音声合成モデルの料金比較
BibiGPT でナレーションに使えるすべての音声を 100 万文字あたりの料金で比較し、公式サンプルも試聴できます。トークン課金のモデルは、話し声 1 秒あたり約 15 文字で換算しています。
料金確認日：2026-10-26。表示は上流の定価で、BibiGPT の料金ではありません。
| モデル | 試聴 | 100 万文字あたり | 1M 文字 | 定価 | 特長 | BibiGPT での対応 |
|---|---|---|---|---|---|---|
Kokoro-82M（ブラウザ内） オープンソース・端末内 kokoro-js無料で、テキストはブラウザの外に出ません。非対応の言語はシステム音声に切り替わります。 | $0 | $0 | 無料（ブラウザ内で実行、初回のみ約 86MB のダウンロード） | 中/英/日 低遅延 | 端末内で実行 ブラウザ内の読み上げ | |
Qwen-Audio-3.1 TTS Flash最安 Alibaba Qwen qwen-audio-3.1-tts-flash3.1 からトークン課金に変更。BibiGPT は現在も 3.0 Flash を使用しています。 | $2.87概算 | $2.87 | 入力 ¥1.5／出力 ¥12（100 万トークンあたり、北京リージョン） | 中/英＋方言ボイス ボイスデザイン | BibiGPT 未対応 | |
xAI TTS xAI（fal 上でホスト） xai/tts/v1当社が使う文字課金の選択肢で最安。 | $15 | $15 | 1K 文字あたり $0.015 | 多言語（中国語は指定が必要） 低遅延 | BibiGPT で利用可 | |
Qwen-Audio-3.0 TTS Flash Alibaba Qwen（OpenRouter） qwen/qwen-audio-3.0-tts-flash安価で安定した中国語ナレーション。 | $15 | $15 | 100 万文字あたり $15（OpenRouter）。中国サイトは 1 万文字あたり ¥1（漢字 1 文字を 2 文字と計算） | 中/英＋方言ボイス | BibiGPT で利用可 | |
Fish Audio S2.1 Pro Fish Audio fish-audio/s2.1-proバイト課金：英語は 100 万文字あたり $15、中国語は 100 万文字あたり約 $45。ボイスクローンの品質は確かです。 | $15 | $15 | 100 万 UTF-8 バイトあたり $15（漢字は約 3 バイト） | 80 以上の言語 ボイスクローン表現タグ | BibiGPT で利用可 | |
HeyGen Voice HeyGen（OpenRouter） heygen/heygen-voice-1中国語と英語を読み上げ可能。既定の声は Nadine。 | $15 | $15 | 100 万文字あたり $15（OpenRouter。turbo ティアは $4） | 多言語 | BibiGPT で利用可 | |
Gemini 3.8 Flash TTS Google gemini-3.8-flash-tts既定のナレーション音声。1 回の呼び出しで複数話者に対応し、口調は普通の言葉で指示できます。 | $15.1概算 | $15.1 | テキスト入力 $0.50／音声出力 $9（100 万トークンあたり。2027 年から倍の $1／$18） | 80 以上の言語 複数話者表現タグ | BibiGPT で利用可 | |
GPT-4o mini TTS OpenAI gpt-4o-mini-tts指示で口調を調整できます。中国語はやや訛りがあります。 | $16.2概算 | $16.2 | テキスト入力 $0.60／音声出力 $12（100 万トークンあたり、約 $0.015/分） | 多言語 表現タグ | BibiGPT 未対応 | |
DeepSeek POST /v1/tools/tts声は Stella と Tide の 2 種のみ。話速・感情の指定は不可。実測で約 1 秒で発声、合成は実時間の約 5 倍速。中国語は 2 文字計算のため実質 100 万字あたり約 $45。 | 公式サンプルなし | $22.5 | $22.5 | 1 万文字あたり $0.45（期間限定半額 $0.225）、漢字は 2 文字扱い | 標準中国語・広東語・英語・日本語・韓国語など 10 言語 低遅延 | BibiGPT で利用可 |
