テキスト読み上げの価格比較

2つのテキスト読み上げプロバイダーがほぼ同一の品質をうたっていても、請求額が一桁違うことがあります。その理由が音声の品質であることはめったにありません。その裏にある料金モデルこそが原因です。TTSの料金がどのように決まるかを理解することは、予測可能な費用項目と、使用量よりも速く膨らむ予想外の請求書との違いを生みます。

このガイドでは、主流となっている3つの料金モデル、それぞれがどんな人に適しているか、そしてベンダーの料金ページが省きがちな隠れたコストを分解して解説します。

3つの料金モデル

ほぼすべてのTTSプロバイダーは、3つの請求方式のいずれかを採用しています。それぞれが異なる種類のワークロードに最適化されており、自社のユースケースに合わない方式を選ぶことが、チームが払い過ぎる最も一般的な原因です。

文字単位の料金

最も一般的なモデルです。APIに送信する文字数に基づいて支払い、通常は100万文字あたりで提示されます。オーディオブックやコースのナレーションのようなテキスト量の多いワークロードでは、透明性が高く見積もりも容易です。落とし穴は、SSMLマークアップ、句読点、空白がしばしば文字数の合計に含まれること、そして長尺プロジェクトでは急速にコストが積み上がることです。

分単位の料金

生成された音声の1分ごとに、それを生み出したテキスト量にかかわらず支払います。これは、動画のナレーションや広告スポットのように、長さが予測できるコンテンツに適しています。欠点は、休止や無音も依然としてカウントされること、そしてクリップを再生成するたびに全額で再び課金されることです。

GPUおよびコンピュートベースの料金

出力単位あたりで支払う代わりに、専用のコンピュート能力に対して時間単位で支払います。これは大量処理では最も費用対効果が高いモデルであり、保証された低レイテンシを必要とするリアルタイムアプリケーションにとって唯一の実用的な選択肢です。CAMB.AIはまさにこうしたワークロード向けに専用GPUデプロイメントを提供し、共有インフラのキューイング遅延を排除します。トレードオフは、アイドル状態の能力にも費用がかかることであり、そのため正確な使用量予測が必要です。

隠れたコスト

表示価格が総額であることはめったにありません。契約する前に、見落とされがちな以下のコストを考慮に入れましょう。

• ボイスクローン料金 — 一部のプロバイダーは、カスタム音声の作成や保存に対して別途課金します。
• 言語追加料金 — プレミアム言語や低リソース言語は、標準的な言語よりも高くつくことがあります。
• 再生成 — スクリプトを編集して再レンダリングすると、クリップ全体が再び課金されます。
• 商用ライセンス — 生成した音声を商用利用するには、より上位のプランが必要になる場合があります。
• 超過料金 — プランに含まれる割り当てを超えた分の単価は、多くの場合はるかに高くなります。

選び方

表示価格ではなく、実際のワークロードから始めましょう。大量の長尺ナレーションを制作するなら、たっぷりとした割り当てのある文字単位の料金がたいてい有利です。出力が短く、長さが予測できるなら、分単位の方がシンプルかもしれません。そして、リアルタイムまたは非常に大量のワークロードを扱うなら、一定の閾値を超えれば専用コンピュートがほぼ常に単位あたりの課金を上回ります。契約する前に、それぞれのモデルで現実的なサンプルを実行してみましょう。