Eleven v4・Gemini 3.8 Flash TTS・Azure HD・OpenAIを比べる:2026年9月末のTTSナレーション選び

2026年10月13日

今週のテーマはTTS(テキスト読み上げ)とナレーション。9月28日にElevenLabsが「Eleven v4」を出し、Googleは「Gemini 3.8 Flash TTS」で声の作り方そのものを変えてきた。MicrosoftのHD音声は値下げ済み。ナレーション用途で何が選べて、どう使い分けるかを整理する。

1. ElevenLabs Eleven v4:タグで演技を付ける新世代

Eleven v4は、ElevenLabsが公開した最新のTTSモデルです。制作向けの高品質版「v4」と、リアルタイム会話向けの「v4 Turbo」に分かれています。

言語:90言語以上(v3は約70言語)。
演出:[whispering]や[laughing]のようなオーディオタグを台本に直接書いて、間や感情を指定する。タグへの追従はv3より正確になったが、公式も「完全ではない」と説明している。
長尺向け:1回の生成は最大10,000文字。文脈をつなぐ「context stitching」で、章をまたいでも読み口をそろえやすくなった。
クローン:Instant Voice Cloneは10秒程度の音声で作れる。Professional Voice Cloneも再び使える。以前に作ったクローンは再学習が必要。
Turbo:初回音声まで約150ms(ElevenLabs自社計測)。ElevenAgentsなどの会話用途向け。

[whispering] 夜明け前の駅は、思ったより静かだった。
[pause] [laughing] でも、その静けさは長くは続かなかった。

API料金は公式の料金ページで確認できます。10月12日までは72%引きのローンチ価格です。

2. Google Gemini 3.8 Flash TTS:声を「プロンプトで作る」

GoogleはGemini 3.8 Flash TTSとFlash-Lite TTSを発表しました。API側の仕様はGemini APIのモデルページにあります。

従来30種だったプリセット音声が、2,000種類以上に拡大。ケベック・フランス語やメキシコ・スペイン語など地域差のある声もある。
対応は100言語以上。Googleの評価では、日本語を含む複数言語でVoice Arenaの盲検評価の上位に入っている。
役割・アクセント・話し方を自然言語で書いて、カスタム音声を作れる。行ごとに感情やペースを指示することもできる。
1つの台本で2人の掛け合いを生成でき、ポッドキャストや対談形式の音声に向く。
生成音声には透かし(ウォーターマーク)が入る。

使い方の基本は、Gemini APIの音声生成ガイドのとおり、台本に演技指示を添えて送る形です。

3. Microsoft Azure Speech:HD音声は値下げ、企業利用に強い

Azure SpeechのNeural HD音声(DragonHD系)は、LLMベースで入力文の意味や感情を読み取り、話し方を自動調整します。第三者の料金解説(TextToLab)によると、HD音声は2026年3月に100万文字あたり$30から$22へ下がりました。標準のNeural音声は$16、無料枠は月50万文字です。最新の価格はAzureの料金ページで確認してください。HD音声はリージョンによって使えない場合があります。

4. OpenAI TTS:指示で口調を変える手軽さ

OpenAIのTTS APIには、tts-1、tts-1-hd、gpt-4o-mini-ttsがあります。gpt-4o-mini-ttsは「温かく落ち着いた声で」のような指示で口調を変えられます。一方で、SSMLによる細かな発音制御はなく、声の選択肢はElevenLabsより少なめです。ElevenLabsの比較では、初回音声までの時間は814msでした。会話用途にはリアルタイム向けのモデルを検討してください。

5. 比較表

サービス	強み	言語	声の作り方	料金の目安(100万文字)
ElevenLabs Eleven v4 / Turbo	演出タグ・長尺・クローン	90言語以上	ライブラリ17,500声以上・クローン	通常$80(Turbo $40)。10/12まで$22(Turbo $11)
Google Gemini 3.8 Flash TTS	プロンプトで声を設計・2人対話	100言語以上	2,000声以上・自然言語で作成	トークン課金(公式ページで確認)
Azure Speech Neural HD	企業向け運用・コンテナ対応	多言語(音声により異なる)	プリセットHD音声	約$22(第三者調べ)
OpenAI gpt-4o-mini-tts	指示で口調を変える手軽さ	多言語	プリセット13音声	トークン課金(実効約$12前後・推定)