Deepgram Aura-2 Deepgram aura-2音声エージェント向けの低遅延な英語 TTS。 | $30 | $30 | 1K 文字あたり $0.030 | 英語ほか数言語 低遅延 | BibiGPT 未対応 | |
Eleven Flash v2.5 / v4 Turbo ElevenLabs eleven_flash_v2_5 · eleven_v4_turbo最初の音声まで約 75〜100 ms。ナレーション時は ElevenLabs のモデルメニューから選べます。 | 公式サンプルなし | $40 | $40 | 1K 文字あたり $0.04 | 32 言語（v4 Turbo は 90 以上） ボイスクローン低遅延 | BibiGPT で利用可 |
Eleven v4 / v3 ElevenLabs eleven_v4 · eleven_v3最も表現力の高いティア。中国語の品質はボイスによります。 | $80 | $80 | 1K 文字あたり $0.08 | 70 以上の言語 ボイスクローン表現タグ複数話者 | BibiGPT で利用可 | |
MiniMax Speech 2.8 HD MiniMax speech-2.8-hd最も自然な中国語の読み上げ。Turbo ティアは 100 万文字あたり $60 です。 | $100 | $100 | 100 万文字あたり $100（海外）。中国サイトは 1 万文字あたり ¥3.5（漢字 1 文字を 2 文字と計算） | 40 言語（中国語が最良） ボイスクローンボイスデザイン表現タグ | BibiGPT で利用可 | |
Seed Audio 1.0 ByteDance Seed（fal 上でホスト） bytedance/seed-audio-1.0音声の分数で課金。声の特徴を 1 文で書けばよく、参照音声は不要です。 | $208概算 | $208 | 音声 1 分あたり $0.1875（fal）。火山引擎 中国は ¥1/分 | 中国語、英語 ボイスデザイン | BibiGPT で利用可 | |
MiMo V2 TTS Xiaomi mimo-v2-tts自然な中国語の話し言葉。 | 要確認 | — | 非公開（公式の料金ページには v2.5 TTS が期間限定無料と記載されているのみ） | 中国語、英語 表現タグ | BibiGPT で利用可 |
- Gemini／Qwen のトークン課金 TTS：音声 1 秒あたり 25 トークン、話し声 1 秒あたり約 15 文字で換算。
- 中国語は 1 文字単位で課金されるのが一般的ですが、ベンダーによっては漢字 1 文字を 2 文字と数えます。実際の請求額を基準にしてください。
- 人民元と米ドルは 7.1 で換算。
よくある質問
いちばん安い文字起こしモデルはどれ？
当社のサンプルでは、Qwen-Audio-3.1 のファイル文字起こしが 1 時間あたり約 ¥0.075〜0.10 で、StepAudio 2.5（¥0.15/時間）や Paraformer v2（¥0.288/時間）より安くなりました。Bibi Local デスクトップアプリの端末内モデルは無料です。
STT、ライブ、TTS の違いは？
STT は録音済みの音声をテキストにするもので、音声の時間数で課金されます。ライブモデルは話している最中に同じ処理を行うか、音声で返答するもので、料金は高めです。TTS は逆にテキストから音声を作り、多くは文字数で課金されます。
なぜ「概算」と表示される価格があるの？
それらのモデルは分単位ではなくトークンで課金されます。表の下に記載したトークン密度で換算しており、実際の請求額は話す速さや言語によって変わります。
これらのモデルは BibiGPT で使える？
「BibiGPT で利用可」のモデルはメンバーシップに含まれます。「自分のキー」のモデルは、ご自身の API キーを登録すると選択できます。「端末内で実行」のモデルは Bibi Local デスクトップアプリで無料で動作します。「BibiGPT 未対応」の行は参考として掲載しています。
あなたのコンテンツでこれらの音声を聴く
BibiGPT で要約をナレーション付きの画像動画にして、音声エンジンを選べます。