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。07/30 15:43 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
$15 / 100万UTF-8バイト
InvestigativeDocumentaryNarrator
尺 28.8s 余韻 0.27s 間 10回 4.39s
この1本 0.91円
★★★★★
Japan, 1821. Men still wore the topknot, a sword still hung at the wai
CalmFemaleNarrator
尺 28.5s 余韻 0.26s 間 11回 4.21s
この1本 0.91円
★★★★★
Japan, 1821. Men still wore the topknot. A sword still hung at the wai
ElevenLabs v3
音声タグ
Starter $6 / 4万クレジット(1文字=0.5 ★実測)
Hank
尺 33.4s 余韻 1.52s 間 10回 4.70s
この1本 4.54円
★★★★★
Japan, 1821. Men still wore the topknot, a sword still hung at the wai
Arabella
尺 36.6s 余韻 2.93s 間 11回 7.12s
この1本 4.54円
★★★★★
Japan, 1821. Men still wore the topknot, a sword still hung at the wai
Gemini 3.1 Flash TTS
自由文
出力 $20/100万トークン(音声25トークン/秒)
Enceladus
尺 36.6s 余韻 1.20s 間 12回 9.72s
この1本 2.74円
★★★★★
Japan, 1821. Men still wore the topknot. A sword still hung at the wai
Kore
尺 47.7s 余韻 4.11s 間 16回 13.68s
この1本 3.58円
★★★★★
Japam, 1821. Men still wore the topknot, a sword still hung at the wai
Cartesia Sonic 3.5
emotion
Pro $5 / 10万クレジット(1文字=1)
Quentin
尺 28.4s 余韻 0.54s 間 9回 4.41s
この1本 3.03円
★★★★★
Japan, 1821. Men still wore the top knot. A sword still hung at the wa
Ayala
尺 26.0s 余韻 0.46s 間 9回 3.34s
この1本 3.03円
★★★★★
Japan, 1821. Men still wore the topknot. A sword still hung at the wai
ElevenLabs Multilingual v2
パラメータ
Starter $6 / 4万クレジット(1文字=0.5 ★実測)
Hank_設定A
尺 34.4s 余韻 0.75s 間 10回 7.41s
この1本 4.54円
★★★★★
Japan 1821. Men still wore the topknot. A sword still hung at the wais
AnaRita_設定A
尺 34.1s 余韻 0.74s 間 10回 6.68s
この1本 4.54円
★★★★★
Japan, 1821. Men still wore the topknot. A sword still hung at the wai
Seedance 2.0 Mini
プロンプト
秒課金。映像込みの値段
プロンプト指定
尺 36.3s 余韻 0.86s 間 10回 9.19s
この1本 258.86円
★★★★★
Japan, 1821. Men still wore the top-notch. A sword still hung at the w
プロンプト指定
尺 36.3s 余韻 0.66s 間 12回 8.68s
この1本 258.86円
★★★★★
Japan, 1821. Men still wore the topkinot, a sword still hung at the wa
男性
女性
Fish Audio s2.1-pro
prosody
$15 / 100万UTF-8バイト
逃走中ナレーション
尺 11.8s 余韻 0.19s 間 5回 1.43s
この1本 0.33円
★★★★★
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
尺 10.4s 余韻 0.38s 間 4回 2.04s
この1本 0.33円
★★★★★
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
Starter $6 / 4万クレジット(1文字=0.5 ★実測)
Hank
尺 10.9s 余韻 0.02s 間 5回 2.74s
この1本 0.57円
★★★★★
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
尺 13.0s 余韻 2.61s 間 4回 2.70s
この1本 0.57円
★★★★★
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
出力 $20/100万トークン(音声25トークン/秒)
Enceladus
尺 12.8s 余韻 0.62s 間 6回 3.27s
この1本 0.96円
★★★★★
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
尺 13.3s 余韻 0.75s 間 7回 4.39s
この1本 1.00円
★★★★★
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
Pro $5 / 10万クレジット(1文字=1)
Kenji
尺 8.5s 余韻 0.50s 間 4回 1.68s
この1本 0.38円
★★★★★
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
尺 9.8s 余韻 0.22s 間 6回 2.30s
この1本 0.38円
★★★★★
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
Starter $6 / 4万クレジット(1文字=0.5 ★実測)
Hank
尺 13.0s 余韻 0.38s 間 4回 2.40s
この1本 0.57円
★★★★★
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
尺 11.1s 余韻 0.37s 間 8回 2.17s
この1本 0.57円
★★★★★
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
秒課金。映像込みの値段
プロンプト指定
尺 8.1s 余韻 0.96s 間 3回 1.10s
この1本 57.83円
★★★★★
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
尺 8.1s 余韻 0.85s 間 3回 1.20s
この1本 57.83円
★★★★★
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。
間 … 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.speedとtemperature(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。★無料プランは商用利用不可
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

費用の見方

各マスの金額は、その音声を実際に生成したときの費用です。 課金単位がモデルごとに違う(バイト / 文字 / 秒)ので、 本文の長さと実測の尺から都度計算しています。$1=150円で換算。

★商用利用には両社とも有料プランが必要なので、最安の商用プランを基準にしています。 以前の表は無料枠と公称レートで出していたため、Cartesiaを安く見積もりすぎていました。 Cartesiaは無料プランだと商用利用そのものが禁止されており(ToS 4.2)、 Pro($5)以上に切り替えないと使えません。 ElevenLabsは当社のstarterで商用可です。

ElevenLabsのv3は最新でも割高ではありません。 1文字あたりの消費を実測したところ、v3もmultilingual v2も0.5クレジットで同一でした。 API経由には割引が効いており、公称の1クレジット/文字ではありません。
ただしこの規模では、単価の差は決め手になりません。 1,000文字あたりでは Cartesia $0.050 / ElevenLabs $0.075 と1.5倍差ですが、 月十数本ならどちらも月額の下限に張り付くため、実際の差は月$1です。 Cartesiaを選ぶなら「有料化」と「学習停止」の2手間が増える点まで含めて判断してください。
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。