テキスト読み上げおすすめ7選【2026年】：料金・用途別に徹底比較

Speechifyは、聴く用途のテキスト読み上げアプリとして最有力です。ただし、$29のPremiumを契約しても商用配信の権利は得られません。文書を中心に使うなら年額$79のNaturalReader、公開できる音声を制作するなら$6のElevenLabs、ソフトウェアへ音声を組み込むならAmazon PollyまたはGoogle Cloudが有力です。

最初に決めるべきなのは、デモで最も心地よく聞こえる声ではありません。生成した音声を何に使うかです。

読み上げアプリは、PDF、Webページ、メール、本を耳で聴ける形にします。制作スタジオは、台本を編集・公開可能な音声に仕上げます。音声APIは、製品内でテキストを音声へ変換します。いずれも音声合成エンジンを使いますが、料金、利用権、確認工程、つまずきやすい点はそれぞれ異なります。

以下のプラン、利用枠、モデル、上限はすべて、各社の公開ページで2026年7月29日に確認しました。料金と仕様を検証・分析した比較であり、有料アカウントを実際に使用した、または統一条件の試聴テストで音質を検証したという意味ではありません。

テキスト読み上げツールおすすめ7選を一覧比較

画面上にある文章を聴くなら、Speechifyが第一候補です。PDFやスキャン文書、学校での導入、年間コストを重視するなら、洗練されたデバイス間連携よりNaturalReaderが向いています。クライアント動画、講座、オーディオブック、キャンペーン素材として公開するなら、ElevenLabsを選びます。

音声をソフトウェア内で自動生成する場合に限り、APIが候補になります。コストの基準として分かりやすいのはAmazon Pollyです。Google Cloudは$4のStandard／WaveNet音声から$160のStudio音声まで、最も幅広い選択肢を揃えています。Azureは企業が大口利用を確約できる場合に検討価値があります。「落ち着いて、慎重に、抑制の利いた切迫感を込めて」のような指示が従来型の音声設定より重要なら、OpenAIが有力です。

音声読み上げサービスの比較対象と評価基準

この7製品を選んだのは、それぞれが異なる購入判断に最適だからです。順位は次の6項目で決めました。

1. 入力ワークフロー： Webページ、PDF、スキャン、長い台本、アプリケーションの応答など、手元の素材をそのまま扱えるか。
2. 演出： 発音、速度、感情、強調、一貫性を調整できるか。それとも声を選んで再生するだけか。
3. 利用権： 選んだプランが個人視聴、商用公開、製品利用のどこまでを許可しているか。
4. 課金単位： 単語、文字、クレジット、テキストトークン、音声トークン、月間利用枠のどれで計算されるか。
5. 出力ワークフロー： 編集、書き出し、レビュー、共同作業まで含むか。それとも音声ファイルを返すだけか。
6. 限界点： 個人利用限定ライセンス、共有クレジット、モデル別の倍率、最低契約量、不透明な価格など、妥当だったプランが割に合わなくなる条件は何か。

「text to speech」という言葉は、読み上げアプリ、制作スタジオ、APIのいずれを探すときにも使われます。そのため、候補には3種類を意図的に混在させていますが、同じ製品だとは見なしていません。音声数だけを売り文句にしているもの、価格を検証できないもの、曖昧な音質表現しかないものは除外しました。

音質そのものは順位付けしていません。信頼できる試聴比較には、全サービスで同じ台本、言語、音声タイプ、音量、出力形式、演出指示、採点基準が必要です。トップページのデモだけでは、長文での一貫性、発音精度、厳しい編集に耐えられるかを判断できません。そこで、検証可能なワークフロー、利用権、操作項目、上限、コストを評価の根拠にしました。

1. 聴くためのテキスト読み上げアプリならSpeechify

すでにある素材を一日を通して聴きたい場合、配信可能な音声ファイルを制作するのではなく、Speechifyが最も使いやすい第一候補です。

Readerは、文書、クラウドファイル、スキャン資料、対応デバイス上のテキストといった、日常的な読書素材を扱えます。Premiumでは60を超える言語の1,000種類以上の音声、最大5倍速の再生、Scan & Listen、要約、チャットに加え、Google Drive、Dropbox、Microsoft OneDriveとの連携が利用できます。スタジオのタイムラインで素材を作り直さなくても、ノートPCで読んでいた記事を通勤中にスマートフォンで聴き続けやすい構成です。

決定的な制約は音質ではなく利用権です。Speechifyの公開利用ポリシーでは、許可なくReaderアカウントを商用配信に使うことはできません。公開用途には別製品のSpeechify Studioを使います。

最適な用途： 本、PDF、記事、メール、クラウド文書を複数デバイスで聴く
最大の強み： この7製品で最も分かりやすい、読書を中心にしたワークフロー
料金： Reader Free $0、Reader Premium $29/月、Studio Free $0、Studio Starter $19/月、Studio Creator $49/月
無料トライアル： ReaderとStudioの両方に継続利用できる無料プランあり

