ナレーション ─ モデル比較

同じ本文を5モデル×男女で生成。文末に息遣いが残るかを見る。07/29 17:47 時点

読ませている本文(英語)

Japan, eighteen twenty-one. Men still wore the topknot. A sword still hung at the waist. In that age lived a man you have almost certainly never heard of. His name was Ino Tadataka. He had already made a fortune. He could have stopped there. Instead he spent every remaining year walking, measuring, and calculating. What he left behind has outlasted him by two centuries. Japan has never seen his equal.

読ませている本文(日本語)

1821年、日本。まだ日本人がちょんまげを結って、刀を挿していた時代に生きた、この男をご存知だろうか?

男性
女性
Fish Audio s2.1-pro
prosody
1本 約0.3円
InvestigativeDocumentaryNarrator
28.8s 余韻 0.27s 10回 4.39s
Japan, 1821. Men still wore the topknot, a sword still hung at the wai
CalmFemaleNarrator
28.5s 余韻 0.26s 11回 4.21s
Japan, 1821. Men still wore the topknot. A sword still hung at the wai
ElevenLabs v3
音声タグ
1本 約6円
Hank
33.4s 余韻 1.52s 10回 4.70s
Japan, 1821. Men still wore the topknot, a sword still hung at the wai
Arabella
36.6s 余韻 2.93s 11回 7.12s
Japan, 1821. Men still wore the topknot, a sword still hung at the wai
Gemini 3.1 Flash TTS
自由文
1本 約4円
Enceladus
36.6s 余韻 1.20s 12回 9.72s
Japan, 1821. Men still wore the topknot. A sword still hung at the wai
Kore
47.7s 余韻 4.11s 16回 13.68s
Japam, 1821. Men still wore the topknot, a sword still hung at the wai
Cartesia Sonic 3.5
emotion
1本 約2.5〜3.3円
Quentin
28.4s 余韻 0.54s 9回 4.41s
Japan, 1821. Men still wore the top knot. A sword still hung at the wa
Ayala
26.0s 余韻 0.46s 9回 3.34s
Japan, 1821. Men still wore the topknot. A sword still hung at the wai
ElevenLabs Multilingual v2
パラメータ
1本 約6円
Hank_設定A
34.4s 余韻 0.75s 10回 7.41s
Japan 1821. Men still wore the topknot. A sword still hung at the wais
AnaRita_設定A
34.1s 余韻 0.74s 10回 6.68s
Japan, 1821. Men still wore the topknot. A sword still hung at the wai
Seedance 2.0 Mini
プロンプト
1本 約257円
プロンプト指定
36.3s 余韻 0.86s 10回 9.19s
Japan, 1821. Men still wore the top-notch. A sword still hung at the w
プロンプト指定
36.3s 余韻 0.66s 12回 8.68s
Japan, 1821. Men still wore the topkinot, a sword still hung at the wa
男性
女性
Fish Audio s2.1-pro
prosody
1本 約0.3円
逃走中ナレーション
11.8s 余韻 0.19s 5回 1.43s
1821年、日本。まだ日本人がちょんまげを結って刀を刺していた時代に生きたこの男をご存知だろうか。
女性ナレーション
10.4s 余韻 0.38s 4回 2.04s
1821年日本まだ日本人がちょんまげを結って刀を刺していた時代に生きたこの男をご存知だろうか
ElevenLabs v3
音声タグ
1本 約6円
Hank
10.9s 余韻 0.02s 5回 2.74s
121年、日本。まだ日本人がチョンマゲを言って刀を刺していた時代に来たこの男をご存知だろうか。
Arabella
13.0s 余韻 2.61s 4回 2.70s
1821年、日本。まだ日本人がちょんまげを言って刀を刺していた時代に生きた。この男をご存知だろうか。
Gemini 3.1 Flash TTS
自由文
1本 約4円
Enceladus
12.8s 余韻 0.62s 6回 3.27s
1821年、日本。まだ日本人がちょんまげを言って刀を刺していた時代に生きたこの男をご存知だろうか。
Aoede
13.3s 余韻 0.75s 7回 4.39s
1821年、日本。まだ日本人がちょんまげを言って刀を刺していた時代に生きた。この男をご存知だろうか。
Cartesia Sonic 3.5
emotion
1本 約2.5〜3.3円
Kenji
8.5s 余韻 0.50s 4回 1.68s
1821年 日本 まだ日本人がチョンマゲを結って刀を刺していた時代に生きたこの男をご存知だろうか
Yuki
9.8s 余韻 0.22s 6回 2.30s
1821年、日本。まだ日本人がちょんまげを結って刀を刺していた時代に生きたこの男をご存知だろうか?
ElevenLabs Multilingual v2
パラメータ
1本 約6円
Hank
13.0s 余韻 0.38s 4回 2.40s
1921年 日本まだ日本人がちょんまげを伏せらって 道を指していた時代に生きたこのおとてごご存知だろうか
Arabella
11.1s 余韻 0.37s 8回 2.17s
1921年、日本。まだ日本人がちょんまげをくちゃって耳をさしていた時代に生きた。このお子をご存知だろうか?
Seedance 2.0 Mini
プロンプト
1本 約257円
プロンプト指定
8.1s 余韻 0.96s 3回 1.10s
1821年、日本。まだ日本人がちょんまげを結って刀を刺していた時代に生きた。この男をご存知だろうか。
プロンプト指定
8.1s 余韻 0.85s 3回 1.20s
1821年日本 まだ日本人がちょんまげを結って刀を刺していた時代に生きたこの男をご存知だろうか
主発話 間(セリフとセリフの間) 余韻(言い切った後に残る音) ★と短評はこの端末に保存されます
波形の見方。 オレンジの帯が2種類あります。中ほどの薄い帯が「間」右端の帯が「余韻」です。
… 句読点で息を置いた区間。0.15秒以上音が止まったところを数えています。 回数と合計秒数を各マスに出しました。間が多いほど、急がず語っていることになります。 間がゼロなら句読点が効いておらず、一息で読み切っています。
余韻 … 主発話のピークの25%を最後に超えた位置から先。 長く、かつ高さが低いものが、息が残って自然に落ちている状態です。 高さが0に近ければ単なる無音、高いままなら言い終わっていません。
★言語で傾向が変わります。 日本語では ElevenLabs v3 が最長(2.3〜2.6秒・他は0.3〜1.1秒)でしたが、 英語では Gemini の Kore が4.11秒で最長でした。 同じ Gemini でも日本語の Enceladus は0.02秒でバッサリ切れています。 片方の結果だけでモデルを決めると読み違えます。両方を切り替えて確かめてください。

