モデル11
- Eleven Sound Effects v3効果音 · ElevenLabs$0.12 / 分（API）
- Eleven v4音声 · ElevenLabs$0.08 / 1,000文字（v4 Turbo は $0.04）
- Gemini 3.8 Flash TTS音声 · Google入力 $0.50・音声出力 $9.00 / 100万トークン（音声1分あたり約 $0.0135）。2027年1月1日から $1.00・$18.00
- MiniMax Speech 2.8 HD音声 · MiniMax$0.10 / 1,000文字（Turbo は $0.06）
- Sonic 3.6音声 · Cartesia1文字 = 1クレジット。超過分は100万クレジットあたり $38〜$65（プランによる）
- Kokoro-82M音声 · hexgrad$0.02 / 1,000文字（fal.ai）
- GPT-Transcribe音声 · OpenAI$0.0045 / 分
- Scribe v2音声 · ElevenLabs$0.22 / 時間（約 $0.0037 / 分）。リアルタイム版は $0.39 / 時間
- Nova-3音声 · Deepgram録音済み $0.0043 / 分（多言語 $0.0052）、ストリーミング $0.0077 / 分（多言語 $0.0092）
- Gemini 3.5 Transcribe音声 · Google音声入力 $0.003 / 分 ＋ テキスト出力 $0.002 / 分 相当（Live 版は $0.005 ＋ $0.004 / 分）
- GPT-Realtime-2.1音声 · OpenAI音声 入力 $32・出力 $64 / 100万トークン（テキスト 入力 $4・出力 $24）
AI用語4
- 音声合成（TTS）Text-to-Speechテキストを人の声のような音声に変換する技術です。ナレーション、読み上げ、音声アシスタント、電話の自動応答などに使われます。
- 音声認識（STT）Speech-to-Text音声を聞き取ってテキストに変換する技術です。会議の議事録づくり、字幕の作成、コールセンターの通話記録などに使われます。
- リップシンクLip Sync音声に合わせて、映像の人物やキャラクターの口の動きを自動で合わせる技術です。吹き替え動画、多言語化、アバターによる説明動画などに使われます。
- ボイスクローンVoice Cloning短い録音をもとに、特定の人の声に似た音声を合成できるようにする技術です。本人のナレーションの多言語化や、収録の手間の削減に使われます。
企業2
- xAIエックスエーアイGrok シリーズのモデルを開発する、イーロン・マスク氏が2023年に設立した AI 企業。2026年2月に SpaceX に買収され、現在は SpaceX の AI 部門として Grok を提供している。
- ElevenLabsイレブンラボ音声合成や文字起こし、音声エージェントなど音声 AI を専門とする企業。読み上げモデル Eleven v4 や、音声・チャットのエージェントを作る ElevenAgents を提供している。