Speechify ReaderとStudioの全プラン

Reader料金ページには、次の2プランが掲載されています。

• Reader Free： $0。最大1.5倍速、基本音声10種類、対応環境をまたいだ視聴、テキスト読み上げ機能のみ。
• Reader Premium： $29/月。1,000種類以上の音声、60を超える言語、最大5倍速、Scan & Listen、要約、チャット、クラウドドライブ連携、音声入力、ポッドキャスト、Voice AI Assistantを利用できます。

Speechifyの利用ポリシーには、料金表にない重要な数字があります。Premium契約者には、2026年12月31日まで毎月1,000,000 Premium Voiceワードが保証されます。この一時的な拡張枠より下の契約上の基準は月150,000ワードです。利用量は毎月リセットされます。

個人で聴くには十分余裕があります。ただし、Readerが音声制作向けのライセンスになるわけではありません。

Studio料金ページには、Readerとは別に次の3プランが掲載されています。

• Studio Free： $0、600 Studioクレジット。1,000種類以上の音声、Voiceover Studio、Dubbing Studio、Voice Changerを利用できます。音声クローンと商用利用権は含まれません。
• Studio Starter： $19/月、7,200 Studioクレジット。音声クローン、ストックメディア、ボイスオーバー、吹き替え、Voice Changer、商用利用権を含みます。
• Studio Creator： $49/月、28,800 Studioクレジット。Starterの全機能を含みます。

Studioでは、作業の種類ごとにクレジット消費率が異なります。Voiceoverは1秒あたり1クレジット、Dubbingは3、Avatar生成は30です。変更のない音声の再書き出しは無料ですが、台本を新しくしたり、ピッチ、速度、感情表現を変えたりすると再生成となり、再びクレジットを消費します。

PDF読み上げを確かめる再現可能な手順

料金を払う前に、自分の素材で第一候補の実力を簡単に確かめられるべきです。整えられたデモではなく、実際の用途を代表するファイルを1つ使います。

1. 1

   ファイルより先に用途を決める

   自分だけで聴くならReaderを開きます。音声を誰かに渡す、ストリーミングする、販売する、公開する予定があるなら、そこで止めてStudioなどの商用製品を開いてください。

2. 2

   処理しにくい素材を使う

   見出し、略語、表、少なくとも1つのスキャン要素を含むPDFまたはWebページを選びます。きれいな1段落だけでは、読み上げアプリの実力はほとんど分かりません。

3. 3

   聴き取りやすい速度に合わせる

   まず通常速度で再生し、理解が落ち始める直前まで少しずつ上げます。Premiumは最大5倍速に対応しますが、最高速度は機能上の上限であって、標準設定に適しているとは限りません。

4. 4

   声だけでなく移動のしやすさを確認する

   見出し間を移動し、一時停止して別のデバイスで再開し、クラウドファイルやスキャン資料の扱いを確認します。Readerの価値は、1文だけを印象的に読むことではなく、文書内をスムーズに読み進められることにあります。

5. 5

   書き出す前に利用権を確認する

   出来上がった音声を公開物や有料素材に使うことになったら、台本をStudioへ移します。$29/月を支払っていても、Reader Premiumは個人視聴向けの製品です。

Speechifyを選ぶ価値があるケース

デバイスをまたいで読書を続け、2026年の1,000,000ワード枠を活用でき、操作の手間を減らす価値が月額料金を上回るなら、Speechifyは$29/月に見合います。文書を行き来する弁護士、移動中にレポートを読む創業者、アクセシビリティ支援を必要とする読者なら、この利便性を正当化できます。

一方、1台のパソコンでたまにPDFをアップロードする程度なら割高です。公表されている月額を12か月支払うと、別途用意される年間割引を考慮する前で$348です。NaturalReaderはLiteが$79/年、Plusが$119、Proが$159です。この差を埋めるだけの価値を、ワークフローが生み出せるかで判断してください。

2. 文書向け読み上げソフトならNaturalReaderが最も割安

ファイル、OCR、注釈、学校への導入、年間料金を重視し、ブランドとしての滑らかなデバイス間体験を最優先しないなら、NaturalReaderのほうが賢い選択です。

PersonalアプリはPDF、EPUB、DOCX、PPTX、Numbers、Pagesのファイルに対応しています。有料プランでは、画像やスキャン内の文字を機械で扱えるテキストに変換するOCRに加え、Pronunciation Editor、注釈、AI Smart Filter、MP3変換を利用できます。表、ページ番号、ヘッダー、フッターまで読み上げると、有用な文書でも聴くのが苦痛になります。そうした不要部分を除けるため、Smart Filterは実用上重要です。

NaturalReader最大の強みは、購入時に最も誤解しやすい点でもあります。PersonalとCommercialは別製品です。有料のMP3書き出しを含め、Personalの出力は全プランで個人利用に限定されます。

最適な用途： 文書中心の個人視聴、OCR、教育機関への導入
最大の強み： Speechify Premiumを月払いするより安い年間料金で使える、充実した文書ワークフロー
料金： Personal Free、Lite $13.90/月または$79/年、Commercial Starter $29/月または$198/年
無料トライアル： Personalの無料プランに加え、Commercialは1日10,000サンプル文字

