文字数に置き換えてください。簡潔な督促エージェントと丁寧な家庭教師エージェントでは、1分あたりの消費文字数は大きく異なります。

総評: グローバル展開が必須である場合や、文字あたりの支出が経営上の重要課題である場合は、Inworldが第1候補になります。一方、ネイティブな割り込み管理によって価格差以上の開発コストと会話破綻リスクを回避できる英語通話においては、依然としてDeepgramが優勢です。

4. ElevenLabs Flash v2.5: 成熟した多言語エコシステムに最適

ElevenLabs Flash v2.5は、音声バリエーションの豊富さ、多言語運用実績、使い慣れたAPIエコシステムを総合的に求める場合に最も手堅い選択肢です。

ElevenLabsのモデルドキュメントでは、Flash v2.5のモデルレイテンシーは約75 ms（アプリケーションおよびネットワークの遅延を除く）と公表されています。32言語に対応し、リクエストあたりの文字数上限は40,000文字です。ボイスエージェント開発において実用的な強みとなるのは、単一の数値の優秀さだけではなく、低遅延設計、幅広い言語サポート、確立された音声管理機能、そして公開された従量課金体系のバランスの良さにあります。

注意すべき重大な仕様上の壁はテキスト正規化にあります。Flashモデルではレイテンシーを最優先するため、デフォルトで数値の正規化が無効化されています。そのため、電話番号、日付、通貨単位などが、通話者の意図しない形で読み上げられる可能性があります。Enterprise契約者はv2.5で正規化を有効化できますが、それ以外のユーザーはTTSにテキストを渡す前に、LLM側でこれらの表記を読み上げ通りに正規化しておく必要があります。

これは特殊なケースではありません。サポートエージェントは日常的に注文ID、日付、金額、住所、認証コード、電話番号を発話します。日付文字列が意図通りに分解されず、ひと続きの巨大な数値として読み上げられてしまっては、どれほど高速に生成されても実用に耐えません。正規化処理は直前の場当たり的な修正ではなく、プロンプト設計とテストスイートに最初から組み込んでおく必要があります。

本記事における位置付けとして、ElevenLabsは商用関係ではなく実運用上の評価に基づき4位としています。成熟した多言語音声ワークフローを重視するチームには有力な選択肢ですが、割り込み状態の管理、透明性の高いパーセンタイル開示、あるいは文字単価の安さを最重視する場合は上位3ツールに軍配が上がります。

最適な用途: 実績ある音声エコシステムと簡潔なAPI調達フローを重視する多言語プロダクト。
特筆点: 32言語をカバーし、約75 msのモデルレイテンシーを公表。
価格: FlashおよびTurboは1,000文字あたり$0.05。
無料トライアル: あり。Free / Pay As You Goプランには20,000文字分のFlashまたはTurbo利用枠が付属。

ElevenLabsの料金体系（現行プラン一覧）

ElevenLabsの公式API料金ページには以下のプランが記載されています。

• Free / Pay As You Go: $0（20,000文字分のFlashまたはTurbo枠を含む）。
• Starter: 月額$6（120,000文字を含む）。
• Creator: 月額$22（初月$11、440,000文字を含む）。
• Pro: 月額$99（1,980,000文字を含む）。
• Scale: 月額$299（5,980,000文字を含む）。
• Business: 月額$990（19,800,000文字を含む）。
• Enterprise: カスタム対応。

Flashの追加文字レートは、表示されている各APIプランで一律1,000文字あたり$0.05となっています。そのため、プラン選択は文字単価の割引ではなく、月間に含まれる基本文字数、アカウント機能、運用上限の違いによって判断することになります。

総評: ElevenLabsは信頼性の高い堅実な選択肢ですが、無条件の1位ではありません。音声運用の成熟度と多言語の扱いやすさが文字コストの差を正当化できる場合に採用し、テキスト正規化の事前処理をリリース必須条件として組み込んでください。

5. Cartesia Sonic-3.6: 永続的なWebSocketコンテキスト制御に最適

Cartesia Sonic-3.6は、明示的なWebSocketコンテキスト管理、キャンセル処理、タイムスタンプイベントの制御を重視する開発者に最適な選択肢です。

Cartesiaの最新料金表にはSonic-3.6の名称が明記されています。同社のWebSocket APIはコンテキスト識別子（Context ID）に対応しており、同一接続内でコンテキストのキャンセルや、単語・音素レベルのタイムスタンプ応答を受け取ることができます。これは、エージェントが複数の節をストリーミングしつつ、特定の発話だけを正確に停止させたり、再生位置の細かなメタデータを取得したりする際に極めて有効です。

