音声合成API比較

AWS Standard音声を1,000,000文字$4で使うならAmazon Polly、vendor-reportedのFlash v2.5約75 msならElevenLabs、文書化されたAura-2 REST 745 ms例ならDeepgramです。

更新日 · 10 出典 · 比較方法

用途推奨理由
AWS Standard音声Amazon PollyAmazon PollyのStandard音声は課金対象1,000,000文字あたり$4です。12
Flashモデルの推論ElevenLabsFlash v2.5推論~75 ms、アプリ・ネットワーク遅延を除く、vendor-reported 2026。5
Aura-2のREST実行Deepgram文書にあるAura-2 RESTの単一例で合計745 ms、vendor-reported 2026。6

性能

提供元APIとモデルID公開された遅延情報と実行方式
Amazon Polly1Standard音声Standard音声の合成。文字単位で課金1
Google Cloud TTS2Standard音声Standard音声合成API。Chirpモデルとは別2
Deepgram3Aura-2Aura-2文書の単一例で合計745 ms、vendor-reported 20266
ElevenLabs4Flash v2.5Flash v2.5推論~75 ms、アプリ・ネットワーク遅延を除く、vendor-reported 20265

文書で確認できる対応言語

提供元／モデルモデル固有の対応範囲
Amazon Polly · Standard29の言語・言語変種。英語とスペイン語の音声を掲載。7
Google Cloud TTS · StandardStandard音声カタログはen-US、es-ES、ja-JPを含む59の言語・地域コードに対応します。8
Deepgram · Aura-27言語：en、es、de、fr、nl、it、ja。9
ElevenLabs · Flash v2.532言語。英語とスペイン語を含む。10

料金とリクエスト費用

提供元英語／1,000,000文字1,000,000文字の費用スペイン語／1,000,000文字
Amazon Polly1$4$4$4
Google Cloud TTS2$4$4$4
Deepgram3$30$30$30
ElevenLabs4$40$40$40
費用例：課金対象の英語1,000,000文字
Amazon Polly$4
Google Cloud TTS$4
Deepgram$30
ElevenLabs$40

各サービスの強みと制約

  1. Amazon Polly

    Amazon PollyはAWSアカウントでStandard音声を提供します。

    英語／1,000,000文字
    $4
    算例の量
    1
    算例合計
    $4

    強み

    • Amazon PollyのStandard voicesは無料枠適用前で1,000,000文字あたり$4です。1

    制約

    • Polly Standardの料金にはNeural、Long-Form、Generativeの音声区分は含まれません。1

    出典：1

  2. Google Cloud TTS

    Google Cloud TTSはGoogle CloudアカウントでStandard音声を提供します。

    英語／1,000,000文字
    $4
    算例の量
    1
    算例合計
    $4

    強み

    • Google Cloud TTSのStandard voicesは無料枠適用前で1,000,000文字あたり$4です。2

    制約

    • Googleの掲載したStandard料金には、別区分のChirp音声モデルは含まれません。2

    出典：2

  3. Deepgram

    DeepgramのAura-2は無料枠適用前で1,000,000文字あたり$30です。

    英語／1,000,000文字
    $30
    算例の量
    1
    算例合計
    $30

    強み

    • DeepgramのAura-2は無料枠適用前で1,000,000文字あたり$30です。3

    制約

    • Aura-2は1,000,000文字$30で、Standard音声の$4より高額。記載料金に音声クローンは含まれません。3

    出典：3

  4. ElevenLabs

    ElevenLabsのFlash v2.5は無料枠適用前で1,000,000文字あたり$40です。

    英語／1,000,000文字
    $40
    算例の量
    1
    算例合計
    $40

    強み

    • ElevenLabsのFlash v2.5は無料枠適用前で1,000,000文字あたり$40です。4

    制約

    • Flash v2.5はリクエスト40,000文字上限。1,000,000文字$40に他の音声モデルや契約付属枠は含まれません。4

    出典：4

比較方法と出典

対象：Amazon Polly / Google Cloud TTS / Deepgram / ElevenLabs。算例は無料枠・契約適用前の課金対象1,000,000文字。音声の分数ではなく文字単位で、言語と話速により音声長は変わります。Standard、Aura-2、Flash/Turboは別区分で、音質が同じとは見なしません。料金出典に共通の音質・起動・ストリーミング遅延テストはありません。カードは文字単価順で、Standardの二社は$4で同額です。 Flash v2.5の推論時間と、ネットワークを含むAura-2の単一例は測定区間が異なり、遅延ランキングには使用しません。 主な費用例は英語音声です。スペイン語列は同じモデル区分の対応するスペイン語音声と同じ公表文字単価を使用し、同一音声が言語を切り替える保証ではありません。Pollyは言語とその変種を数え、Googleの59はStandard行の言語・地域コードを重複除去して数え、地域別の変種は別々に数えたものです。言語数の順位付けはしません。

  1. Amazon Polly · Standard音声 仕様と料金
  2. Google Cloud TTS · Standard音声 仕様と料金
  3. Deepgram · Aura-2 仕様と料金
  4. ElevenLabs · Flash v2.5 仕様と料金
  5. ElevenLabs · Flash v2.5 モデル遅延
  6. Deepgram · Aura-2 遅延の例
  7. Amazon Polly · Standardの言語と音声の一覧
  8. Google Cloud · Standard音声の言語・地域一覧
  9. Deepgram · Aura-2の音声と言語
  10. ElevenLabs · Flash v2.5モデルと対応言語

Novita LLMで読み上げ原稿を作る

Novita Model APIsで原稿を作り、選択した音声プロバイダーへテキストを送れます。上記の音声合成料金は外部サービスの単価です。

開発を始めるモデルを見る