Google Text-to-Speech API の料金：1時間の音声はいくら？

100万文字あたりの料金

Standard と WaveNet の音声は100万文字あたり $4、Neural2 と Polyglot は $16、Chirp 3: HD は $30、Instant custom voice は $60、Studio は $160 です。Google は入力のすべての文字を数え、スペースや改行、mark タグ以外の SSML タグも含みます。Google Cloud の Gemini-TTS モデルはトークン課金で、無料枠はありません。

無料枠

毎月、Standard と WaveNet の音声は最初の400万文字、Neural2・Polyglot・Chirp 3: HD・Studio は最初の100万文字が無料です。Instant custom voice に無料枠はありません。ElevenLabs が料金ページで使う「1分あたり約1,000文字」の目安では、400万文字は約66時間、100万文字は約16時間の音声です。

1時間あたりの費用

1時間の音声は約6万文字です。定価では Standard や WaveNet で約 $0.24、Neural2 で $0.96、Chirp 3: HD で $1.80、Instant custom voice で $3.60、Studio で $9.60 です。SuperClonica の $5 の Starter プランが月に最大で音声化する216時間は、Standard 音声で約 $52（無料枠を引くと約 $36）、Chirp 3: HD で約 $390 になります。

SuperClonica なら同じ時間でいくら

SuperClonica の音声 API は文字数ではなく時間で課金します。プランは10分ごとの枠に音声の分数を与えます。休みなく使うと、$5 の Starter プランで月最大216時間、$10 で576時間、$20 で1,440時間、$50 で4,680時間を音声化できます。無料キーは1日3分です。カタログのすべての声と自分で学習した声がどのプランでも使え、当社の測定では音声は300ミリ秒から届き始めます。Supertonic 3 が話すのは31言語で、中国語はまだ含まれていません。

Google のほうが向いている場合

無料枠の範囲に収まるなら、Standard や WaveNet の音声は費用がかからないこともあります。Google は中国語を含むはるかに多くの言語と地域バリエーション、SSML、単語のタイムスタンプ、リージョン指定、大手クラウドの保証も備えています。SuperClonica が得なのは、月に何時間も音声化する場合、カタログのキャラクターや独自の声を使いたい場合、定額にしたい場合です。

1回のリクエストで試す

サイトで無料キーを取得し、ヘッダー Authorization: Bearer とキー、本文

{"text": "...", "voice": "F1", "language": "ja"}

を付けて https://superclonica.com/api/v1/speech に POST します。MP3 なら "format": "mp3" を、届いた順に再生するなら "stream": true を加えます。