日本語の読み上げAI、料金ランキング 原稿1万文字でいくら
執筆・監修: 佐々木 航公開 更新 8 分で読めます
動画のナレーションや社内研修の音声をAIに読ませようとすると、料金表の単位がそろっていないことに気づきます。1,000文字あたりの会社、100万文字あたりの会社、トークンで数える会社、バイトで数える会社まで、ばらばらです。
そこで、日本語の文章1万文字を読ませたときの料金に直すと、違いが一目で分かります。1万文字は、A4で8枚ほどの原稿です。ニュースを読む速さの目安とされる1分300字で読むと、およそ33分の音声です。値は2026年11月14日時点の各社の定価で、無料枠は除いています。1
1万文字の料金ランキング
日本語1万文字の読み上げの料金(安い順)
棒 = 1万文字の料金(長いほど高い)使える = YOBITSUGI AIで使えるモデル
数値を表で見る
| 順位 | 名前 | 提供元 | 1万文字の料金 | 備考 |
|---|---|---|---|---|
| 1 | 標準・WaveNet | Google Cloud | $0.04 | |
| 2 | 標準の声 | Amazon Polly | $0.04 | |
| 3 | TTS-2 Flash | Inworld | $0.15 | |
| 4 | Neural2 | Google Cloud | $0.16 | |
| 5 | ニューラルの声 | Amazon Polly | $0.16 | |
| 6 | ニューラルの声 | Microsoft Azure | $0.20 | |
| 7 | TTS-2 | Inworld | $0.25 | |
| 8 | Chirp 3 HD | Google Cloud | $0.30 | |
| 9 | Gemini 3.8 Flash-Lite TTS | $0.31 | ||
| 10 | Eleven Flash v2.5 | ElevenLabs | $0.40 | YOBITSUGI AIで使えるモデル |
| 11 | Eleven v4 Turbo | ElevenLabs | $0.40 | |
| 12 | Kotoba TTS | fal.ai | $0.45 | |
| 13 | Gemini 3.8 Flash TTS | $0.46 | YOBITSUGI AIで使えるモデル | |
| 14 | DeepSeek TTS | DeepSeek | $0.61 | |
| 15 | Eleven v4・v3・Multilingual v2 | ElevenLabs | $0.80 | YOBITSUGI AIで使えるモデル |
いちばん安いのは、Google Cloudの標準とWaveNetの声と、Amazon Pollyの標準の声で、1万文字4セントです。一方、感情の表現を売りにするElevenLabsのEleven v4は80セントで、差は20倍です。とはいえ、いちばん高くても1ドルに届きません。30分の研修の音声を10本作っても、いちばん高いEleven v4で約7ドルです。
料金の差より気にしたいのは、声の種類です。安い側に並ぶ標準やニューラルの声は、決まった声で原稿を正確に読む使い方が中心です。Chirp 3 HD、Gemini 3.8 Flash TTS、Eleven v4のような新しい世代は、声の自然さや表情を売りにしていて、料金も上がります。Gemini 3.8 Flash TTSとEleven v4では、言い方を文章や記号で細かく指示できます。
漢字を2文字に数える会社がある
料金表の「文字」は、会社によって数え方が違います。Microsoft AzureとDeepSeekは、漢字を2文字として数えます。かなや英数字は1文字です。このメディアの記事の本文で数えると、かなと漢字のうち漢字は約35%でした。つまり、1万文字の原稿でも、約1万3,500文字分の料金です。
Kotoba TTSの単位は、文字ではなくバイトでした。日本語の文字はUTF-8で1文字3バイトなので、1万文字は約3万バイトです。料金表の「1,000バイト0.015ドル」だけを見ると安く見えますが、日本語では3倍で考える必要があります。一方、Google Cloudは、標準とWaveNetの声について、日本語の文字は何バイトで表しても1文字として数えると明記しています。2
Geminiは、読む速さで料金が変わる
Gemini 3.8 Flash TTSとFlash-Lite TTSは、文字ではなく、作った音声の長さで払う仕組みです。音声1秒が25トークンで、Flash TTSなら10秒あたり0.00225ドルです。そのため、ゆっくり読ませるほど高くなります。表の値は1分300字で読んだ場合で、1分360字なら2割近く安くなります。
もう一つ、Geminiの読み上げは2027年1月1日からの値上げが決まりました。音声の出力の料金が2倍になり、1万文字の目安はFlash-Lite TTSが約61セント、Flash TTSが約91セントです。今は真ん中あたりのFlash TTSも、来年はElevenLabsのEleven v4より高くなります。
無料で試せる量
1万文字ほどなら、多くのサービスで無料枠の中に収まる量です。
