AI 音声合成は、テキストを表現力のある音声に変換するツールです。xAI、MiniMax、Inworld、アリババ Qwen3（音声クローン対応）など、本番運用レベルの 7 モデルを切り替えて使えます。最終的な仕上がりはモデル選択でほぼ決まります。各モデルは独自の声質ライブラリ、対応言語、文字数上限、1,000 文字あたりの料金を持ち、最初に違いを感じるのは多くの場合アクセントよりイントネーションです。
モデルの選び方
汎用音声モデル
- xAI TTS — 6 種の声、20+ 言語、
<pause>/<emphasis>などのインラインタグ対応 - Inworld TTS 2 — リアルタイム音声対話向けの会話型モデル。本ツールでは英語の声を提供
- Inworld Max / Mini — 名前付きの 75 声。Mini は安価で高速
特化モデル
- MiniMax Speech 2.8 — 300+ の声、言語ブースト設定で出力言語を強く誘導
- Qwen3 CustomVoice — Alibaba 提供の 9 種プリセット声、スタイル制御あり
- Qwen3 Base — 3 秒のサンプルから声をクローン
Qwen3 Base で声をクローンする
Qwen3 Base には 3〜30 秒のリファレンス音声が必要です。動作モードは 2 種類あります。
ICL モード（書き起こしあり）
音声クリップとそこで話されている内容の正確な書き起こしを両方渡す方法です。類似度が高く、プロソディも自然になります。元音声がクリーンで台本が手元にある本番制作向きです。
x-vector モード（音声のみ）
書き起こし欄を空のまま送信します。話者埋め込みのみを利用するため設定は手早く済みますが、クローン精度は下がり、長い出力ではブレやすくなります。試作用途に向きます。
押さえておきたいインラインタグ
xAI TTS はテキスト内のインラインタグを解釈します。例：
Welcome to the observatory. <pause time="600ms"/> The comet streaks across the sky like a silver flame, <emphasis level="strong">brilliant</emphasis> and brief.
課金の決まり方
このカタログの TTS モデルはすべて入力文字数（1,000 文字単位）で課金します。モデル選択画面の値札がそのレートで、合計コストは text.length に対して線形に増えます。実用上のポイント：
- 同じモデルなら、20,000 文字の章は 1,000 文字の段落の約 20 倍のコストになります
- クレジットの仮押さえは送信した文字数に応じて見積もられ、最終決済はプロバイダの実請求額に合わせて精算されます
出力フォーマットとダウンロード
各結果のダウンロードボタンは選択した形式（MP3 / WAV / FLAC / OGG）に従い、ファイル名にも対応する拡張子が付きます。履歴側も生成時の形式を保持しているため、後から旧クリップを再ダウンロードしても拡張子が静かに変わることはありません。