音声モデル

確認すべきポイント

選択肢を分けるポイントを、重要な順に並べています。

1. 01

   音声認識：テストセットを明示した単語誤り率

   単語誤り率（WER）は、モデルが間違える単語の割合で、低いほどよいものですが、テストセットが示されて初めて意味を持ちます。Artificial AnalysisのAA-WER v2は約8時間の音声を平均したもので、エージェント風の会話（50%）、欧州議会の演説（25%）、決算説明会（25%）からなり、参照の書き起こしは整えられています。2026年10月時点で首位グループは約2%で、Whisper large-v3-turboは4.6%です。ベンダーが自社のデータで示すWERは比較できません。自分のなまり、専門用語、雑音を含む、自分の音声に似た音声でテストしてください。

2. 02

   音声認識：速度、ストリーミング、機能

   バッチの文字起こしは、処理1秒あたりの音声の秒数である速度倍率で判断します。Deepgram Nova-3は実時間の600倍以上、Scribe v2は約63倍で動きます。ライブの字幕や音声エージェントには、低遅延の本物のストリーミングモデルが必要で、多くの場合は別のモデルと価格です（Scribe v2 Realtime、Gemini 3.5 Transcribe Live、gpt-live-transcribe）。次に、話者分離（誰が話したか）、単語のタイムスタンプ、カスタム語彙、言語の検出を確認し、一部の機能は1回のリクエストで組み合わせられないことにも注意してください。

3. 03

   音声合成：ブラインド投票の品質は注意して読む

   Artificial AnalysisのSpeech Arenaは、聞き手の選好によるEloで音声を順位づけており、各モデルは組み込みの音声を使います。音声を統制した別のボードもあります。Eleven v4とv4 Turboが1330近くで首位に立ち、Cartesia Sonic 3.6とGemini 3.8 Flash TTSがすぐ後に続きます。毎秒の文字数と、名前、コード、数字、日付の発音の頑健性のスコアも報告されており、サポート窓口やエージェントにはEloよりこちらのほうが重要です。Arenaの投票は心地よい短いクリップに有利なので、長いナレーションは自分でテストしてください。

4. 04

   音声合成：エージェントにとっての最初の音声までの時間

   音声エージェントで重要なのは、生成の総時間ではなく、テキストを送ってから最初の音がどれだけ早く届くかです。ベンダーは自社のネットワークで測った独自の数字を示しています（ElevenLabsはv4 Turboで最初の発話まで約150 msとしています）。自分のリージョンからストリーミングのWebSocketでテストしてください。Cartesiaが提供しているような固定されたモデルのスナップショットを探し、音声が知らないうちに変わらないようにしましょう。

5. 05

   声のクローンと同意の保護策

   短いサンプルから声をクローンすることは今や一般的なので、プロバイダーが悪用を防ぐために何をしているかを確認してください。同意の確認、透かし（GoogleのSynthID、ChatterboxのResembleによるPerthの透かし）、地域の制限（Geminiの声の複製はEEAと英国では使えません）などです。オープンモデルは通常、利用者の行動に頼っており、Chatterboxには同意の確認がありません。実在の人物の声をクローンするなら、ツールにかかわらず書面で同意を得てください。

6. 06

   言語と、それぞれの対応の質

   長い言語の一覧は、各言語での品質の高さと同じではありません。Parakeet v3は25のヨーロッパの言語をカバーし、それ以外はカバーしません。Whisperは99の言語を受け付けますが、カードで強い結果をうたっているのは約10言語だけです。モデルカードの言語別の結果を確認するか、対象の言語でテストしてください。特にヒングリッシュのような言語の切り替えに注意しましょう。

7. 07

   価格の単位とオープンウェイト

   音声認識は音声の分や時間単位、音声合成は文字数や音声トークン単位で価格が決まるので、比較しにくくなっています。Artificial Analysisは音声認識を1,000分あたりのドル、音声合成を100万文字あたりのドルに換算しています。予定された値上げ（Gemini 3.8 Flash TTSは2027年1月に2倍）と、別のストリーミング料金に注意しましょう。オープンウェイト（WhisperはMIT、ParakeetはCC BY 4.0、KokoroはApache 2.0、ChatterboxはMIT）は大量処理では最も安く、音声を自社のサーバーにとどめられますが、精度や自然さはいくらか犠牲になります。