息遣いをどう指定したか

Fish Audio s2.1-proヘッダのmodelでエンジン、reference_idで声を選ぶ。prosody.speedtemperature(表現の振れ幅)で制御。日本語だけで86,288声あり狙いに合う声を選べる。実測で最安
ElevenLabs v3[calm] 本文 [exhales] と書くだけ。語りを落ち着かせたまま文末だけ息を足せる。指定手段が最も直接的
Gemini 3.1 Flash TTSaudio_profile に「文末で息がまだ聞こえながら落ちる」と英文で記述。style/paceは選択肢式(Newscaster/Natural)
Cartesia Sonic 3.5emotion を50種以上から選び speed で速度指定。意味が明示的で狙いを言葉にしやすい。最安。無料枠あり
ElevenLabs Multilingual v2音声タグ非対応。stability 0.20 / style 0.55 と振って出すしかなく、息遣いを狙うと語り全体が過剰になりやすい
Seedance 2.0 Mini動画モデル。声はプロンプトの言葉のみで指示。音声だけなら約80倍高いが、映像も使うなら追加費用ゼロ
Seedanceだけ性質が違います。 他は音声専用モデルですが、Seedanceは動画モデルです。音声だけを目的にすると 捨てる映像の生成費まで払うため約80倍高くつきます。 ただし映像も使う場面では音声は追加費用ゼロで付いてくるので、用途で使い分けるものです。