Unreal Speechの代わりに：声と言語の多い安価なTTS API
Unreal Speech は価格を武器にした音声合成です。ElevenLabs よりずっと安いとうたい、音声をすばやくストリーミングし、長い文章にも対応します。弱点は声と言語の少なさと、まだ声のクローンがないことです。
このガイドでは Unreal Speech が API について述べていることと、SuperClonica Speech API や無料のオフラインエンジンが向いている場面をまとめます。
Unreal Speech が提供するもの
公式サイトによると、Unreal Speech は約300 ms で音声をストリーミングし、単語ごとのタイムスタンプを返し、複数のエンドポイントを提供しています。最大1,000文字のストリーム、MP3 とタイムスタンプを返す最大3,000文字のリクエスト、最長10時間の音声向けの最大50万文字の非同期タスクです。FAQ には10言語未満で数十の声とあり、声のクローンはまだ提供していないとしています。生成した音声は商用利用でき、無料プランでは Unreal Speech のクレジット表記が必要です。
SuperClonica が提供するもの
SuperClonica Speech API は当社の測定で約300 ms から音声をストリーミングし、長い文章を複数のワーカーで同時に読み上げます。どの声も31言語を話し、カタログにはナレーターやゲーム・アニメ・カートゥーンのキャラクターがいて、スタジオで学習した自分の声を ID で呼び出すこともできます。無料キーはカード不要で1日3分、月5ドルの Starter プランは月216時間まで使えます。
Unreal Speech が向いている場合
読み上げ中の単語をハイライトするなど、単語ごとのタイムスタンプがアプリの中心なら、またはその声のどれかがすでに製品に合っているなら Unreal Speech を選びましょう。決める前に、両サービスの声をいくつか自分の文章で聞き比べてください。
SuperClonica が向いている場合
もっと多くの言語、キャラクターの声、自分の声、同じ声のオフライン利用が必要なら SuperClonica です。無料エンジンは python -m pip install superclonica-cpu でどの CPU でも動くので、非公開の文章がパソコンの外に出ることはありません。各ページで30〜100文字を無料で試せます。