ロシア語ニューラル音声合成の選び方：発音・間・採用音声1分あたりのコストでTTSを評価する
宣伝用デモに頼らずロシア語TTSを選ぶための実務手順。同一原稿のブラインド評価、形式確認、各社の制御方法、採用音声1分あたりのコスト計算をまとめます。
目次
ロシア語TTSをいくつか試聴すると、どのデモも滑らかに聞こえます。しかし自分の原稿に姓、金額、略語、長文を入れると、強勢や間の誤りが表面化することがあります。この記事を読めば、最初に試す2候補、同一原稿のブラインド評価、再生成と不採用テイクを含む採用1分コストの計算方法が分かります。
最初の候補は次のように絞れます。長いロシア語音声はgemini-3.8-flash-ttsとElevenLabs Multilingual v2、大量の短文はgemini-3.8-flash-lite-ttsとElevenLabs Flash/Turbo、電話・IVRはμ-lawとA-lawを直接出力できるGeminiとElevenLabsを先に試します。既にOpenAIの音声基盤がある場合や、そのストリーミング・出力形式が必要な場合はgpt-4o-mini-ttsも加えますが、内蔵音声は英語向けに最適化されているため、必ず自分のロシア語原稿で合格させてください。
公開ドキュメントには、同一のロシア語原稿を各社で独立比較した試聴結果はありません。以下の公式機能と料金で第1候補を決め、その後は自分の原稿、匿名試聴、実際の請求額で判断します。モデル、形式、料金は2026年9月24日時点で確認しており、制作前に再確認が必要です。
まずロシア語対応・制御・形式・課金の4条件で絞る
4条件のどれかを満たさない候補は、試聴に時間を使う前に外します。
- 公式資料にロシア語が明記されていること。 対応言語であることはテスト参加の条件にすぎず、強勢やイントネーションの正しさを証明しません。
- 発話制御の仕組みが用途に合うこと。 速度、声色、間をどこに記述するのか、その指示自体が読み上げられないかを確認します。
- 出力形式が既存パイプラインに合うこと。 編集ならWAVやMP3、ストリーミングならRaw PCM、電話ならμ-lawやA-lawが必要になる場合があります。
- 課金単位を記録できること。 文字、テキストtoken、音声token、秒など、事業者ごとに単位が異なります。「1分あたり約Xドル」は、再生成と不採用テイクを含めるまで制作予算にはなりません。
この表で最初に試す2候補を決める
3社ともロシア語テストの候補になりますが、制御方法、出力形式、課金単位が異なります。この表は第1ラウンドを決めるために使い、音質順位には使いません。
| 事業者 | モデルとロシア語対応 | 発話制御 | 出力形式 | 2026-09-24時点の料金根拠 |
|---|---|---|---|---|
| Google Gemini | gemini-3.8-flash-tts、gemini-3.8-flash-lite-tts。両方でロシア語を掲載 | 継続的なスタイルはspeech_metadata.style、局所的な間や発声イベントは<short pause>などのタグ | 通常リクエストは24 kHz、mono、16-bit WAV。ストリーミングはRaw PCM。μ-law、A-lawも利用可能 | 2026-12-31までのStandard出力は100万音声tokenあたり$9または$6。1秒25音声token |
| OpenAI | gpt-4o-mini-tts。ほかにtts-1、tts-1-hd。対応言語一覧にロシア語 | instructionsでアクセント、速度、イントネーション、感情幅、トーン、ささやきを制御 | MP3、Opus、AAC、FLAC、WAV、24 kHz Raw PCM。ストリーミング対応 | 公式TTSガイドには現行単価がないため、試験日の料金ページまたは請求額を記録する |
| ElevenLabs | Eleven v3、v3 Conversational、Multilingual v2、Flash/Turbo。Multilingual v2とFlash v2.5にロシア語 | テキスト文脈、Stability、Similarity。seedで再現性を高め、previous_text / next_textで分割を接続 | MP3、PCM、μ-law、A-law、Opus | v3とMultilingualは1,000文字あたり$0.10、v3 ConversationalとFlash/Turboは$0.05。税別 |
「スタジオ品質」「長文で最も安定」「最高忠実度」といった表現は、最初の候補を作る手掛かりにすぎません。自分のロシア語原稿で重要情報を正しく読み、3回の出力が安定し、修正費用が許容できた候補だけを残します。
テスト原稿は実際の業務を再現する
無作為な段落や事業者のデモ文は使いません。実際の業務を短く再現した原稿にします。講座なら専門用語と長い説明、ECなら商品番号・金額・住所、IVRなら短い指示・人名・数字を含めます。
最初の原稿は中立にし、特定API専用のタグや手作業の編集を入れません。次のロシア語文は出発点として使えます。ロシア語発音を試すため、この記事の各言語版でも意図的にロシア語のまま残しています。
Добрый вечер! Заказ № 1847 готов к выдаче 5 октября в 18:30.