客観的な留意点として、今回検証したSonic-3.6の公開ドキュメント上には具体的なTTFA数値の記載が見当たりませんでした。旧バージョンのSonicで公表されていた遅延数値を、3.6へそのまま流用して評価するべきではありません。優れたトランスポート設計を備えているものの、現行モデルにおける明確なレイテンシー基準が開示されていない点が順位に影響しています。

料金体系はクレジット制を採用しており、公開ページは年払い表記が基準となっています。記載されている分数表記はあくまで概算値であるため、初期見積もりには有用ですが、契約前には実測消費量に基づく精査が必要です。

最適な用途: コンテキストID、キャンセル制御、タイムスタンプ詳細情報を必要とする開発者。
特筆点: 単語および音素レベルのタイムスタンプと、明示的なコンテキストキャンセル機能。
価格: 無料プラン（約27分）から開始可能。年払い時の有料プランは月額$4から。
無料トライアル: あり。Freeプランには月間20,000クレジット（TTS約27分相当）が含まれる。

Cartesiaの料金体系（現行プラン一覧）

• Free: 月額$0、TTS約27分、同時リクエスト数は最大2件。
• Pro: 年払い時で月額$4、約133分、同時リクエスト数は最大3件。
• Startup: 年払い時で月額$39、約1,667分、同時リクエスト数は最大5件。
• Scale: 年払い時で月額$239、約10,667分、同時リクエスト数は最大15件。
• Enterprise: カスタムクレジット、エージェント利用枠、ボリュームディスカウント、カスタム同時実行数。

Cartesiaのモデル名と料金体系は導入検討に足る情報が揃っていますが、レイテンシーの数値に関してはSonic-3.6に特化した公称値が不足しています。実際の運用リージョンで独自の比較テストを行い、その実力を確かめる必要があります。

総評: Cartesiaはトランスポート設計を最優先する開発現場にとって有力な候補です。ただし、過去バージョンの数値を鵜呑みにせず、実際のp95環境下で上位候補と比較測定した上で採用を決定してください。

6. Hume Octave 2: 豊かな対話表現力に特化

Hume Octave 2は、単なる応答速度だけでなく、感情の機微を捉えた人間らしい表現力が求められるボイスエージェントに最適な特化型モデルです。

HumeのOctaveドキュメントでは、Octave 2は現在プレビュー版として提供されています。Humeが公開している数値では、ネットワークを除いたモデル自体のレイテンシーは約100 msですが、インスタントモードにおける初動音声の標準的な準備完了時間は、負荷や入力の複雑さに応じて約200 msとされています。この2つの数値は測定基準が異なり、後者のほうが実際のアプリケーションが体感する遅延に近くなります。

プレビュー期間中、英語、日本語、韓国語、スペイン語、フランス語、ポルトガル語、イタリア語、ドイツ語、ロシア語、ヒンディー語、アラビア語をサポートしています。わずか15秒の音声サンプルからのクローニングも可能です。APIはHTTPストリーミング出力、双方向WebSocketストリーミング、非ストリーミング応答をサポートしています。

本ランキングにおいてHumeを採用する理由は、文脈の意味や感情に合わせた発話表現力にあります。コーチング、会話パートナー、あるいはデリケートなカスタマーケアなど、声の抑揚や間が体験価値を大きく左右するユースケースで真価を発揮します。単なる予約リマインダー通知のような業務であれば、この表現力に対してコストを支払う必要性は低いと言えます。

最適な用途: コーチング、コンパニオン、メンタルヘルス支援、キャラクター会話など、発話トーンが成果を左右する用途。
特筆点: Octave 2プレビューにおける約100 msのモデルレイテンシーと豊かな表現合成。
価格: 無料枠（約10分）から開始可能。有料プランはEnterprise未満で月額$3から$500。
無料トライアル: あり。Freeプランには10,000文字と1同時接続が含まれる。

Humeの料金体系（現行プラン一覧）

• Free: 月額$0、10,000文字（約10分相当）、毎分15リクエスト、同時接続数は最大1件。
• Starter: 月額$3、30,000文字（約30分相当）、毎分15リクエスト、同時接続数は最大5件。
• Creator: 月額$14（初月$7）、140,000文字（約140分相当）、超過分は1,000文字あたり$0.15、毎分75リクエスト、同時接続数は最大5件。
• Pro: 月額$70、100万文字（約1,000分相当）、超過分は1,000文字あたり$0.12、毎分75リクエスト、同時接続数は最大10件。
• Scale: 月額$200、3.3M文字（3,300,000文字・約3,300分相当）、超過分は1,000文字あたり$0.10、毎分150リクエスト、同時接続数は最大20件。
• Business: 月額$500、1,000万文字（約10,000分相当）、超過分は1,000文字あたり$0.05、毎分225リクエスト、同時接続数は最大30件。
• Enterprise: 利用量、レートリミット、同時接続数のカスタム対応。

