たくさん話すアプリのためのAmazon Polly代替
Amazon PollyはAWSの中にある堅実な音声合成サービスで、文字数で課金されます。2026年10月のPolly料金ページによると、100万文字あたりStandard音声が4ドル、Neuralが16ドル、Generativeが30ドル、Long-Formが100ドルです。無料枠は始めるには十分ですが、アプリが毎日何時間も話すようになると、請求は文字数に比例して増えます。
SuperClonicaの音声合成APIは時間で課金し、月5ドルからです。このガイドでは両者を正直に比べ、それぞれが適している場合を説明します。
忙しい1か月のコスト
1分1000文字で計算すると、216時間の音声は約1300万文字です。Pollyの定価ではStandard音声で約52ドル、Neuralで207ドル、Generativeで389ドル、Long-Formで1296ドルになります。SuperClonicaの「スタート」プランは月5ドルで10分ごとに3分の音声が使え、休まず使えば最大216時間です。
- 無料：1日1分の音声。
- スタート、5ドル：月最大216時間。
- 作成者、10ドル：最大576時間。
- プロ、20ドル：最大1440時間。
- スタジオ、50ドル：最大4680時間。
そのほかの違い
Pollyは言語ごとに決まった声を持っています。SuperClonicaにはキャラクター、ナレーター、アナウンサーなど作者がつくった声のカタログがあり、有料プランならどの声もAPIで使えます。サイトで自分の録音から声を学習させることもできます。長いテキストは複数のワーカーで分割して同時に読み上げ、最短300ミリ秒からストリーミングできます。AWSアカウントもIAMポリシーもSDKも設定不要で、キー付きのHTTPSリクエスト1回で済みます。
リクエストの切り替え方
コードがSynthesizeSpeechを呼んでいる箇所で、テキストを https://superclonica.com/api/v1/speech に送り、Authorization: Bearer にキーを入れ、本文を {"text": "...", "voice": "F1", "language": "ja", "format": "mp3"} にします。応答は音声そのものです。SSMLのタグはマークアップとして解釈されないので、プレーンテキストを送ってください。改行は段落の区切りとして保たれます。
Pollyのほうが適している場合
SSML、単語のタイミングや口の動きに使うSpeech Marks、中国語などSupertonic 3が話せない言語、AWSの請求やコンプライアンスが必要な場合、または使用量が無料枠（Standardは月500万文字、Neuralは最初の12か月間月100万文字）に収まる場合は、Pollyを使い続けてください。決める前に、同じ文をSuperClonicaの声のページとPollyのコンソールに入れて聞き比べてください。