Сумма — 1 250 рублей 50 копеек. Код подтверждения: А-7-Б-9.
В письме указаны адреса example.ru/support и support@example.ru.
Сначала откройте за́мок, затем осмотрите старинный замо́к.
Компания ООО «Северный ветер» выпустила API для CRM и IoT.
Анна сказала: «Подождите… Я проверю данные и перезвоню через две минуты».
この原稿で、次の点を一度に確認できます。
- 日付、時刻、金額、小数、文字列の読み方
- ロシア語略語、ラテン文字、URL、メールアドレス
- 同じ綴りで強勢が異なる語
- 短い間と長い間
- 地の文から直接話法への切り替え
- ロシア語の人名と組織名
さらに、製品に不可欠な語を5〜10個追加します。専門家の姓、都市名、ブランド、医療・法律・技術用語などです。各語の強勢、数字の読み方、略語の展開を示す「正解表」も保存してください。基準がなければ、評価は正誤ではなく好みの議論になってしまいます。
調整なしで3回生成し、ばらつきを確認する
各候補について、モデル、声、速度、形式、その他の設定を固定します。修正していない同一原稿を生成し、同じ設定でさらに2回繰り返します。3本作る目的は、最も良いテイクを選ぶことではなく、結果のばらつきを見ることです。
ファイル名をA1、A2、A3、B1などに変更し、評価者に事業者名を見せません。少なくとも2名のロシア語母語話者が独立して採点します。専門分野の原稿なら、1名はその用語に詳しい人を含めます。
0〜2点の簡単な基準で十分です。
| 評価項目 | 0点 | 1点 | 2点 |
|---|---|---|---|
| 発音と強勢 | 意味が変わる誤り、または再録必須 | 目立つが修正可能 | 重要語がすべて正しい |
| 数字・日付・略語 | 欠落または誤読 | 原稿の書き換えが必要 | 修正不要 |
| 間と句の境界 | 意味のまとまりがつながる | 使用可能だが編集が必要 | 意図した間になっている |
| 3回の安定性 | 語、声質、リズムが大きく変わる | 小さな差がある | 予測可能 |
| 音声アーティファクト | クリック、反復、切断、明確な失敗 | 小さな欠陥 | 明確な欠陥なし |
| 利用準備度 | 再生成と編集の両方が必要 | どちらか一方が必要 | そのまま採用可能 |
合計点を出す前に、失格条件を決めます。銀行IVRで金額を誤読した音声は、声が良くても失格になり得ます。オーディオブックでは珍しい人名の1か所の誤りは修正できても、章ごとに声質が変わる問題は許容できないかもしれません。
第2ラウンドは重大な誤りだけを直し、無限に調整しない
ベースラインは、補助なしでの実力を示します。第2ラウンドでは、問題を直すのに必要な作業量を測ります。偶然良い1本が出るまで無制限に調整する試験にはしません。
Google Gemini TTS
Gemini 3.8はtextフィールドを逐語的な読み上げ原稿として扱います。「落ち着いて、ゆっくり、自信を持って」のように発話全体へかかる指示はspeech_metadata.styleに入れ、本文として読まれないようにします。局所的な間は本文中に<short pause>を置けます。公式資料は、原稿が英語以外でもインラインタグ名には英語を使うことを推奨しています。
非ストリーミングではRIFFヘッダー付きの完全なWAVが返ります。24 kHz、mono、16-bit signed little-endian PCMです。ストリーミングでは、同じ基本仕様のヘッダーなしRaw audio/l16が既定です。電話用途ではaudio/mulawまたはaudio/alawとサンプルレートを指定できます。
2つの3.8モデルは同じAPIスキーマを使います。Googleはgemini-3.8-flash-ttsを高い忠実度、表現制御、難しい発音、長文向け、gemini-3.8-flash-lite-ttsを大量処理、低遅延、低コスト向けと位置付けています。ロシア語テストで確認するまでは、あくまで事業者の案内として扱います。
