【2026年最新】音声合成（TTS）API料金比較｜OpenAI・Google・ElevenLabs・Amazon

はじめに

音声合成（TTS）APIとは？

音声合成（TTS：Text-to-Speech）APIとは、テキストを送ると、AIが自動で自然な音声を生成して返してくれるサービスです。音声コンテンツの自動生成・読み上げ機能・音声アシスタント・ポッドキャスト自動化などをプログラムから実現できます。

料金体系も「1M文字あたり」「トークンあたり」「月額プラン＋従量課金」と多様なため、用途に合った選定が重要です。

料金体系の種類

• 1M文字あたり課金：Google Cloud TTS・Amazon Polly・Azureなど主流の体系
• トークンあたり課金：gpt-4o-mini-tts・Gemini 3.8 Flash TTS・Gemini 3.1 Flash TTS Previewなど。音声長に直結するため予測しやすい
• 月額プラン＋従量課金：ElevenLabsなど。プランごとにモデル別の文字数が含まれ、従量課金（Pay as you go）も選べる。API利用は米ドル建てで課金される

この表の見方

• 料金（1M文字あたり）：主要な課金単位。1M文字≒400〜600分の音声相当。トークン課金モデルは単位が異なります
• 品質ランク：Standard（基本）・Neural/HD（高品質）・Studio（最高品質）などの区分
• 無料枠：「✓ あり（条件）」「なし」の2値で表記。月次の無料利用量で、超過後は有料

音声合成（TTS）API料金比較表（2026年9月時点）

※料金はUSD。2026年9月時点の情報です。

モデル名	提供元	料金（1M文字あたり）	品質ランク	無料枠
Google WaveNet	Google	$4.00	高品質ニューラル	✓ あり（月4M文字）
Google Neural2		$16.00	ニューラル高品質	✓ あり（月1M文字）
Gemini 3.8 Flash TTS ★最新		入力$0.50・出力$9.00（/1Mトークン）	最高品質（公式：スタジオ級の音質・表現力・長文の安定性）	✓ あり（Gemini API無料枠）
Gemini 3.8 Flash-Lite TTS		入力$0.50・出力$6.00（/1Mトークン）	高速・低遅延（公式：大量処理と低コストの会話音声向け）	✓ あり（Gemini API無料枠）
Gemini 3.1 Flash TTS Preview		入力$1.00・出力$20.00（/1Mトークン）	高品質・話し方の指示に対応	✓ あり（Gemini API無料枠）
Chirp 3: HD音声		$30.00	高品質HD・多言語	✓ あり（月1M文字）
Google Polyglot		$16.00	多言語対応（プレビュー）	✓ あり（月1M文字）
Google Studio Voices		$160.00	プロメディア制作向け最高品質	✓ あり（月1M文字）
Google Instant Custom Voice		$60.00	カスタムブランド音声	なし
tts-1	OpenAI	$15.00	標準品質	なし
tts-1-hd		$30.00	高音質	なし
gpt-4o-mini-tts ★最新		$12.00（出力音声トークン）	高速・自然	なし
Amazon Polly Standard	Amazon	$4.00	標準品質	✓ あり（月5M文字）
Amazon Polly Neural		$16.00	ニューラル高品質	✓ あり（初12ヶ月・月1M文字）
Amazon Polly Generative		$30.00	生成AI級	✓ あり（初12ヶ月・月0.1M文字）
Amazon Polly Long-Form		$100.00	長文最適化	✓ あり（初12ヶ月・月0.5M文字）
ElevenLabs v4 ★最新	ElevenLabs	月$22（275K文字込み） $0.08/1K文字（10月12日まで72%引きの$0.022）	最高品質・感情表現（90以上の言語・1回10,000文字まで）	✓ あり（月10,000文字・無料プラン）
ElevenLabs v4 Turbo		月$22（550K文字込み） $0.04/1K文字（10月12日まで72%引きの$0.011）	v4の低遅延版（約100ms・90以上の言語）	✓ あり（月20,000文字・無料プラン）
ElevenLabs Flash / Turbo		月$22（550K文字込み） $0.04/1K文字	低遅延・高速（約75ms・32言語）	✓ あり（月20,000文字・無料プラン）
ElevenLabs v3		月$22（275K文字込み） $0.08/1K文字	前世代の高品質・感情表現（70以上の言語・1回5,000文字まで）	✓ あり（月10,000文字・無料プラン）
ElevenLabs v3 Conversational		月$22（550K文字込み） $0.04/1K文字	会話向け低遅延（約280ms・70以上の言語）	✓ あり（月20,000文字・無料プラン）
ElevenLabs v2 Multilingual		月$22（275K文字込み） $0.08/1K文字	長文安定・多言語（29言語）	✓ あり（月10,000文字・無料プラン）
Azure Neural	Microsoft Azure	$15.00	標準ニューラル	✓ あり（月50万文字・F0）
Azure Neural HD		$22.00	超高品質HD	なし
VOICEVOX	OSS（セルフホスト）	無料	中品質・日本語特化	✓ あり（OSS）
xAI Grok TTS	xAI	$15.00	高品質	なし

