Azure Text to Speechは文字数課金です。既製のニューラル音声は100万文字あたり15ドル、無料レベルでは毎月50万文字まで無料です。Azureの料金を調べる人の多くは、どの音声タイプを使うか、無料枠で足りるか、あるいは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Azureの現在の料金、無料枠、カスタム音声の利用条件、次に代替サービス10選と乗り換え前の確認ポイントです。
Azure Text to Speechの料金と無料枠
US Eastリージョンの従量課金価格。MicrosoftのAzure Speech料金ページとAzure小売価格より、2026年10月5日に確認：
| 音声タイプ | 100万文字あたりの料金 | 無料レベル（F0）の月間枠 |
|---|---|---|
| ニューラル（既製の音声） | 15ドル | 50万文字 |
| Neural HD | 22ドル | 対象外 |
| カスタム音声（プロフェッショナル）、ニューラル | 24ドル | 対象外 |
| カスタム音声（プロフェッショナル）、HD | 48ドル | 対象外 |
| 長尺オーディオ（バッチ、既製ニューラル） | 100ドル | 対象外 |
表には出てこない注意点：
- 無料枠に期限はないが、量は少ない。 50万文字は普通の話速でおよそ11時間分の音声で、試作には十分です。また無料リソースは1分あたり20リクエストに制限され、Standardの毎秒30リクエストに比べてかなり絞られています（Azure Speechのクォータ）。
- カスタム音声は合成より高い。 プロフェッショナル音声のトレーニングは計算時間1時間あたり52ドル、デプロイしたカスタム音声のエンドポイントは、話していなくてもホストしている間は1時間あたり4.03ドルかかります。
- カスタム音声には承認が必要。 プロフェッショナル音声とパーソナル音声は限定アクセスです。Microsoftの申請フォームから申し込み、トレーニング前に話者が同意の声明を録音します。
- 大量利用には割引がある。 コミットメントレベルは月960ドルで8,000万ニューラル文字から始まり、100万文字あたり12ドル相当です。4億文字、20億文字ではさらに安くなります。
- 料金はリージョンによって異なる。 上の数字はUS Eastのものです。リソースを置くリージョンの料金は料金ページで確認してください。
Azureの既製ニューラル音声は価格面で競争力があり、すでにAzureを使っているなら、IDと請求の統合にも価値があります。乗り換えを検討する理由はたいてい三つです。リアルタイムの会話でもっと低い遅延が必要、承認手続きなしでクローン音声を使いたい、自分の台本でもっと自然に聞こえる声が欲しい。
Azureの音声合成から移行するなら、現在のアプリで使う声、地域、発話の制御を整理するところから始めます。契約料金を比べる前に、それらの要件に対して候補を比較してください。
比較するポイント
Azureの音声サービスは、すでにAzureの資源を管理するチームに適しています。Cartesiaは独自のAPIでSonicを提供します。提供元を変えると認証とリクエスト処理が変わり、カスタム音声の利用条件も別途確認が必要です。
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 |
| Speechify | 文書の読み上げ | 読み上げアプリ、スタジオ、APIのプラン |
| Amazon Polly | AWSアプリのTTS | 音声エンジン、地域、対応する制御 |
| Google Cloud Text-to-Speech | Google CloudアプリのTTS | 声ごとの機能と上限 |
| IBM Watson Text to Speech | TTS APIの統合 | 言語、制御、サービスの上限 |
| Murf AI | 台本付きナレーション | 編集操作と出力権利 |
| ElevenLabs | 音声生成と吹き替え | モデルの選択と利用上限 |
| PlayHT | 既存のTTSの処理 | 現在のサービスとAPIの提供状況 |
| WellSaid Labs | 業務用ナレーション | チームの作業と対応言語 |
| Synthesia | AIプレゼンターの動画 | アバターの要件と動画の出力 |
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。
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。
Amazon Polly
Amazon PollyはAWSの音声合成サービスです。すでにAWSの認証や課金を使うアプリなら候補になります。音声エンジンごとに対応言語と制御が異なるため、サービス全体の機能一覧でなく、導入するエンジンを確認してください。
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。
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。
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。
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。
PlayHT
PlayHTは音声生成やTTS APIの統合に使われてきました。開発の基盤にする前に、現在のサービス提供、APIへのアクセス、サポートを提供元に確認してください。既存の統合を移すなら、比較テストに必要な台本と声の設定を保存します。
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。
Synthesia
Synthesiaは、AIのプレゼンターとナレーション付きの動画を作成します。画面に話者を映す完成品が必要な場合に検討できます。音声だけなら、使わない動画機能に費用を払わずに済む音声APIを確認しましょう。
切り替える前に試す
現在のリクエストで使うSSMLタグと発音ルールを一覧にします。新APIの対応機能を確認し、電話やブラウザーのクライアントで音声の符号化を試します。ピーク時の同時アクセスも含め、ユーザーの接続地域からのレイテンシを測りましょう。
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。