19 個のツールを比較

当サイトの評価順です。各レビューで出典、料金、評価の詳細を確認できます。

音声モデルのツール比較

ツール	評価	当サイトの評価	向いている用途	料金
Eleven v4 and v4 Turboモデル	4.7/5	公開の順位表でこれより良い音のモデルはありません。ただしGoogleのGemini 3.8 Flash TTSは、v4の約5分の1の価格で60 Eloポイント以内に迫っています。	最も表現力の高い声を必要とするオーディオブック、ゲーム、吹き替えの制作者と、Turboの安い料金で最上位の品質を求める音声エージェントのチーム。	API：v4は1,000文字あたり$0.08、v4 Turboは$0.04。サブスクリプションはStarterの月$6からBusinessの月$990まであり、文字数の枠が含まれます。
Gemini 3.8 Flash TTSモデル	4.5/5	ブラインド投票で5位、価格はEleven v4 Turboの半分未満です。Gemini 3.8 Flash TTSはお得ですが、その期限は1月1日です。	長尺のナレーションや多言語の吹き替えを制作し、最上位に近い品質を求め、1月の値上げを吸収できる開発者に向いています。	Flash TTS：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$9（音声1時間あたり約$0.81）。2026年12月31日までの料金で、2027年1月1日に2倍になります。Flash-Lite：音声出力100万トークンあたり$6。Batchは半額、AI Studioに無料枠があります。
Cartesia Sonic 3.6モデル	4.4/5	Sonic 3.6は1回のリリースでElevenLabsとの差の大半を詰め、1文字あたりの価格もEleven v4より安くなりました。ただし、オプトアウトしない限り顧客のコンテンツで学習します。	安定したバージョン管理付きの声を手ごろな価格で使いたい、本番の音声エージェントを構築するチーム。	Freeプランは月20Kクレジット（商用ライセンスなし）。Proは$5（100K）、Startupは$49（1.25M）、Scaleは$299（8M）。超過分は1Mクレジットあたり$38〜$65。1クレジットは1文字で、音声1分あたり約750〜800クレジット。
ElevenLabs Scribe v2モデル	4.4/5	Scribe v2は正確に文字起こしし、秘匿化や話者の処理まで代わりにこなします。ただしMicrosoftは現在、より高い精度を半額以下で販売しています。	正確な文字起こしに加えて、話者ラベルと秘匿化が必要な会議、メディア、臨床向けの製品。	API：Scribe v2とv2 Medicalは音声1時間あたり$0.22、Scribe v2 Realtimeは1時間あたり$0.39。キーワードのプロンプト指定は1時間あたり$0.05の追加。月$6からのプランに時間枠が含まれます。
AssemblyAIツール	4.4/5	AssemblyAIは安く、正確で、契約も簡単です。ただし先にデータの条件を読んでください。無料アカウントはモデルの学習に使われ、断ることができません。	公開された低価格、無料のBAA、EUの選択肢を求めて、アプリに文字起こしやライブ字幕を追加する開発者。	録音：Universal-3.5 Proは1時間$0.21、Universal-2は1時間$0.15。ストリーミング：Universal-3.6 Pro Realtimeは1時間$0.45、Universal-Streamingは1時間$0.15。Voice Agent APIは1時間$4.50。追加機能は1時間$0.01から、Medical Modeは1時間+$0.15。$50の無料クレジットあり。
Retell AIツール	4.4/5	Retellは、請求が最も明快で、コンプライアンスの手間が最も少ない電話エージェントプラットフォームです。ただしエージェントを自分で作ることをいとわない場合に限ります。	予測しやすい分単位の費用と無料のBAAを求め、受電・発信の電話エージェントを自分で構築する開発者やオペレーションチーム。	従量課金で、音声1分あたり$0.07から$0.31（音声インフラ$0.055に音声とLLMの料金を加算）です。無料クレジット$10、同時通話20件まで無料で、それ以上は1回線あたり月$8、電話番号は月$2です。Enterpriseは個別見積もりです。