NaturalReader Personalの全プラン

NaturalReaderのPersonal料金ページと音声上限ページには、すべてのプランが掲載されています。

• Free： $0。Free Voicesは無制限、Lite Voiceは1日20,000文字、Plus VoiceとCloned Voiceの共有枠は1日4,000文字です。MP3変換とOCRは使えません。
• Lite： $13.90/月または$79/年。Lite Voiceの視聴は無制限、Lite VoiceのMP3は月100万文字。OCR、一般的な文書形式、Pronunciation Editor、注釈、Smart Filter、AI機能を含みます。音声クローン、Plus Voices、Pro Voicesは含まれません。
• Plus： $20.90/月または$119/年。Plus VoiceとCloned Voiceの視聴共有枠が1日500,000文字、MP3共有枠が月100万文字となり、最大2種類のクローン音声を追加できます。
• Pro： $25.90/月または$159/年。Pro VoicesとReading Stylesが加わります。Plus、Cloned、Pro Voicesを合わせた視聴共有枠は1日500,000文字、MP3共有枠は月100万文字です。

年間料金の差は明快です。公表されている$29の月額でSpeechify Premiumを12か月使うと$348になります。NaturalReader Liteはそれより$269、Plusは$229、Proは$189安くなります。ワークフロー次第ではSpeechifyが勝ちますが、その利便性に支払う年間コストは明確です。

NaturalReaderの教育機関向け全プラン

NaturalReaderには、年払いのEDUグループプランが2種類あります。

• Premium EDU： 1〜5ユーザーは$199、6〜10は$299、11〜20は$399、21〜30は$499、31〜40は$555、41〜50は$599。50ユーザーを超える場合は、1ユーザーあたり年$12からです。
• Plus EDU： 1〜5ユーザーは$299、6〜10は$499、11〜20は$899、21〜30は$1,200、31〜40は$1,400、41〜50は$1,500。50ユーザーを超える場合は、1ユーザーあたり年$25からです。
• Site license： 在籍者2,000人以上の学校向けで、料金は個別見積もりです。

EDUではProを選べません。Premium EDUにはPlus VoicesとPro Voicesが含まれません。Plus EDUではPlus VoiceとCloned Voiceを使えますが、Pro Voicesは対象外です。

コンテンツ制作ではなく読書支援が要件なら、教育機関にはこちらが有力です。ただし、教育用途でも利用権の境界は変わりません。Personalはあくまで個人視聴向けです。

NaturalReader Commercialの全プラン

配信する音声には、別製品のNaturalReader Commercialを使います。無料ユーザーは1日最大10,000文字を試せます。現在のCommercialプランは次のとおりです。

• Starter： 1ユーザーあたり月$29、または年$198。年払いでは月$16.50相当です。月500,000クレジットを含みます。
• Creator： 1ユーザーあたり月$49、または年$297。年払いでは月$24.75相当です。月200万クレジットを含みます。
• Team： 1ユーザーあたり月$33、または年$192。年払いでは月$16相当です。最低2ユーザーが必要で、1ユーザーあたり月200万共有クレジットを含みます。

Commercialの全有料プランには、商用ライセンス付き音声、Gemini、OpenAI、Azure、ElevenLabsの音声モデル、Prompt Control、90を超える言語、最大4種類のクローン音声、Script Assistant、Pronunciation Editor、44.1 kHzのMP3／WAVダウンロードが含まれます。

見落としやすいコストがクレジット倍率です。Gemini、OpenAI、Azure、Google Chirp HD、旧世代の音声は1文字につき1クレジット、ElevenLabs Turboは10、ElevenLabs HDは20を消費します。

つまり、Starterの500,000クレジットで生成できる量は次のように変わります。

• 1クレジットの音声なら500,000文字
• ElevenLabs Turboなら50,000文字
• ElevenLabs HDなら25,000文字

CreatorとTeamは200万クレジットです。同じ3種類の倍率を当てはめると、それぞれ200万、200,000、100,000文字になります。

NaturalReaderを選ばないほうがよいケース

商用出力が必要ならNaturalReader Personalは避けます。どのモデルでも一定の分かりやすい文字課金を求めるなら、NaturalReader Commercialは向きません。文書操作よりスマートフォンへの滑らかな引き継ぎが重要で、Speechifyとの年間差額が気にならないなら、NaturalReader全体を候補から外して構いません。

NaturalReaderが強いのは、入力文書そのものが扱いにくい場合です。最初から整った台本があり、演技の方向付けが必要な案件では魅力が薄れます。

3. 公開用ナレーションのテキスト読み上げならElevenLabs

音声をただ聴くのではなく、演出し、書き出し、公開する必要があるなら、制作ツールとして最も有力なのはElevenLabsです。

Starterは$6/月で、ここまでに紹介したプランの中では、商用ライセンス、Instant Voice Cloning、Dubbing Studioを初めて同時に利用できます。CreatorではProfessional Voice Cloning、ProではAPI経由の44.1 kHz PCMと192 kbps音声が加わります。ブラウザ上のスタジオからAPIまでを1つの基盤でカバーするため、購入初日から両方を別々に構築する必要がありません。