料金設定は初期検証には手頃ですが、Creatorプランの超過単価などはやや割高です。大規模運用向けのBusinessプランに達して初めて、超過1,000文字あたり$0.05というElevenLabs Flashと同等の水準になりますが、月額固定費として$500が必要となります。

総評: Humeは純粋な速度競争で勝つツールではなく、その必要もありません。機械的でフラットな低遅延音声では達成できない、感情に寄り添う対話によってユーザーの継続率や信頼を獲得したい場合に選定してください。

7. Gradium: 欧州・米国の音声スタック統合に最適

Gradiumは、TTSとSTTの単一ベンダー集約、リージョン間の自動ルーティング、予測しやすいパッケージプランを重視する開発現場に適した現実的な選択肢です。

GradiumのAPIリファレンスは、RESTとWebSocketの音声エンドポイントをサポートしています。リクエストは単一のAPIホスト名に送信され、最も近いEUまたはUSのクラスターへ自動的にルーティングされます。Gradiumは、EUのトラフィックは欧州内で、米国のトラフィックは米国内で処理されると明記しています。これにより、本来であれば個別のエンドポイント切り替えが必要となるリージョン最適化アーキテクチャを簡素化できます。

課金形態は単純な文字単価ではなく月間クレジット制です。TTS文字1文字につき1クレジットを消費し、約45,000文字を音声1時間分と換算しています。同一アカウント内で文字起こしや翻訳を併用する場合には魅力的ですが、TTSのみを運用する場合はコスト比較がやや複雑になります。

利用開始時の重要な注意点は商用利用権です。FreeプランにはAPIアクセスと約1時間のTTSが含まれますが、商用利用は禁止されています。商用運用を行うには、月額$13のXSプラン以上が必要です。

最適な用途: 合成と文字起こしを単一のリージョン対応ベンダーでまとめたいプロダクト。
特筆点: 単一APIホスト名によるEUおよびUSクラスターへの自動ルーティング。
価格: 非商用は無料。商用プランは月額$13から。
無料トライアル: あり。Freeプランには45,000クレジット（TTS約1時間相当）、最大2同時接続が含まれる。

Gradiumの料金体系（現行プラン一覧）

• Free: 月額$0、45,000クレジット（TTS約1時間）、同時接続数は最大2件、APIアクセスあり、商用利用不可。
• XS: 月額$13、225,000クレジット（TTS約5時間）、同時接続数は最大5件、商用利用可能。
• S: 月額$43、900,000クレジット（TTS約20時間）、同時接続数は最大5件、商用利用可能。
• M: 月額$340、900万クレジット（TTS約200時間）、同時接続数は最大10件、商用利用可能。
• L: 月額$1,615、4,500万クレジット（TTS約1,000時間）、同時接続数は最大15件、商用利用可能。
• Enterprise: カスタム対応（無制限のクレジット、TTS、カスタム同時接続数）。

追加の100,000クレジットパックは、XSで$6.90、Sで$5.00、Mで$4.00、Lで$3.80です。大きなプランにコミットするほど超過単価が下がる仕組みですが、実効単価は利用率に依存します。

総評: Gradiumはレイテンシーのベンチマーク覇者ではなく、音声スタック統合を目的とした選択肢です。リージョンごとのデータ処理や単一ベンダー運用のメリットが、特化型ツールのミリ秒単位の優位性を上回る場合に選定してください。

8. OpenAI GPT-4o Mini TTS: 既存のOpenAIスタックとの統合に最適

OpenAI GPT-4o Mini TTSは、すでにOpenAI APIを中心に標準化されているプロダクトにとって、統合の容易さを最優先できる選択肢です。

本モデルは公式音声エンドポイントを通じてテキストを受け取り、音声を生成します。音声ストリーミングやServer-Sent Events（SSE）に対応し、13種類の組み込み音声およびカスタム音声IDを提供、MP3、Opus、AAC、FLAC、WAV、PCMの各フォーマットを出力できます。再生速度は0.25から4.0の範囲で変更可能です。