※ Gemini TTS各行とgpt-4o-mini-ttsはトークン課金（gpt-4o-mini-ttsは約$0.015/分）。
※ ElevenLabsは月額プラン（Creator $22〜）＋従量課金の2本立て。v4・v4 Turboは10月12日まで72%引き。
※ Gemini 3.8系TTSの表示価格は2026年12月31日までで、2027年1月1日から倍額になります。
※ Azure Neural HDの$22はEast US等の表示（Japan EastはN/A）。
※ xAI grok-voice-think-fast-1.0は公式でDeprecated表示（日付未告知）。新規は2.0が前提。

出典：Google Gemini API 公式料金ページ
出典：Google Cloud Text-to-Speech 公式料金ページ
出典：OpenAI 公式料金ページ
出典：AWS Polly 公式料金ページ
出典：ElevenLabs 公式料金ページ
出典：Microsoft Azure Speech 公式料金ページ
出典：VOICEVOX 公式サイト
出典：xAI 公式料金ページ

用途別おすすめ

コスト重視・大量生成向き

Google WaveNet（$4/1M文字）が最安クラスで、月4M文字の無料枠もあります。日本語を含む多言語に対応しており、コスト効率重視のパイプラインに適しています。

Amazon Polly Standardも同価格帯（$4/1M文字）で、月5M文字まで無料です（Neural・Generative・Long-Formは初12ヶ月のみ）。AWSエコシステムで統一している場合に使いやすい選択肢です。

品質重視・自然な発話向き

Google Neural2（$16/1M文字）とAmazon Polly Neural（$16/1M文字）が品質と価格のバランスが取れた中価格帯です。

感情表現・声のカスタマイズ重視ならElevenLabs。感情表現を最優先するなら最新のv4（月$22・275K文字込み・90以上の言語・1回10,000文字まで）、低遅延ならv4 Turbo（月$22・550K文字込み・遅延約100ms）で、この2つは10月12日まで72%引きです。遅延を最小にしたいならFlash/Turbo（月$22・550K文字込み・遅延約75ms）、会話AIならv3 Conversational（同550K文字・遅延約280ms）、長文を安定して読ませるならv2 Multilingual（同275K文字・29言語）。前世代のv3（同275K文字）も使えます。

AIエージェント組み込み向き

Gemini 3.8 Flash TTS（入力$0.50・出力$9.00/1Mトークン）は、Gemini APIと同一キーで使え、プロンプトで話し方や複数話者の掛け合いを指定できます。2026年9月22日に公開された正式版で、長尺を安定して読ませたい用途に向きます。

Gemini 3.8 Flash-Lite TTS（入力$0.50・出力$6.00/1Mトークン）は、公式が「大量処理・低遅延・低コストの会話音声向け」と位置づける軽量版です。安く大量に生成したいときはこちらを選びます。

なお3.8系の表示価格は2026年12月31日までで、2027年1月1日から倍額になります。前世代のGemini 3.1 Flash TTS Preview（入力$1.00・出力$20.00/1Mトークン）も提供は続いていますが、料金は3.8系の2倍です。