Vapiツール	4.3/5	Vapiは音声プロバイダを自由に組み合わせられる点で開発者に最も大きな自由を与えます。そしてエージェントが機微な情報を扱った途端に、その分の料金がかかります。	自社製品に音声エージェントを組み込み、音声認識、モデル、音声の各プロバイダを選んで差し替えたい開発者に向いています。	ホスティングは1分$0.05に加え、プロバイダの費用を原価で支払います。$5の無料クレジットがあります。Coreは月$29（同時通話10、保持30日）、Proはホスティング料10%で月$999の最低額、Premierは個別見積もりです。HIPAAアドオンは月$2,000、追加の同時通話は1回線月$10です。
Gemini 3.5 Transcribeモデル	4.2/5	ほとんどの文字起こしには十分な精度と安さですが、もはや精度でも価格でも当然の選択ではありません。	すでにGemini APIを使っていて、ファイルとストリーミングの文字起こしを1つのベンダーから1分あたり約0.5セントで使いたいチームに向いています。	Transcribeは1分あたり約$0.005（100万トークンあたり入力$2 / 出力$12）、Transcribe Liveは1分あたり約$0.009（$3.50 / $21）。AI StudioとAPIに無料枠があります。
Parakeet TDT 0.6B v3モデル	4.1/5	Parakeet v3は文字起こしの速度記録を持つモデルで、精度はWhisper並み、対応範囲はヨーロッパに厳しく限られます。	速度と低コストを重視し、ヨーロッパ言語の音声を大量に文字起こしする開発者。	CC BY 4.0で無料です。Together AIのホスト版は1分あたり$0.0015（1,000分あたり$1.50）です。
pyannote speaker-diarization-community-1モデル	4.1/5	話者を聞き分けるオープンなモデルの定番であることは変わらず、3.1からは明らかに進歩しています。ただし難しい音声では、開発元自身の有料モデルのほうが誤りが約3分の1少なくなります。	制限の緩いライセンスで話者のラベルを必要とする、セルフホストの会議、通話、ポッドキャストの文字起こしを作るエンジニア。	CC BY 4.0で無料。pyannoteAIのホスト版は音声1時間あたり€0.035です。有料のPrecision-3のモデルは1時間あたり€0.112（Developer、月€19）または€0.096（Starter、月€99）です。
Deepgram Nova-3モデル	4.0/5	Nova-3はライブ通話の音声に使えるほど速く安価ですが、中立的なテストでは精度上位のモデルの2倍以上の誤りを出します。	自社サーバーも含め、電話音声を高速かつ大量の同時接続で文字起こしする必要があるコンタクトセンターやライブ字幕のチーム。	録音済み音声は従量課金で1分$0.0043（単一言語）または$0.0052（多言語）。ストリーミングはキャンペーン価格で1分$0.0048、通常は$0.0077。年$4,000からのGrowthプランはより安価です。$200の無料クレジットがあります。
OmniVoiceモデル	4.0/5	OmniVoiceは、他のどのモデルの対応リストにもない言語が必要なときに手に取るべきオープンなTTSモデルです。ただし、トークナイザーのライセンスを弁護士に読んでもらうことが条件です。	商用とオープンの主要モデルが対応していない言語で、オープンなセルフホストの音声を必要とする開発者に向いています。	重みは無料です。コードはApache 2.0、音声トークナイザーはBoson Higgs Audio 2 Community License（年間アクティブユーザーが100,000人を超える場合は拡張ライセンスが必要）です。
Maya 2 Nativeモデル	4.0/5	インドの言語の音声エージェントを作るなら、Maya 2 Nativeはまず試すべきオープンなモデルです。ヒンディー語では有料の上位モデルに迫り、大規模でも安く動かせます。ただしそれ以外の言語では、証拠の代わりに自動評価のスコアがあるだけです。	インドの言語で音声エージェント、IVR、ナレーションを作り、制限の緩いライセンスでセルフホストしたい開発者。	Apache 2.0で無料（MimiのコーデックはCC BY 4.0）で、自分のGPUでセルフホストします。開発元によるホスト版の価格は公開されていません。