欠落している情報は、公式な最新TTFAの数値です。OpenAIのモデルページには具体的な数値が記載されていないため、ドキュメントの記載のみを根拠に低遅延の筆頭として評価することはできません。それでも本稿に含めているのは、エンドポイントがストリーミングに対応しており、既存のプロバイダー、APIキー管理、監視基盤、調達契約をそのまま再利用できる利便性に大きな実用価値があるためです。

料金体系も文字単位の直接比較には馴染みません。OpenAIは入力テキスト100万トークンあたり$0.60、出力音声100万トークンあたり$12を請求します。一般的な運用では妥当な水準に収まりますが、公開文字レートの単純計算ではなく、トークン消費の実測値に基づいて見積もる必要があります。モデルページには入力トークン上限として2,000トークンが記載されています。

最適な用途: すでにOpenAIを活用しており、文書化された遅延記録よりもプロバイダーの統一を優先するチーム。
特筆点: 柔軟な音声フォーマット、ストリーミング方式、音声指示プロンプト、プロバイダー集約。
価格: 入力テキスト100万トークンあたり$0.60 + 出力音声100万トークンあたり$12。
無料トライアル: なし。本モデルはFree利用枠をサポートしていません。

OpenAIの使用ティア（現行制限一覧）

公式GPT-4o Mini TTSモデルページにはFree枠の記載はありません。Tier 1は毎分500リクエスト・50,000トークン、Tier 2は毎分2,000リクエスト・150,000トークン、Tier 3は毎分5,000リクエスト・600,000トークン、Tier 4は毎分10,000リクエスト・2,000,000トークン、Tier 5は毎分10,000リクエスト・8,000,000トークンまで許可されます。

これらは月額定額プランではなく、APIの利用上限（レートリミット）です。評価の要点は、トークン従量の音声利用料とスタック共通化の手軽さが、特化型ベンダーの明確な文字単価や高度な対話割り込みプロトコルを上回るかどうかです。

総評: ベンダー境界を減らせる場合は候補に残すべきです。ただし、実際の電話回線を経由したテストで遅延の短さが証明されるまでは、最速の選択肢と見なすべきではありません。

音声生成50,000分あたりのコスト試算

最も公平な予算比較を行うため、一般的な文字換算基準と公開オンデマンド料金を用いて試算します。Inworldの価格ページが採用している「1分あたり約1,000文字」という基準を適用すると、音声生成50,000分は5,000万文字に相当します。これは想定シナリオであり、請求額を保証するものではありません。

このボリュームにおける月額費用は以下の通りです。

• Inworld Flash（On-Demand）: 100万文字あたり$15の計算で月額$750
• Rime Mist v3: 1,000文字あたり$0.03の計算で月額$1,500
• Deepgram Flux（Pay As You Go）: プロモーション終了後の1,000文字あたり$0.045の計算で月額$2,250
• ElevenLabs Flash: 1,000文字あたり$0.05の計算で月額$2,500

この差額を単なるベンダー選定の結論に直結させてはいけません。安価な音声を採用しても、再入電が増えたり、口座番号の誤読が発生したり、割り込み制御の独自開発に何週間も費やすことになれば、削減分以上の損失を被る恐れがあります。逆に、業務上の明確なメリットを測定しないまま、馴染みのあるベンダーの高額なプレミアムを支払い続けるのも合理的ではありません。

本試算には3つの前提条件があります。第1に、1分あたりの文字数は言語、発話速度、句読点によって変動します。第2に、有料クレジットプランへの加入によって最低支払額が発生する一方、利用単価が下がる場合があります。第3に、大規模なエンタープライズ割引は個別見積もりとなります。年間のコミットメント契約を結ぶ前に、実際のエージェントのトランスクリプトを1週間分収集し、文字数とトークン数を計測してください。

状況別の最適な選択

英語対応で十分であり、通話者からの割り込みが日常的に発生する場合は、Deepgram Flux TTSを選んでください。割り込み時に発話状態を正確に通知できる機能は、他のあらゆる仕様を覆すほどの決定打となります。

透明性の高いパーセンタイル数値が不可欠であり、対応4言語でローンチ要件を満たせ、単語タイムスタンプが不要な場合は、Rime Mist v3が適しています。ネットワーク遅延がモデルの優位性を帳消しにしてしまわないよう、メディアサーバーを通話者の近くに配置してください。