- Google Cloud:毎月、標準とWaveNetの声は400万文字、Neural2とChirp 3 HDは100万文字まで無料です。
- Amazon Polly:使い始めてから12か月、毎月ニューラルの声は100万文字、標準の声は500万文字まで無料です。
- Microsoft Azure:無料の版(F0)で、ニューラルの声を毎月50万文字まで使えます。
- Gemini API:無料の枠がありますが、送った内容はGoogleのサービスの改善に使われます。社外に出せない原稿は、有料の枠で読ませるのが安全です。
- ElevenLabsとInworld:月額のかからないプランから始められます。
OpenAIのgpt-4o-mini-ttsは1月6日に終わる
OpenAIの読み上げのモデルgpt-4o-mini-tts、tts-1、tts-1-hdは、2027年1月6日に提供を終えます。OpenAIは、Realtime APIで使うgpt-realtime-2.1-miniへの移行を勧めていますが、今の読み上げのAPIからは呼べず、組み込み方から変える必要があります。gpt-4o-mini-ttsは料金をトークンで数え、1分あたりの目安が示されていないため、表には入れていません。ほかのモデルの終わる日は、モデルの提供終了カレンダーで確かめられます。
使い方で選ぶなら
- 店内放送や電話の自動音声のように、同じ調子で大量に読ませる:Google CloudのNeural2、Amazon Pollyのニューラルの声、Azureのニューラルの声。1万文字16〜20セントです。
- 動画のナレーションで、言い方に表情を付けたい:Chirp 3 HD、Gemini 3.8 Flash TTS、Eleven v4。どれも30分ほどの原稿で1ドル以内です。
- 会話のアプリで、すぐに声を返したい:Eleven Flash v2.5とEleven v4 Turbo、Gemini 3.8 Flash-Lite TTS。どれも応答の速さを重視したモデルとして案内されています。
ただし、日本語の読み間違いの少なさは、料金表からは分かりません。固有名詞や数字の多い原稿の一部を2つか3つのモデルに読ませ、聞き比べてから決めるのが確実です。読み上げのモデルを日本語の誤りで比べる表は、Hugging Faceの評価表が参考になります。
YOBITSUGI AIでは、ElevenLabsのEleven v4、Eleven v3、Eleven Multilingual v2、Eleven Flash v2.5で読み上げができます。GoogleのGemini 3.8 Flash TTSと、OpenAIのgpt-4o-mini-ttsも使えます。図の「使える」の印が、そのモデルです。原稿を渡して頼む手順はお店のBGMやナレーションを作るならで、文字起こしの料金は文字起こしAIの料金ランキングで確かめられます。
出典
- Text-to-Speechの料金・サポートされている音声と言語(Google Cloud・2026年11月14日に確認)
- Gemini Developer API pricing(Google・2026年11月14日に確認)
- Amazon Pollyの料金・Available voices(AWS・2026年11月14日に確認)
- Azure Speech pricing・What is text to speech?(Microsoft・2026年11月14日に確認)
- API pricing(ElevenLabs・2026年11月14日に確認)
- Pricing(Inworld・2026年11月14日に確認)
- Kotoba TTS(fal.ai・2026年11月14日に確認)
- Models & Pricing・Text to Speech(DeepSeek API Docs・2026年11月14日に確認)
- Text to speech・GPT-4o mini TTS(OpenAI API Docs・2026年11月14日に確認)
注
料金は米ドルの定価で、Amazon PollyはGovCloud以外の地域、Azureは料金のページの表示、ElevenLabsはAPIの料金(どのプランでも同じ)、Inworldは使った分だけ払うプランの値です。DeepSeek TTSは今は期間限定で半額になっていて、1万文字の目安は約30セントです。Geminiの文章の入力の分は1万文字で1セントに満たないため、ほぼ音声の分で決まります。Amazon Pollyの日本語の声は、標準がMizukiとTakumi、ニューラルがKazuha、Tomoko、Takumiです。Google CloudのChirp 3 HDには、日本語の声が30種類あります。 ↩
Amazon Polly、ElevenLabs、Inworldと、Google CloudのNeural2とChirp 3 HDは、料金のページに漢字の数え方の決まりが書かれていないため、1文字を1文字として計算しました。Kotoba TTSの値は、原稿がすべて日本語の文字の場合です。英数字は1文字1バイトなので、英数字が多いほど安くなります。 ↩