この幅広さが最大の制約にもなります。テキスト読み上げ、音声認識、音楽、効果音、ボイスチェンジ、音声分離、吹き替えは、すべて1つの共有クレジット枠を消費します。ナレーション121分と表示されるプランでも、同じアカウントで吹き替えや再生成を行えば、実際に使える時間は短くなります。

最適な用途： ナレーション、オーディオブック、講座、ブランド動画、吹き替え、演出を加える音声素材
最大の強み： 月$6から商用制作を始められる
料金： Free $0、Starter $6、Creator $22、Pro $99、Scale $299、Business $990、Enterpriseは個別見積もり
無料トライアル： 10,000クレジット、TTS約10分を含むFreeプラン

ElevenLabsの全プラン

公開中の料金ページには、次のプランが掲載されています。

• Free： $0/月、10,000クレジット、TTS約10分、Studioプロジェクト3件。
• Starter： $6/月、30,000クレジット、TTS約30分、商用ライセンス、Instant Voice Cloning、Studioプロジェクト20件、音楽の商用利用、Dubbing Studio。
• Creator： $22/月、初月は$11。121,000クレジット、TTS約121分、Professional Voice Cloning、追加クレジット。
• Pro： $99/月、600,000クレジット、TTS約600分、APIでの44.1 kHz PCM出力、192 kbps音声。
• Scale： $299/月、180万クレジット、TTS約1,800分、ワークスペース3席、チーム共同作業、Professional Voice Clone 3種類。
• Business： $990/月、600万クレジット、TTS約6,000分、10席、Professional Voice Clone 10種類、最低$0.05/分と記載された低遅延TTS。
• Enterprise： 料金、クレジット、席数は個別設定。カスタムDPA／SLA条件、HIPAA BAA、カスタムSSO、同時実行数の引き上げ、マネージド吹き替え、ボリューム割引、優先サポートを含みます。

年払いでは10か月分相当の請求になります。月額換算するとStarterは$5、Creatorは$18.33、Proは$82.50、Scaleは$249.17、Businessは$825です。

有料プランの未使用クレジットは最長2か月、月間割当量の2倍まで繰り越せます。当月分を加えると、残高は月間割当量の3倍まで保有できます。Freeのクレジットは繰り越せません。

Starter以降では、画面上に示された収録時間あたりの単純な契約コストがほぼ同じ帯に収まります。Starterは収録1分あたり$0.20、Creatorは約$0.18、Pro、Scale、Businessは約$0.17です。同じクレジット枠を別のElevenLabs製品が消費する分は含みません。

音声向けに編集する前後で台本はどう変わるか

目で読む文章と耳で聴く文章では役割が違います。文字なら、括弧、情報量の多い列挙、スラッシュ、URL、視覚的な階層があっても、立ち止まって見直せます。音声は流れた瞬間に消えていきます。

架空の商品紹介を例にします。

文章版： Studioコレクションには、bone、cobalt、mossの3色から選べるAtlas chair、Arc lamp、Field tableがあります。

耳で理解しやすい形では、音声上の構造を明確にします。

音声版： Studioコレクションをご紹介します。最初はAtlas chair。次にArc lamp。最後はField tableです。色はbone、cobalt、mossからお選びください。

後者は、文章として高度なのではありません。意味のまとまりを短くし、順序を言葉で示し、列挙の途中で聴き手が迷う余地を減らしています。そのうえで、表記から発音を判断しにくいブランド名、商品名、人名、専門用語は発音辞書に登録します。

磨き上げられたデモでは見えないのが、この編集品質です。声が説得力を持っていても、長い台本が聴きやすいとは限りません。

公開できるナレーションに仕上げる手順

1. 耳で聴くために台本を整える。 視覚的な列挙は、順序が耳で分かる形に分解します。生のURL、説明のない略語、括弧内の補足は置き換えます。
2. 発音を固定する。 長文を生成する前に、ブランド名、人名、頭字語、専門用語を発音ワークフローへ登録します。
3. 代表的な短い箇所を生成する。 列挙、感情の切り替わり、難しい名前を1つずつ含めます。簡単な冒頭文の確認だけに全利用枠を使わないでください。
4. 台本と照合して確認する。 欠落、誤発音、不自然な強調、息継ぎのない速さ、意味を変えてしまうトーンがないかを聴きます。
5. 利用権を確認してから書き出す。 ElevenLabsで商用ライセンスが明記される最初のプランはStarterです。元となる声の同意は、契約とは別に必要です。

Murf、Hume、Speechify Studio、WellSaid、Respeecher、Cartesia、Inworldなどの制作スタジオを詳しく比較する場合は、AI音声ジェネレーター購入ガイドをご覧ください。

4. 予算を立てやすい音声APIならAmazon Polly

オンデマンド音声が必要な製品で、チームにAWSサービスの運用経験があるなら、コスト基準として最も分かりやすいのがAmazon Pollyです。

文字数で課金され、生成音声は追加のPolly料金なしでキャッシュして繰り返し再生できます。Speech Marksを使えば、ハイライト表示やアニメーションとの同期に必要なタイミング情報も取得できます。単なる音声ファイル生成より広い用途に使えますが、あくまで基盤サービスです。Reader、タイムライン、編集レビュー、配信の仕組みは自社で用意します。