同一エージェントで多数の言語市場をカバーする必要がある場合や、生成文字コストがTTS選定の最大の制約となる場合は、Inworld TTS-2 Flashが最適です。公開オンデマンド料金は、50,000分の試算シナリオにおいて最も財務的な余裕を生み出します。

実績ある多言語音声運用体制を求め、無料枠から上位プランへの移行をスムーズに行いたい組織には、ElevenLabs Flash v2.5が適しています。ただし、合成前に数値、日付、通貨、識別コード、住所などを必ず正規化してください。

コンテキストのキャンセルや、単語・音素の精密なタイミング管理を再生アーキテクチャに組み込む場合は、Cartesia Sonic-3.6を選択してください。現行のモデルページにはTTFAの確定値が記載されていないため、実環境での再測定を前提としてください。

単なる情報伝達にとどまらず、感情豊かな発話がプロダクトの価値そのものである場合は、Hume Octave 2を選定してください。表現力の差が明確なビジネス成果につながる場合に限り、プレビュー版の採用リスクとやや長めの初動音声を受け入れる価値があります。

TTSとSTTの請求を一本化し、EU・USへの自動ルーティングを活用してリージョン運用の手間を削減したい場合は、Gradiumが適しています。無料枠は非商用に限られるため、商用プロトタイプを作成する場合はXSプラン以上から開始してください。

別ベンダーの追加を避け、管理を一元化するメリットが専用ツールの遅延ドキュメントよりも勝る場合は、OpenAI GPT-4o Mini TTSが有力です。使い慣れたベンダーだからといって低遅延であると思い込まず、必ず測定を行ってください。

選定に迷った際は、次の問いを投げかけてみてください。**「重要な事実を伝えている最中に通話者が割り込んできた場合、システムはどう振る舞うか？」**もし「クライアント側でどこまで再生されたか推測する」という回答になるのであれば、声質の好みを議論する前にその課題を解決してください。

低遅延エージェント用途では避けるべき選択肢

Pika Speech: 高速な一括生成だが、対話ストリーミングには不向き

Pika Speechはナレーションや音声クローニングとしては優れたシステムですが、現在提供されているAPIは低遅延リアルタイムエージェント向けではありません。

Pikaの2026年8月18日のリリースでは、ローカルで実行された3分間のテストにおいてRTF（リアルタイムファクター）0.02を記録したと報告されています。長文ベンチマーク環境では、1分間の音声を約1.2秒で生成できます。モデルは48 kHzの音声を出力し、5秒の参照音声からクローンを作成可能で、1リクエストあたり最大5分の音声を処理できます。

これはファイル全体の一括生成（スループット）としては極めて優秀です。しかし、通話相手の耳に最初の1拍が素早く届くことの証明にはなりません。

Pika Speech APIの公式ドキュメントの「対象外の用途（Not for）」には、リアルタイムストリーミング合成が明確に記載されています。POSTリクエストはジョブをキューに登録するのみであり、クライアント側は完了までポーリングを繰り返す必要があります。ベンダーのベンチマーク表には2026年8月14日時点で生成1分あたり$0.01と記載されており、一括ナレーション作成には魅力的ですが、この非同期仕様により対話型エージェントの候補からは除外されます。

最適な用途: ナレーション、ボイスオーバー、高速なファイル単位の音声生成。
特筆点: 長文ベンチマーク下において、1分間の音声を約1.2秒で生成。
価格: 2026年8月のベンダーベンチマーク表にて生成1分あたり$0.01と記載。
無料トライアル: 確認したモデルページおよびリリース情報には記載なし。

総評: 現時点でのPikaはキュー型の音声生成ジョブに使用してください。公開APIが測定可能な初動音声境界を備えた本格的なストリーミングをサポートした段階で、リアルタイム用途として再評価してください。

「完全無料・無制限」を本番の前提にしないこと

複数のプロバイダーが無料クレジットや月間無料枠を提供しています。しかし、検証したページの中に、本番環境に耐えうる低遅延TTSを完全無料で無制限に提供すると約束しているベンダーは存在しません。無料プランには、非商用制限、同時実行数の制限、サポートの欠如、少量の文字枠といった制約が必ず伴います。

プロトタイプが動作した後の有料化パスをあらかじめ予算化しておかなければ、サービスのスケール自体が運用上のトラブルに発展してしまいます。

速度が最重要制約である場合に高品質・表現力重視モデルを選ばないこと

大半のベンダーは、高速な会話型モデルと、表現力重視または長文向けのモデルを明確に分けて提供しています。低遅延が求められる通話では、ElevenLabsの低速モデルではなくFlashを、RimeではCodaではなくMistを、InworldではTTS-2ではなくFlashを選択してください。電話回線や通話シナリオで活かしきれない過剰な音質のために、余計なレイテンシーを支払うべきではありません。

