Amazon Pollyは文字数で課金され、料金はほぼ選ぶ音声エンジンで決まります。Standard音声なら100万文字あたり4ドル、Long-Formなら最大100ドルです。Pollyの料金を調べる人の多くは、これらのエンジンのどれを使うか、あるいはPollyから乗り換えるかを検討しています。このページでは両方を扱います。まずPollyの現在の料金と無料枠、次に11の代替候補と、乗り換える前に確認すべきことです。
Amazon Pollyの料金と無料枠
料金と無料枠はAWS Pollyの料金ページによります（2026年10月5日確認）。
| 音声エンジン | 100万文字あたりの料金 | 毎月の無料枠 |
|---|---|---|
| Standard | 4ドル | 500万文字 |
| Neural | 16ドル | 100万文字（最初の12か月） |
| Generative | 30ドル | 10万文字（最初の12か月） |
| Long-Form | 100ドル | 50万文字（最初の12か月） |
表には出てこない点もあります。
- 期限なく続く無料枠はStandardだけです。 Neural、Generative、Long-Formの無料枠は、アカウント開設から12か月で終わります。Standardは毎月500万文字の無料枠が続きます。
- 新規アカウントにはクレジットがあります。 2025年7月15日以降、新規のAWSユーザーは、Pollyにも使える最大200ドルのAWS無料利用枠クレジットを受け取れます。無料プランのアカウントは、有料プランに切り替えない限り、6か月後かクレジットを使い切った時点で閉鎖されます。
- 100万文字はおよそ23時間分の音声です。 これはAWS自身の見積もりです。この割合だと、Neural音声は1時間あたり約0.70ドル、Generative音声は約1.30ドルです。
- スピーチマークも音声と同じ料金です。 単語やビセームのタイミングを取得するリクエストも、同じ単価で文字数に応じて課金されます（Generative音声はスピーチマークに対応していません）。
PollyのStandard音声の安さに勝つのは難しいです。用途に対して音質が十分で、すでにAWSを使っているなら、乗り換える必要はないかもしれません。代替を探す理由はたいてい3つです。StandardやNeuralより自然な音声が必要な場合、リアルタイムの会話のためにもっと低い遅延が必要な場合、そしてカスタム音声やクローン音声が必要な場合です。
比較するポイント
PollyはAWSの一部なので、既存のAWSアプリではアクセスと課金が簡単になることがあります。生成音声や独自の声にSonicを使いたいなら、Cartesiaを試してください。API利用料だけでなく統合作業も予算に入れます。
以下は異なる用途の選択肢であり、性能順のランキングではありません。決定する前に、各社の現在の提供状況、機能、プランの条件を確認してください。
代替候補の一覧
| 製品 | 主な評価用途 | 選ぶ前の確認事項 |
|---|---|---|
| Cartesia | 音声アプリ向けの発話 | モデル、言語、統合の要件 |
| Murf AI | 台本付きナレーション | 編集操作と出力権利 |
| Speechify | 文書の読み上げ | 読み上げアプリ、スタジオ、APIのプラン |
| ElevenLabs | 音声生成と吹き替え | モデルの選択と利用上限 |
| Google Cloud Text-to-Speech | Google CloudアプリのTTS | 声ごとの機能と上限 |
| Microsoft Azure Text-to-Speech | Azureアプリの音声 | 地域、SSML、カスタム音声へのアクセス |
| IBM Watson Text to Speech | TTS APIの統合 | 言語、制御、サービスの上限 |
| WellSaid Labs | 業務用ナレーション | チームの作業と対応言語 |
| NaturalReader | 文書の読み上げ | ファイル対応と個人・商用の権利 |
| iSpeech | 音声APIの統合 | 現在のAPI対応と提供状況 |
| Descript | 文字起こしによるメディア編集 | 編集の流れと出力の選択肢 |
Cartesia
私たちは、音声アプリケーション向けの音声合成モデルSonicを開発しています。生成音声のストリーミング、声の選択、使用許可のある録音からの声のクローンが可能です。APIを組み込む前に、Playgroundで自分のテキストを試してください。
完全な音声エージェントには、音声認識と会話の処理も必要です。Inkは音声認識モデル、Managed Agentsは音声エージェントの作成ツールです。Sonicだけでは発信者の声を聴いたり、話す内容を決めたりはしません。
使うモデルとプランの対応言語、APIの要件、料金を確認してください。応答時間は実際のアプリケーションで測りましょう。ユーザーが聴くまでの時間には、通信と再生のバッファーも影響します。
Murf AI
Murf AIには、台本を編集し、ナレーションをメディアに合わせる音声制作エディターがあります。研修資料や録画したプレゼンテーション向けに検討できます。台本に必要な編集量を試し、出力とチーム利用がプランに含まれるか確認してください。
Speechify
Speechifyには、文書やウェブページを音声にする読み上げアプリがあります。既存のテキストを聴くことが目的なら、その流れから試しましょう。読み上げ、スタジオ、APIは別々に評価してください。一つを使えても、他の機能が含まれるとは限りません。
ElevenLabs
ElevenLabsには、音声合成、声のクローン、吹き替え、会話型アプリ向けの製品があります。実際に導入するモデルとエンドポイントを比較しましょう。モデルを交換可能なものと考えず、自分の台本で発音と応答時間を試してください。
Google Cloud Text-to-Speech
Google Cloud Text-to-Speechは、Google CloudのAPIで音声合成を提供します。既存のGoogle Cloudアプリでは、アカウントと課金の統合によって導入しやすい場合があります。選んだ声が、必要な言語、ストリーミングの動作、発話の制御に対応しているか確認してください。
Microsoft Azure Text-to-Speech
Microsoft Azureは音声サービスの一部として音声合成を提供します。すでにAzureを使うチームの候補です。選んだ声と地域、SSMLの制御、カスタム音声の利用要件を確認してください。
IBM Watson Text to Speech
IBM Watson Text to Speechは、テキストから音声を生成するAPIです。IBMを基盤とする導入で音声サービスを比較するなら候補になります。対応言語と発音の制御を確認し、出力形式とサービスの上限をアプリに照らして試してください。
WellSaid Labs
WellSaid Labsは、研修や社内広報などの業務用ナレーション制作に重点を置いています。チームの台本レビューと発音修正の方法を評価し、利用するプランの対応言語とAPIへのアクセスを確認してください。
NaturalReader
NaturalReaderには、文書を聴く機能と音声生成のツールがあります。個人の読書と商用音声の制作を分けてプランを比較してください。実際に使う形式で試しましょう。スキャンしたPDFは、音声合成の前に文字認識も必要です。
iSpeech
iSpeechも、アプリへの統合で調べられる音声APIの提供元です。実装前に現在のドキュメント、SDK、サービスの提供状況を確認してください。アプリが必要とする出力形式と言語をそのまま試します。
Descript
Descriptは、文字起こしとテキストによる音声・動画編集を組み合わせています。テキストを編集して録音素材を切りたい場合に検討できます。音声APIだけではこのエディターを置き換えられないため、移行前に録音から出力までの流れを試してください。
切り替える前に試す
アプリで使うPollyの機能を一覧にします。SSMLの指定と発音ルールをそのまま転送せず、一つずつ新しい提供元で試してください。再生側でサンプルレートと符号化を確認し、同じトラフィックで応答時間と費用を比較します。
想定する使用量と必要な機能で費用を比べてください。再試行、音声の再生成、同時実行の上限、商用権利も含めます。低い最低料金だけでは、実際の処理の費用は見積もれません。