最適な用途： 文字単位の予測しやすい料金とAWS運用を必要とするアプリケーション
最大の強み： 100万文字あたり$4〜$100という明快な料金体系
料金： Standard $4、Neural $16、Generative $30、Long-Form $100／100万文字
無料トライアル： AWS無料枠は音声クラスごとに異なる

Amazon Pollyの全音声クラスと無料枠

Polly料金ページには、有料の4クラスが掲載されています。

• Standard： 100万文字あたり$4。
• Neural： 100万文字あたり$16。
• Generative： 100万文字あたり$30。
• Long-Form： 100万文字あたり$100。

無料枠は次のとおりです。

• Standardは月500万文字
• Neuralは最初の12か月、月100万文字
• Generativeは最初の12か月、月100,000文字
• Long-Formは最初の12か月、月500,000文字

AWSの例では、100万文字を約23時間8分の音声として計算しています。この規模で4クラスの料金は$4、$16、$30、$100です。ストレージ、配信、アプリケーションコード、監視、人によるレビューは別途必要です。

Amazon Pollyが向いているケース

コストの予測しやすさとAWS連携を自然言語による演出指示より重視するなら、Pollyが適しています。通知、記事、教材、ステータス更新を読み上げる製品なら、音声クラスを選ぶ前に文字数を基準に予算化できます。

編集者が普段の言葉で演技を指示したい、タイムライン上で共同作業したい、感覚的な判断で何度も録り直したい場合は不向きです。そうした作業では、安価なAPIを使っても社内ツールの構築プロジェクトになります。

5. API料金の選択肢が最も広いGoogle Cloud Text-to-Speech

低価格の旧世代音声、現行のChirp音声、Instant Custom Voice、高価格帯のStudio音声、プロンプトで演出できるGemini-TTSまで、1社で選びたいならGoogle Cloud Text-to-Speechが最も適した基盤です。

ここまで幅広い課金方式を揃えるAPIは、ほかにありません。文字課金の音声は100万文字あたり$4から$160までです。Gemini-TTSはテキスト入力トークンと音声出力トークンを別々に課金します。その幅は強みですが、「Google TTSはXドル」と単一価格で語れない理由にもなっています。

最適な用途： Google Cloud内で複数の音声モデルクラスを使いたいチーム
最大の強み： $4のStandardから$160のStudio、トークン課金のGemini-TTSまで揃う最も広い料金体系
料金： 100万文字あたり$4〜$160、またはGemini-TTSのトークン課金
無料トライアル： 無料利用分はモデルごとに異なり、Gemini-TTSとInstant Custom Voiceには記載なし

Googleテキスト読み上げの現行料金一覧

Googleの公開料金ページでは、Gemini-TTS、現行TTSモデル、旧世代モデルが分けられています。

Gemini-TTS

• Gemini 2.5 Flash TTSおよびGemini 2.5 Flash-Lite Preview TTS： 無料枠なし。テキスト入力100万トークンあたり$0.50、音声出力100万トークンあたり$10。
• Gemini 3.1 Flash TTS Preview： 無料枠なし。テキスト入力100万トークンあたり$1、音声出力100万トークンあたり$20。
• Gemini 2.5 Pro TTS： 無料枠なし。テキスト入力100万トークンあたり$1、音声出力100万トークンあたり$20。

この料金体系では、Googleは1音声トークンを1/25秒と定義しています。そのため、出力時間がコストに直接影響します。

現行の文字課金モデル

• Chirp 3 HD： 100万文字まで無料、その後は100万文字あたり$30。
• Instant Custom Voice： 無料枠なし、100万文字あたり$60。

旧世代の文字課金モデル

• WaveNet： 400万文字まで無料、その後は100万文字あたり$4。
• Standard： 400万文字まで無料、その後は100万文字あたり$4。
• Neural2： 100万文字まで無料、その後は100万文字あたり$16。
• Polyglot Preview： 100万文字まで無料、その後は100万文字あたり$16。
• Studio： 100万文字まで無料、その後は100万文字あたり$160。

$160というStudioの料金は誤差ではありません。$4のStandardの40倍です。制作量をこのプランへ振り分ける前に、同じ台本で試聴し、チームにとって明確な違いがあるかを確認すべきです。

どの条件で最適なモデルが変わるか

コストと無料枠を優先するならStandardまたはWaveNetを選びます。$16の価格帯を許容でき、対象の言語と音声要件に現行ニューラルクラスが合うならNeural2です。$30に見合う品質が得られるならChirp 3 HDを選びます。Instant Custom Voiceは、同意取得やレビューまで含めても、独自の声に100万文字あたり$60を払う価値がある場合に限ります。

Gemini-TTSは別の購入判断です。プロンプトで話し方を調整したいときに役立ちますが、トークン課金のため文字課金とは直接比較しにくくなります。台本の長さだけでなく、出力時間を基準に予算を組んでください。