Chirp 3: HD音声（$30/1M文字）は多言語対応の高品質音声で、月1M文字の無料枠を活用したテストが可能です。プロ品質のメディア制作にはGoogle Studio Voices（$160/1M文字）、ブランド独自音声の構築にはInstant Custom Voice（$60/1M文字）が選択肢です。

日本語音声・OSS利用向き

VOICEVOXは完全無料のOSSで、ずんだもんなど複数の日本語キャラクター音声を利用できます。APIサーバーを自前構築する必要がありますが、コストゼロで日本語TTSを実装できます。

OpenAIエコシステムで統一したい場合

gpt-4o-mini-ttsは自然な感情表現と高速レスポンスが特徴です。他のOpenAI APIと組み合わせてシームレスに音声機能を追加できます（目安$0.015/分）。定額の文字数課金を好む場合はtts-1（$15/1M文字・標準品質）・tts-1-hd（$30/1M文字・高音質）も選択肢です。

xAIエコシステムで統一したい場合

xAI Grok TTS（$15.00/1M文字）はxAIの音声エージェント（grok-voice-think-fast-2.0＝$0.08/分・$4.80/時間）・STT（REST $0.10/時間・Streaming $0.20/時間）と同一APIで提供されており、音声入出力をxAIで完結できます。旧モデルのgrok-voice-think-fast-1.0（$0.05/分）は公式料金ページに「Deprecated」と表示されているため、新規に組むなら2.0を前提にしてください。料金は中〜高価格帯（ElevenLabsと同水準）のため、xAIエコシステムへの統一を優先する場合に検討してください。

よくある質問

TTS APIで最も安いのはどこですか？

2026年9月時点の最安クラスはGoogle WaveNet・Amazon Polly Standard（ともに$4/1M文字）です。Google WaveNetは月4M文字の無料枠もあり、大量生成のコストを抑えられます。

日本語に対応したTTS APIはありますか？

主要なTTS APIはほぼすべて日本語に対応しています。Google Cloud TTS・Amazon Polly・Azure AI SpeechはJapanese（ja-JP）音声を提供。ElevenLabsはv3・v2 Multilingualで日本語対応。完全無料の日本語特化なら、VOICEVOXのセルフホスト構築が最もコストを抑えられます。

ElevenLabsとOpenAI TTSはどちらがおすすめですか？

用途で異なります。感情表現・声のカスタマイズ・クローン音声が必要ならElevenLabsが圧倒的に豊富です。OpenAIエコシステムと統合したい・シンプルに読み上げ機能を追加したいならgpt-4o-mini-ttsが使いやすい選択です。コストではGoogle/Amazonの方が安い傾向にあります。

TTS APIの無料枠はどれが充実していますか？

Google WaveNetは月4M文字（無期限）の無料枠が最も充実しています。Chirp 3 HDは月1M文字。Amazon Polly Standardは月5M文字。ElevenLabsは無料プランで月10,000文字（v4 Turbo・Flash/Turbo・v3 Conversationalは月20,000文字）。AzureはF0ティアでText to Speech Neuralが月50万文字まで無料です。

まとめ

• 最安クラスはGoogle WaveNet・Amazon Polly Standard（$4/1M文字）
• 無料枠最大はGoogle WaveNet（月4M文字）
• 品質・感情表現重視ならElevenLabsが最も豊富なオプション（v4・v4 Turbo・Flash/Turbo・v3・v3 Conversational・v2 Multilingual）
• AIエージェント組み込みにはGemini 3.8 Flash TTS（トークン課金・Gemini APIと共通キー・2027年1月から倍額）
• Chirp 3 HDは$30/1M文字・月1M文字無料枠で高品質音声が試せる
• 日本語特化・完全無料ならVOICEVOX（セルフホスト）
• OpenAI統一ならgpt-4o-mini-tts（約$0.015/分）・定額文字数課金ならtts-1/tts-1-hd
• 最高品質のプロメディア制作にはGoogle Studio Voices（$160/1M文字）

料金は変動することがあります。最新情報は各社公式ページをご確認のうえ、実際の用途でテストして選定してください。