OpenAI Speech API
gpt-4o-mini-ttsでは、instructionsによってアクセント、速度、イントネーション、感情の幅、トーン、ささやきを制御できます。ロシア語は対応言語一覧にありますが、公式資料は内蔵音声が英語向けに最適化されているとも説明しています。地域的な発音、姓、専門語が重要なら、ロシア語原稿での確認が不可欠です。
既定出力はMP3で、Opus、AAC、FLAC、WAV、24 kHz Raw PCMにも対応します。応答速度を重視する場合、ガイドはWAVまたはPCMを推奨しています。ストリーミングを使えば、ファイル全体の生成完了前に再生を始められます。
製品要件もあります。OpenAIは、聞こえている声が人間ではなくAI生成であることをエンドユーザーへ明確に知らせるよう求めています。
ElevenLabs
公式ガイドはMultilingual v2とFlash v2.5でロシア語を掲載し、対象言語と地域に合うアクセントの声を選ぶよう勧めています。「興奮して言った」のような説明文は表現へ影響しますが、その文自体も読み上げられます。使う場合は削除、書き換え、または後編集が必要です。
出力はMP3、PCM、μ-law、A-law、Opusに対応します。モデルは非決定的であり、seedは再現性を高めても完全一致を保証しません。長文では分割し、previous_text / next_textまたは隣接リクエストIDを渡して韻律のつながりを保つことが推奨されています。
無料の再生成は最大2回ですが、テキスト、声、全パラメータが完全に同一の場合に限られます。文字や設定を変更すれば新しい有料生成になります。また、商用利用権は有料プランでのみ提供されると説明されています。
再生成と不採用テイクを採用1分コストに含める
最初の1回だけを数えると、実際のコストを過小評価します。その素材にかかった全生成費を、実際に採用した音声時間で割ってください。
採用音声1分あたりのコスト = その素材の全生成費用 ÷ 採用音声の分数。
有料の別テイク、原稿修正後の再生成、不採用テイクをすべて分子に入れます。編集時間は別に記録し、API料金と人件費の両方を見えるようにします。
Google Geminiの計算例
Googleでは音声1秒が25音声tokenなので、1分は1,500音声tokenです。2026年12月31日までのStandard料金では、
gemini-3.8-flash-tts：100万出力音声tokenあたり$9、つまり生成1分あたり$0.0135と入力テキスト料金gemini-3.8-flash-lite-tts：100万出力音声tokenあたり$6、つまり生成1分あたり$0.009と入力テキスト料金
Batch/Flexでは約$0.00675と$0.0045、Priorityでは約$0.0243と$0.0162です。公式料金表では、これらは2027年1月1日から2倍になります。
Flash-Liteで1分のテイクを3本作り、1本だけ採用した場合、出力部分の採用1分コストはすでに約**$0.027**で、$0.009ではありません。入力token、税、その他の請求項目も実績に合わせて加えます。
ElevenLabsの計算例
ElevenLabsのTTSは音声時間ではなく文字数で課金されます。
- v3とMultilingual：1,000文字あたり$0.10
- v3 ConversationalとFlash/Turbo：1,000文字あたり$0.05
1,200文字の原稿なら1回の生成は$0.12または$0.06です。完成した1分音声に有料生成が3回必要なら、採用1分コストは$0.36または$0.18になります。ただし、同じ1,200ロシア語文字でも50秒または90秒になる可能性があります。採用ファイルの実時間で計算してください。料金ページの「1分あたり約」は平均換算であり、自分のロシア語読み上げ速度の測定ではありません。
OpenAIの料金をどう扱うか
OpenAIのTTSガイドにはモデル、制御、形式は載っていますが、現行単価は載っていません。試験日に有効な料金ページまたは請求書から実際の使用量と金額を同じ表へ記録してください。古い単価や別の音声製品の料金を使うと、精密に見えて誤った比較になります。