次の月曜日に取るべきアクション

来週の月曜日に、Deepgram Flux、Rime Mist、Inworld Flash、ElevenLabs Flashの4つを対象とした5シナリオの比較テスト（Bakeoff）を実施してください。すべての候補に対して、同一のLLM出力、メディアサーバー、リージョン、電話キャリア、音声エンコーディング、再生バッファを使用します。

テストする5つのシナリオは、それぞれ異なる障害パターンをあぶり出すように設計します。

1. 初動音声の遅延を浮き彫りにする「短い挨拶」。
2. 文の途中で発話を遮る「長い回答への割り込み」。
3. 人名、8月の日付、金額、電話番号、確認コードを含む「数値・固有表現のターン」。
4. チャンクサイズが不揃いな「ストリーミングLLM応答」。
5. リリース時のピーク想定に達する「同時アクセスバースト」。

テキスト準備完了時刻、初回バイト受信時刻、初動フレームのキュー投入時刻、初動フレームの再生開始時刻、p50 TTFA、p95 TTFA、割り込み処理の正確性、そして通話者が実際に聞き取ったテキストを記録してください。声質の好みや発音の自然さを評価するのは、すべての候補がレイテンシーとバージインの必須基準をクリアした後に限ります。

その上で、本番導入時に実際に契約するプランの料金階層に、測定された生成文字数を当てはめて計算します。現場で下すべき判断は「どのデモが最も良く聞こえるか？」ではありません。「割り込み可能で正確な通話を、最も低い月額トータルコストで実現できるツールはどれか？」を見極めることです。

英語圏の要件を満たせるなら、割り込み状態を維持できるDeepgramが既定の選択肢となります。多言語対応が必須ならInworldとElevenLabsの比較から始めてください。初動音声の絶対的な短さを追求するならRimeを最終候補に残します。ベンダーの宣伝文句を何週間も比較し続けるよりも、1日かけて厳格な実測を行うほうが遥かに価値があります。

よくある質問（FAQ）

最も優れたTTS APIは何ですか？

英語のボイスエージェントにおいては、Deepgram Flux TTSが総合的に最も優れています。公表されている初動音声の短さに加え、ネイティブな割り込み状態管理を備えているためです。200以上の多言語対応や公開文字単価の安さを最重視する場合はInworldが適しており、純粋なレイテンシーの測定精度ではRimeが優れています。

無料で利用できる低遅延Text to Speech APIはありますか？

はい。Deepgramは$200のPay As You Goクレジットを提供しており、2026年9月12日までFluxのプロモーションを実施しています。InworldのOn-Demandには最大70分のTTSが含まれ、ElevenLabsは20,000文字のFlash利用枠、Cartesiaは約27分、Humeは約10分、Gradiumは非商用利用に限り約1時間を無料で提供しています。これらはプロトタイプ検証用の枠であり、無制限に使える本番向け無料プランではありません。

最も安価なTTS APIは何ですか？

5,000万文字（約50,000分）の共通シナリオにおいて、文字課金制の4候補の中で最も安価なのはInworld Flash（On-Demand）で、月額$750です。ただし、エンタープライズ割引、最低クレジット契約、言語比率、実際の1分あたり文字数によって順位は変動するため、契約前に実際の会話ログを用いて試算してください。

最も優れたローカル向けTTSモデルは何ですか？

ローカルまたはセルフホストでのモデル運用は、マネージドAPIとは調達基準が異なります。Deepgram FluxやRimeはプライベートデプロイの手段を提供していますが、最適な選択肢は所有するハードウェア、同時接続数、ライセンス条件、インフラ運用能力に依存します。本番で使用する予定のハードウェア環境上で、初動音声とリアルタイムファクター（RTF）を直接ベンチマークしてください。

低遅延TTS APIはAndroidでも動作しますか？

はい、動作します。ベンダーのAPIキーはバックエンド側で保持し、生成された音声をバックエンドからAndroidクライアントへストリーミングした上で、端末側での初動再生時刻を測定してください。アプリ内に秘密鍵を埋め込むのは危険である上、モバイル環境ではバッファリングや通信状態がプロバイダーのモデル遅延以上に影響を及ぼすことがあります。

ビジネスオーナー向けAIツールマップを見ると、一から調査をやり直すことなく、エージェントスタックを構成する他のツールを比較検討できます。