6. Microsoft環境で大口利用するならAzure AI Speech

組織がすでにAzure経由で調達しており、大量の文字数を確約できるなら、Azure AI Speechが候補になります。オンデマンド料金が最安だから選ぶ製品ではありません。

オンデマンドのStandard NeuralおよびNeural HD Flashは、100万文字あたり$15です。Amazon PollyまたはGoogle Cloudの$4のStandard料金に対して3.75倍になります。利用確約で差は縮まりますが、公表されている最初の契約枠は8,000万文字からです。

最適な用途： 調達面の交渉力があり、大量かつ予測可能な利用があるAzure採用組織
最大の強み： 利用確約により実効単価が100万文字あたり$15から最低$7.50まで下がる
料金： F0は無料、Standardは100万文字あたり$15、利用確約は$960から
無料トライアル： F0はNeural音声を月50万文字まで利用可能

Azure TTSの主要プラン一覧

Azure AI Speech料金ページには、次の料金が掲載されています。

• Free F0： Neural Text to Speechを月50万文字。
• Standard S0： NeuralおよびNeural HD Flashのリアルタイム／バッチ合成は、100万文字あたり$15。
• Professional Custom Voice： Standard合成は100万文字あたり$24、Neural HD合成は$48。トレーニングはコンピューティング1時間あたり$52で、1回の上限は$936。エンドポイントのホスティングは1モデル1時間あたり$4.04。
• 8,000万文字の利用確約： $960、100万文字あたり$12相当。
• 4億文字の利用確約： $3,900、100万文字あたり$9.75相当。
• 20億文字の利用確約： $15,000、100万文字あたり$7.50相当。

オンデマンドで比べると単純です。Azure Standardの$15は、AWS NeuralおよびGoogle Neural2の$16に近く、両社の$4のStandardクラスとは異なります。

カスタム音声では事情が変わります。Professional Custom Voiceのエンドポイントを30日、720時間連続でホスティングすると、1文字も合成する前に$2,908.80かかります。承認済みのブランド音声を大量に使うなら合理的な場合がありますが、たまにナレーションを作るだけなら無駄が大きくなります。

Azureが向いているケース

音声機能が既存のMicrosoftアーキテクチャに入り、調達部門がすでにAzure契約を持ち、利用確約を消化できるほど需要を予測できるならAzureが適しています。承認済みProfessional Custom Voiceの導入費用も明確に計算できます。

オンデマンドの最安料金を求める小規模製品や、クラウド基盤ではなく編集画面が必要なクリエイターには向きません。

7. プロンプトで演出する音声APIならOpenAI GPT-4o mini TTS

自然言語の指示に沿って話し方を変えたい場合、トークン課金を受け入れられるチームにとって最も直接的なAPIの選択肢がOpenAI GPT-4o mini TTSです。

アクセント、感情の幅、イントネーション、物まね、話す速度、トーン、ささやき声を指示できます。Audio APIの出力形式はMP3、Opus、AAC、FLAC、WAV、PCMで、最速の応答にはWAVまたはPCMが推奨されています。OpenAIは、声が人間ではなくAIによる生成であることを明確に開示するよう求めています。

難点はコストを比較しにくいことです。GPT-4o mini TTSでは、テキスト入力トークンと音声出力トークンが別々に課金されます。同じ台本でも、ゆっくり、または長く話せば出力コストが変わります。「100万文字あたり」へ換算するには、文字課金APIでは不要な仮定を置かなければなりません。

最適な用途： アプリケーション内でプロンプトにより演出する音声
最大の強み： 自然言語の指示で話し方を調整できる
料金： テキスト入力100万トークンあたり$0.60、音声出力100万トークンあたり$12
無料トライアル： APIのFree tierは非対応

現行料金、上限、音声の選択肢

GPT-4o mini TTSモデルページには、次の仕様が掲載されています。

• テキスト入力： 100万トークンあたり$0.60
• 音声出力： 100万トークンあたり$12
• 最大入力： 2,000トークン
• 無料利用枠： 非対応

テキスト読み上げガイドでは、GPT-4o mini TTSを最新かつ最も信頼性の高いテキスト読み上げモデルとしています。最高品質を求める場合はmarinまたはcedarを推奨しています。

同じ公開ページには、注意すべきドキュメント上の矛盾があります。冒頭ではAudio APIに組み込み音声が11種類あると説明していますが、詳細リストにはalloy、ash、ballad、coral、echo、fable、nova、onyx、sage、shimmer、verse、marin、cedarの13種類が並んでいます。音声を選ぶときは列挙されたリストを基準にし、冒頭の数は更新されていない記述として扱います。

カスタム音声を使えるのは対象顧客に限られます。作成時には同意録音と、それとは別のサンプル録音が必要です。1つの組織が作成できるカスタム音声は最大20種類です。

プロンプトで音声を演出する具体的な手順

1. 1

   現行モデルを選ぶ

   gpt-4o-mini-ttsを使用します。1回のリクエストを、文書化されている2,000入力トークン以内に収めてください。

2. 2

   演出より先に音声を選ぶ

   最高品質としてOpenAIが推奨する2つの音声、marinまたはcedarから始めます。演出指示を変える間は、音声を固定してください。

3. 3

   演出指示を1つ作る

   「落ち着いた自信のある声で、適度な速さを保ち、感情は抑えめにして、各セクション見出しの後に短い間を置いてください」のように簡潔に指示します。これは演出の指定であり、生成結果を示すものではありません。