用途ごとに最初の2候補を決める
第1ラウンドですべてのサービスを試す必要はありません。コンテンツの長さ、出力経路、許容できる修正量から2候補を選び、両方が不合格のときだけ追加します。
長い講座・ポッドキャスト・オーディオブック：Gemini FlashとMultilingual v2を先に試す
長いロシア語音声では、まずgemini-3.8-flash-ttsとElevenLabs Multilingual v2を比較します。Geminiは逐語原稿、構造化されたスタイル、局所的な間を扱え、ElevenLabsはMultilingual v2を長文向けに位置付け、previous_text / next_textで分割を接続できます。
原稿の厳密さ、WAV/raw PCM、構造化された2話者が重要ならGeminiから始めます。声の選択肢と分割間の連続性が重要ならElevenLabsから始め、章ごとの音色変化、重要語の誤読、頻繁な再生成が出たら主候補を入れ替えます。
大量の短文：Gemini Flash-LiteとElevenLabs Flash/Turboを先に試す
商品情報、通知、UI読み上げでは、まずgemini-3.8-flash-lite-ttsとElevenLabs Flash/Turboを比較します。どちらも低コストまたは高スループット向けとされるため、表示単価ではなく採用1分コストで選びます。
文字数が安定し、文字課金が扱いやすいならElevenLabsは予算を立てやすくなります。Raw PCM、μ-law、A-law、または音声tokenでの統一記録が必要ならGeminiが直接的です。再生成と手修正で価格差が消えたら、誤りの少ない方を選びます。
既存のストリーミング基盤：デコーダーで最初の候補を決める
既にOpenAI Speech APIを使っているなら、chunked streamingとWAV/PCM出力を持つgpt-4o-mini-ttsを先に試します。逐語読み、構造化制御、24 kHz raw PCMを重視するならGeminiを先に試します。
低遅延と声の選択肢を最優先するならElevenLabs Flashを先に試します。最初の音が速くても、ロシア語の強勢誤りや修正作業が全体の時間と費用を増やすなら候補を変えます。
電話・IVR：GeminiとElevenLabsを先に試す
電話・IVRでは、μ-lawまたはA-lawを直接返せるGeminiとElevenLabsを先に試し、余分な変換を減らします。金額、日付、氏名、確認コードの誤読は即失格にし、声の自然さで誤情報を許容しません。
安定したPCM変換経路が既にある場合だけOpenAIも加えます。そうでなければ、慣れたAPIの再利用が変換と障害切り分けを増やす可能性があります。
2人または複数人：2人はGemini、より多人数はEleven v3
固定2役ならGemini 3.8を先に試し、多人数またはより演劇的な会話ならEleven v3を先に試します。ロシア語の声が役に合わない、話者が混ざる、長い発話の連続性が崩れる場合は候補を切り替えます。
ブランド音声・クローン音声：音質より先に権利を確認する
同意、保存条件、商用利用を満たせない候補を先に外し、その後で長文品質を試します。技術的に似た声を作れても、公開、保存、収益化の許可が自動的に得られるわけではありません。
6項目すべてを満たしてからパイロットへ進む
1項目でも不合格なら、問題を直すか候補を変えるまで本番へ進めません。
- 重要なロシア語、姓、金額、略語が正しく読まれる
- 指示文が音声へ漏れず、速度と間を制御できる
- 同一リクエスト3回の安定性が用途に十分である
- 形式とサンプルレートが編集、ストリーミング、電話に合う
- 商用利用権と合成音声の告知要件を理解している
- 全生成を含めた費用を採用時間で割っている
- 制作直前にモデルIDと料金を再確認した
第1ラウンドを2候補に絞り、同一原稿を3回生成して匿名評価します。長文はGemini FlashとElevenLabs Multilingual v2、大量の短文はFlash-LiteとFlash/Turbo、電話はGeminiとElevenLabsから始め、重要情報を正しく読み、十分に安定し、採用1分コストを管理できる候補だけを残してください。
公式情報源
2026年9月24日に確認：
