文字数ではなく時間で課金する、Azure音声合成の代替
Azure AI Speechはニューラル音声とロケールの選択肢が最も多いサービスの一つで、文字数で課金されます。従量課金の定価で、ニューラル音声は100万文字あたり15ドル、HD音声は22ドル、無料枠は月50万文字です。1日に何時間も話すアプリでは、文字数がすぐに積み重なります。
SuperClonicaの音声合成APIは時間で課金し、月5ドルからです。正直な比較と、リクエストの切り替え方を紹介します。
216時間の料金
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。定価ではAzureのニューラル音声で約194ドル、HD音声で285ドルです。SuperClonicaの「スタート」プランなら、10分ごとに3分の音声で、休まず使えば同じ216時間を月5ドルで作れます。
- 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。
声：ロケールではなくカタログ
Azureは声をロケールごとに整理しています。SuperClonicaには作者がつくったキャラクター、ナレーター、アナウンサー、日常的な声のカタログがあり、有料プランなら購入せずにどれでもAPIで使えます。自分の声を作るのに申請は不要で、サイトで自分の録音から学習させ、ほかの声と同じように使えます。
リクエストの切り替え方
Speech SDKやSSML本文のAzure RESTエンドポイントの代わりに、https://superclonica.com/api/v1/speech にJSONを送り、Authorization: Bearer にキーを入れます：{"text": "...", "voice": "F1", "language": "ja", "format": "mp3"}。届きながら再生するには "stream": true を加えてください。私たちの計測では最初の音は最短300ミリ秒で届きました。429または503の応答にはRetry-Afterが付くので、その時間だけ待ってから同じIdempotency-Keyで送り直してください。
Azureのほうが適している場合
Azureは中国語を含む言語とロケールの数、スタイルや口形素（ビセーム）を使ったSSML、地域を選べるホスティング、自社データセンター向けのコンテナー、企業向け契約で優れています。使用量が月50万文字に収まるなら、無料枠で済むかもしれません。決める前に、自分のテキストで両方を聞き比べてください。