4. 4

   編集しやすい出力形式を使う

   編集タイムラインへ入れるならWAV、低遅延アプリケーションで生のサンプルを扱えるならPCMを選びます。一般的な配信ではMP3がデフォルトです。

5. 5

   開示して確認する

   AIが生成した声であると聴き手に伝えたうえで、承認済みの台本と照合し、欠落、発音、強調、意味を確認します。

このモデルはエンジンとしてすぐに製品へ組み込めますが、編集システム一式ではありません。台本管理、再試行ロジック、保存、再生、レビュー、開示の仕組みはアプリケーション側に必要です。

100万文字の音声合成にかかる料金

文字課金のAPIは単位が変わらないため、同じ条件で比較できます。

• $4： Amazon Polly Standard、Google Standard、Google WaveNet
• $7.50： Azure、20億文字の利用確約
• $9.75： Azure、4億文字の利用確約
• $12： Azure、8,000万文字の利用確約
• $15： Azure Standardのオンデマンド
• $16： Amazon Polly Neural、Google Neural2、Google Polyglot Preview
• $24： Azure Professional Custom Voiceの合成
• $30： Amazon Polly Generative、Google Chirp 3 HD
• $48： Azure Professional Custom Voice Neural HDの合成
• $60： Google Instant Custom Voice
• $100： Amazon Polly Long-Form
• $160： Google Studio

$4の価格帯はコストの基準であり、自動的に音質でも勝るわけではありません。Google Studioの$160はその40倍です。この差額を正当化するには、同じ台本を使った統一条件の試聴で明確な利点を確認する必要があります。

OpenAIとGemini-TTSは、テキスト入力トークンと音声出力トークンで課金されるため、この比較表には入りません。出力時間や話し方によって音声側の使用量が変わります。トークン化と発話時間の前提を固定せずに1文字あたりへ換算すると、実態以上の精密さを装うことになります。

Readerと制作スタジオの料金も別の尺度で考えます。

• Speechify Premiumを公表月額$29で12か月使うと$348です。別途用意される年間割引は含みません。
• NaturalReaderはLiteが$79/年、Plusが$119、Proが$159です。
• ElevenLabsの収録1分あたりの契約コストは、Starterの$0.20からCreatorの約$0.18、Pro、Scale、Businessの約$0.17へ下がります。別製品が共有クレジットを消費する分は含みません。
• NaturalReader CommercialのStarterは、選んだ音声が1文字20クレジットの場合、500,000文字の枠が25,000文字まで減ります。

用途別に選ぶべきテキスト読み上げツール

判断基準は、聴く、公開する、組み込むの3つです。

聴くならSpeechifyです。 複数デバイスで素材を引き継げて、NaturalReaderとの年間差額よりも$29/月の利便性に価値がある場合に向いています。ファイル、OCR、注釈、EDU導入、コストを優先するとNaturalReaderが上回ります。

扱いにくい文書ならNaturalReaderです。 Freeでも役立ち、LiteではOCRとMP3変換、Plus／Proでは音声の選択肢が増えます。音声を配信することになった時点で、別の製品へ切り替える必要があります。その場合はNaturalReader Commercialまたは制作スタジオを使います。

公開するならElevenLabsです。 Starterは、商用ライセンス、Instant Voice Cloning、スタジオを低コストで揃える最も分かりやすい入口です。Speechifyの制作ワークフローをすでに好んでいるならSpeechify Studioへ、製品規模で音声を自動生成するならクラウドAPIへ切り替えます。

安く予測可能な形で組み込むならAmazon Pollyです。 AWSを使うチームにとっての基準になります。より幅広いモデル体系が必要ならGoogle、Microsoftの調達契約と大量利用の確約があるならAzure、自然言語による演出が決め手ならOpenAIへ切り替えます。

モデルの幅で選ぶならGoogle Cloudです。 StandardとWaveNetが$4、Neural2が$16、Chirpが$30、Studioが$160の価格帯をカバーします。その幅広さによって調達や評価の手間が価値を上回るなら、別のAPIが適しています。

大量利用を確約できる企業ならAzureです。 オンデマンドのStandardは$15で、低価格の選択肢ではありません。8,000万、4億、20億文字を確約できるほど条件が良くなります。

アプリ内でプロンプトによる演出を行うならOpenAIです。 話し方の指示自体が製品機能になる場合に強みを発揮します。柔軟な演出より単価の予測しやすさが重要なら、文字課金のAPIへ切り替えます。

避けるべき製品・プラン

以下の製品やプランが常に悪いわけではありません。特定の条件では購入すべきでない、という意味です。

商用出力にSpeechify ReaderとNaturalReader Personalを使わないでください。 どちらも音声を生成できますが、有料のReaderを契約しても、個人視聴の音声を商用配信できるようにはなりません。

