音声合成APIの料金：音声1時間に実際いくらかかるか
音声合成APIは文字数で課金されるため、アプリが話すたびに請求額が増えます。比較も簡単ではありません。文字数で数えるサービス、バイト数で数えるサービス、月額クレジットを売るサービスがあるからです。このガイドでは、2026年10月25日時点の公式ページの定価を使い、すべてを「音声1時間」という同じ単位にそろえます。
SuperClonicaの音声合成APIは課金の仕方が違います。時間で課金する月額固定のプランです。それが時間にするとどうなるか、そして文字単価のサービスのほうが得になるのはどんな場合かを以下で説明します。
同じ単位で比べる：音声1時間
話し言葉1分はおよそ1000文字のテキストにあたります。ElevenLabs自身も料金ページでこの目安を使っています。すると1時間は約6万文字、216時間は約1300万文字です。以下は従量課金の100万文字あたりの定価で、無料枠や大口割引は含みません。
- Google Cloud Standard音声：4ドル、音声1時間 ≈ 0.24ドル。
- OpenAI tts-1、Azure Neural：15ドル、1時間 ≈ 0.90ドル。
- Amazon Polly Neural、Google Neural2：16ドル、1時間 ≈ 0.96ドル。
- OpenAI tts-1-hd、Google Chirp 3: HD、Deepgram Aura-2、Amazon Polly Generative：30ドル、1時間 ≈ 1.80ドル。
- ElevenLabs Flash / Turbo：40ドル、1時間 ≈ 2.40ドル。Multilingual v2 / v3：80ドル、1時間 ≈ 4.80ドル。
- Fish Audio S2.1 Pro：UTF-8の100万バイトあたり15ドル。キリル文字のテキストは英語の2倍、日本語や韓国語は3倍の料金になります。
SuperClonicaのプランを時間で見る
SuperClonicaのプランは、10分ごとの枠の中で使える音声の分数を決めるもので、サイトのウォレットから1か月単位で購入します。休まず使った場合の1か月の上限は次のとおりです。
- 無料：1日1分の音声、カード不要。
- スタート、月5ドル：10分ごとに3分、月最大216時間。
- 作成者、10ドル：10分ごとに8分、最大576時間。
- プロ、20ドル：10分ごとに25分、最大1800時間。
- スタジオ、50ドル：10分ごとに80分、最大5760時間。
同じ216時間を他社で使うと
1分1000文字で計算すると、5ドルのプランの216時間は約1300万文字です。定価ではGoogle Standard音声で約52ドル、OpenAI tts-1やAzure Neuralで194ドル、Amazon Polly Neuralで207ドル、OpenAI tts-1-hd、Google Chirp 3: HD、Deepgram Aura-2で389ドル、CartesiaのScaleプランで約488ドル、ElevenLabs Flashで518ドル、ElevenLabs Multilingualで1037ドルになります。
SuperClonicaのトップページでは、この比較をすべてのサービスを並べた表で見られます。
文字単価のほうが得な場合
固定プランが得になるのは、大量に音声を作るときです。アプリが1日に数文しか話さないなら、無料枠のある文字課金サービスは0円で済むかもしれません。大手クラウドには、Supertonic 3がまだ対応していない中国語を含む多くの言語、SSML、単語ごとのタイムスタンプ、地域を選べるホスティング、稼働率保証のある契約もあります。音も比べてください。声の違いは料金の違いより大きく、SuperClonicaではカタログのどの声も支払い前にページ上で無料で試聴できます。