2026年のおすすめ音声合成モデル
当サイトでレビューした11件の音声合成モデルのうち、現在のおすすめはEleven v4 and v4 Turbo、Gemini 3.8 Flash TTS、Cartesia Sonic 3.6です。各製品を当サイトの評価順に並べ、料金、評価のまとめ、向いている人を記載しています。
執筆： Andrew Miller · 2026年11月2日更新 · レビューの方法
ランキングの方法：各製品の料金、ドキュメント、ポリシー、さらに独立したベンチマークがある場合はそれも基にしたレビューで、5点満点の評価順に並べています。各情報はレビューに記載の日付に確認したものです。アフィリエイト報酬は受け取っていません。
- 1
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。
おすすめの人： 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。
料金： 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。
Eleven v4 and v4 Turboのレビューを読む4.7/5 - 2
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。
おすすめの人： 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。
料金： 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。
Gemini 3.8 Flash TTSのレビューを読む4.5/5 - 3
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。
おすすめの人： 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。
料金： 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。
Cartesia Sonic 3.6のレビューを読む4.4/5 - 4
Drama 3は、聞き手が有料の首位モデルと並べて評価する声をオープンウェイトにもたらしました。ただしライセンスは、事業や音声APIが本格化した時点で無料ではなくなります。
おすすめの人： 売上上限を下回る小規模スタジオ、ゲーム開発者、アプリ制作者で、自社のGPUでElevenLabsに近いナレーションと複数キャラクターの会話を求める人。
料金： 重みはFish Audio Community Licenseのもとで、研究目的と年間売上$500,000未満の企業には無料。API：UTF-8で1Mバイトあたり$50、2026年11月12日までは$10。
Fish Audio Drama 3のレビューを読む4.2/5 - 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。
おすすめの人： 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。
料金： 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。
Maya 2 Nativeのレビューを読む4.0/5 - 6
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。
おすすめの人： 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。
料金： 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。
OmniVoiceのレビューを読む4.0/5 - 7
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。
おすすめの人： 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。
料金： 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。
Kokoro-82Mのレビューを読む3.9/5 - 8
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。
おすすめの人： 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。
料金： 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。
Breeze TTS 2のレビューを読む3.8/5 - 9
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。
おすすめの人： 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。
料金： 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。
Chatterboxのレビューを読む3.7/5 - 10
Qwen3-TTSは、開発者にきめ細かな音声の制御と、安全策のない3秒の声の複製ツールを渡しますが、品質は聞き手の評価で最下位近くです。
おすすめの人： 寛容なライセンスのもとで細かな制御を求め、安全策は自前で加える、多言語の音声機能を作る開発者。
料金： Apache 2.0で無料です。Alibaba Model Studio（シンガポール）：入力10,000文字あたりqwen3-tts-flashが$0.10、qwen3-tts-flash-realtimeが$0.13で、90日間の無料枠があります。
Qwen3-TTSのレビューを読む3.5/5 - 11
KittenTTS 2はクローン可能な音声モデルを1ギガバイト未満に詰め込みましたが、KittenML以外の誰もまだその音質を示しておらず、ライセンスは資金調達済みの企業の大半を締め出します。
おすすめの人： 普通のハードウェアでオフラインの音声クローンを使いたく、品質の上限が未確認でも構わない趣味の開発者、研究者、資金調達していない開発者。
料金： 重みはStellon Labs Community Licenseのもとで、研究用途と、売上と調達額がともに100万ドル（$1 million）未満の商用ユーザーには無料で、登録が必要です。ホスト型APIの料金は公表されていません。
KittenTTS 2のレビューを読む3.4/5
出典
ランキング内の各レビューの主な公式情報源です。全出典は各レビューに記載しています。
- Eleven v4 and v4 Turbo: ElevenLabs: Introducing Eleven v4
- Gemini 3.8 Flash TTS: Google: Gemini 3.8 Flash TTS and Flash-Lite TTS
- Cartesia Sonic 3.6: Cartesia docs: Sonic 3.6
- Fish Audio Drama 3: Hugging Face: fishaudio/drama-3 model card
- Maya 2 Native: Hugging Face: maya-research/maya2-native model card
- OmniVoice: OmniVoice model card (Hugging Face)
- Kokoro-82M: Kokoro-82M model card
- Breeze TTS 2: Breeze TTS 2 model card
- Chatterbox: Chatterbox model card
- Qwen3-TTS: Qwen3-TTS model card
- KittenTTS 2: Hugging Face: KittenML/kitten-tts-2 model card