商用利用権が明記されていない無料の制作プランは、クライアント案件に使わないでください。 Speechify Studio Freeには商用利用権がありません。ElevenLabsではStarterから商用ライセンスが加わります。無料プランで制作工程を試せても、公開許可を得たことにはなりません。

価格の透明性が判断条件ならPlayHTは保留です。 必要な事実を確定した時点で、公式料金URLから利用可能な公開中の料金表を取得できませんでした。商用製品の比較で、その空白をキャッシュされた第三者価格で埋めるべきではありません。

Murfはクリエイティブ制作スタジオとして比較してください。 現行ページにはFree、年$228で請求される$19/月のCreator、年$792で請求される$66/月のBusiness、Enterpriseが掲載されています。文書Readerではなく、AI音声ジェネレーターガイドでほかの制作スタジオと比較するほうが適切です。

音声数だけで選ばないでください。 Speechifyは1,000種類以上、OpenAIは13種類の名称を掲載し、クラウド各社は単一のライブラリ数ではなくモデル群を提供しています。どの数字も、発音、長文の一貫性、自分の台本との相性を証明するものではありません。

許可の記録なしにカスタム音声を導入しないでください。 OpenAIでは、カスタム音声に同意録音と別のサンプルが必要です。どのプロバイダーでも同じ運用基準を採用し、元音声の所有者、クローン音声に言わせてよい内容、使用場所、許可の終了時期を記録してください。

よくある質問

無料で使えるおすすめのテキスト読み上げツールは？

この7製品で、無料の文書Readerとして最も優れているのはNaturalReaderです。Freeには基本音声の無制限利用、Lite Voiceの1日20,000文字、Plus VoiceとCloned Voiceの共有枠1日4,000文字が含まれますが、MP3変換とOCRは使えません。複数デバイスでの使い勝手を試すならSpeechify Freeが手軽で、基本音声10種類と最大1.5倍速の再生を利用できます。

おすすめのテキスト読み上げアプリは？

個人で聴く用途なら、対応デバイスの広さ、クラウド連携、Scan & Listen、最大5倍速の再生を兼ね備えたSpeechifyが最有力です。OCR、ファイル処理、注釈、年$79〜$159の料金を重視するなら、NaturalReaderのほうが割安です。

学生におすすめのテキスト読み上げツールは？

学生や学校にはNaturalReaderが最も適しています。Personalの有料プランは一般的な文書形式、OCR、注釈、発音設定、Smart Filterに対応します。Premium EDUとPlus EDUは小規模グループから50ユーザー超まで料金帯を公表しており、サイトライセンスは在籍者2,000人からです。

テキスト読み上げ音声は商用利用できる？

利用するプランが商用利用を許可し、元の台本と音声の権利も処理されていれば可能です。ElevenLabs Starter、Speechify Studio Starter、NaturalReader Commercialには商用利用の経路が明記されています。Speechify ReaderとNaturalReader Personalは対象外です。

OpenAIのテキスト読み上げ料金はいくら？

GPT-4o mini TTSは、テキスト入力100万トークンあたり$0.60、音声出力100万トークンあたり$12です。APIのFree tierには対応せず、1回のリクエストで入力できるのは最大2,000トークンです。

Amazon Pollyのテキスト読み上げ料金はいくら？

Amazon Pollyは100万文字あたり、Standard音声が$4、Neuralが$16、Generativeが$30、Long-Formが$100です。AWSの例では、100万文字は約23時間8分の音声に相当します。

Google Cloud Text-to-Speechの料金はいくら？

Googleは無料利用分の終了後、StandardとWaveNetが100万文字あたり$4からです。Neural2とPolyglotは$16、Chirp 3 HDは$30、Instant Custom Voiceは$60、Studioは$160です。Gemini-TTSでは、テキスト入力と音声出力のトークンが別々に課金されます。

Azureのテキスト読み上げ料金はいくら？

Azure F0はNeural音声を月50万文字まで利用できます。オンデマンドのStandard NeuralとNeural HD Flashは100万文字あたり$15です。利用確約では、8,000万、4億、20億文字の各段階で実効単価が$12、$9.75、$7.50まで下がります。

テキスト読み上げと音声認識は同じ？

いいえ。テキスト読み上げは書かれた内容を音声に変換します。音声認識は話された音声を文字に変換します。音声アシスタントは両方を使うことがありますが、変換の方向が逆で、料金も別です。

テキストをオンラインで無料読み上げできる？

はい。SpeechifyとNaturalReaderは無料でブラウザから利用でき、ElevenLabsにも無料の制作プランがあります。ただし上限と利用権は異なります。NaturalReader FreeはMP3を書き出せず、Speechify Readerは許可なく商用配信に使えません。ElevenLabsではStarterに商用ライセンスが記載されています。

AIビジネスワークフロー監査チェックリストを入手すると、生成音声を公開中のキャンペーンや製品へ入れる前に、元テキスト、利用権、料金プラン、音声、開示、レビュー担当者、最終承認を記録できます。