KKokoro-82Mモデル	3.9/5	これほど小さくてこれほど良い音のモデルは他にありませんが、2025年8月以降更新されていないため、今後改善するプロジェクトではなく完成したソフトウェアとして扱うべきです。	ナレーション、アクセシビリティ、プロトタイプ向けに、安く寛容なライセンスの音声を必要とする開発者。	Apache 2.0で無料です。ホスト型ではReplicateで100万文字あたり$0.65（Artificial Analysis経由）とボードで最も安く、DeepInfraでは$0.99です。
GPT Transcribeモデル	3.9/5	OpenAIを使う組織にとって妥当なアップグレードです。ただし、その前提となる旧モデルの廃止で話者ラベルとタイムスタンプが失われ、このモデルはそれを取り戻しません。	2027年2月までにWhisperやGPT-4o Transcribeから移行しなければならず、話者ラベルやタイムスタンプを必要としないOpenAI APIのユーザー。	音声1分あたり$0.0045（1,000分あたり$4.50）。Batchには対応しません。ストリーミング用のgpt-live-transcribeは1分あたり$0.017です。
MOSS-Transcribe-Diarize 0.9Bモデル	3.9/5	MOSS-Transcribe-Diarizeは2つのモデルからなる会議用パイプラインを1つの小さなモデルに置き換えます。ベンチマークでの勝利は主に中国語（普通話）でのものです。	長い複数話者の録音を自前のGPUで、特に中国語で文字起こしし、別の話者分離モデルなしで話者ラベルを得たいチームに向いています。	Apache 2.0で無料です。より大きなProモデルはMOSIのオンラインプレイグラウンドで提供されており、APIの料金は公開されていません。
Breeze TTS 2モデル	3.8/5	Breeze TTS 2は最先端の音声モデルのような音を出しますが、ライセンスのせいで、製品に組み込めるElevenLabsの代わりではなく、自宅で動かせるデモにとどまります。	オープンな音声の品質を評価する研究者、趣味の利用者、チームで、非商用にとどまるか、本番ではBreezeBlueのホスト型プランを購入するつもりの人。	重みは研究および非商用目的に限り無料。ホスト型プラン：Free（毎日400クレジット、1クレジット10文字）、Starter 月$9、Creator 月$19、Pro 月$99、Scale 月$299、Business 月$999。100万文字あたり約$30、年払いなら約$25。Enterpriseは見積もり。
Whisper large-v3-turboモデル	3.7/5	Whisper turboは今や、勝つモデルではなく、新しい音声モデルが比較される安価で制限のない基準です。	自前でホストできるか、1時間数セントで買える、安価で寛容なライセンスの文字起こしが必要で、2番手の精度を受け入れられるチームです。	MITライセンスで無料です。ホスト版も安く、Artificial AnalysisではGroqが1,000分あたり約$0.67とされています。
Chatterboxモデル	3.7/5	Chatterboxは透かしのおかげでコンプライアンスチームが承認できるオープンな音声クローンですが、聞き手が選ぶ音質ではありません。	来歴の表示付きで商用利用できるオープンな音声クローンが必要で、中位の音質を受け入れられるチーム。	MITライセンスで無料。Artificial Analysisでは、ホスト型のChatterboxが100万文字あたり$25、ResembleのChatterbox HDが$40と記載されています。

仕様の比較

このステップで重要な仕様です。2026年10月19日に確認しました。導入前に提供元のサイトで確認してください。

一対一の比較とランキング

• 音声合成モデルのおすすめ
• 音声認識モデルのおすすめ

このステージが使われる場面

• 動画制作：まず Eleven v4 and v4 Turbo から始めます。
• 音声エージェント：まず Parakeet TDT 0.6B v3, Cartesia Sonic 3.6 から始めます。

このガイドの出典

• Artificial Analysis: speech-to-text leaderboard
• Artificial Analysis: text-to-speech leaderboard
• Whisper large-v3-turbo model card