調査方法:Hume の終了通知と旧料金は、Hume 自身の changelog と、Wayback Machine にアーカイブされた料金ページに基づいています。現在はどちらの公開ページも Hume の新製品にリダイレクトされるためです。それ以外の料金はすべて、2026年11月11日に確認した各ベンダー自身の料金ページに基づいています。テキスト読み上げの料金は、比較できるよう音声1時間あたりの料金に換算しました。これらの API を当社で実際に実行してはいません。ここに掲載したレイテンシの数値は、ベンダーの主張(その旨を明記)と、独立したベンチマーク1件のみです。
Hume の発表内容と、残るもの#
2026年10月2日、Hume は開発者向けチェンジログに「TTS and EVI API sunset notice」を掲載しました。「Hume is sunsetting the TTS and EVI APIs. Access ends November 13, 2026 at 12:01 a.m. EST, and both APIs remain fully supported until then.」同告知には、アカウント内のデータはこの日付以降に完全に削除されるとも記載されています(Hume changelog, archived October 3, 2026)。
企業としての Hume が閉鎖されるわけではありません。同社のホームページでは現在、Audio Decisions API を販売しています。この API は、文字起こしなしで録音に関する問い(通話者がどの感情を示しているか、どの言語が話されているか、何人が話しているか)に答えます。開発者向けドキュメントとチェンジログも現在はこの製品のみを扱っており、旧 Octave のドキュメントの URL はそちらにリダイレクトされます。したがって、通話の感情を測定するために Hume を使っていた場合、その部分は形を変えて存続します。Octave または EVI を通じて音声を話させるために Hume を使っていた場合は、新しいベンダーが必要です。
1つではなく2つの移行#
Hume は2つの異なる製品を提供しており、それぞれ代替先が異なります。
- EVI (Empathic Voice Interface) は音声から音声への API で、音声を入力すると音声が出力され、その間に言語モデルが介在していました。代替先は、リアルタイム音声 API とマネージド型の音声エージェントプラットフォームで、料金は会話の分単位で設定されています。
- Octave はテキスト読み上げ API で、テキストを送信すると音声が得られ、話し方を制御できました。代替先は TTS API で、料金は文字単位または音声の分単位で設定されています。
EVI の代替:リアルタイム音声 API の比較#
参考として、Hume の最後の公開料金ページ(2026年9月30日にアーカイブ)では、プランに含まれる EVI の分単価は$0.07から$0.04、追加の EVI 3 の分単価は$0.06から$0.04でした。リアルタイム音声の代替サービスの現在の料金は次のとおりです。
| API | How it is priced | Per minute, as published | What is included |
|---|---|---|---|
| OpenAI Realtime (gpt-realtime-2.1) | Per token | Not published per minute: $32 per 1M audio input tokens, $64 per 1M audio output tokens (mini: $10 / $20) | Speech in, model, speech out |
| Gemini 3.8 Live (Google) | Per token, with Google's per-minute estimates | $0.005 per minute of audio in, $0.018 per minute of audio out, plus text and thinking tokens | Speech in, model, speech out |
| ElevenLabs Realtime v1 Mini / Max | Per minute | $0.08 per minute plus LLM usage | Speech-to-speech model; LLM billed separately |
| Ultravox (now owned by Inworld) | Per minute | $0.05 per minute after 30 free minutes; Pro $100 a month | Speech-native model and hosted agent platform |
| Deepgram Voice Agent API | Per minute of connection | $0.075 Standard; $0.065 if you bring your own LLM; $0.050 bringing your own LLM and TTS | Speech-to-text, a managed LLM and text-to-speech in one rate |
| Rime Prism | Per minute | $0.080 (Flex); $0.064 on the $100-a-month Scale plan | Speech-to-speech model |
| Cartesia Managed Agents | Per minute | $0.03 agent fee (cut from $0.06), plus $0.014 a minute for a Cartesia phone number; LLM billed separately | Agent runtime on Cartesia's own speech models |
EVI の移行先の選び方#
- EVI と同じ構成(モデルを内包した1つのソケット)を求める場合: OpenAI Realtime または Gemini Live。Google は Gemini Live の分単価の目安を公開しています(音声入力は1分あたり$0.005、出力は$0.018)。OpenAI はリアルタイムモデルのトークン単価のみを公開しているため、月額の見積もりは難しくなります。ElevenLabs の Realtime v1 は OpenAI Realtime 互換とされており、すでにそのプロトコルを使っている場合は移植の手間を減らせる可能性があります。
- 電話やウェブのエージェント向けに、分単価の定額課金を求める場合: Ultravox は30分の無料枠の後、1分あたり$0.05の定額です。Inworld は2026年9月30日に Ultravox を買収しており、Inworld の発表によると、既存の音声 ID は引き続き使えます。Deepgram の Standard 料金$0.075は、Deepgram 自身の説明によれば、音声認識、マネージド LLM、テキスト読み上げを1つの価格に含みます。
- EVI の感情認識機能を使っていた場合: Hume が EVI で訴求していたように通話者の感情を読み取る代替サービスは、ここにはありません。その部分は Hume の Audio Decisions API で引き続き利用するか、LLM に文字起こしから声のトーンを推定させる方法があります。「共感的」「感情的」といったベンダーの音声に関する主張は、自社の通話で実際に聞いて確かめるまでは、マーケティング上の表現として扱ってください。
- パイプラインを自分で管理したい場合: Pipecat や LiveKit Agents などのオープンソースのオーケストレーターでは、音声認識、LLM、TTS のベンダーを自分で入れ替えられるため、次のサービス終了の際も、書き直しではなく設定変更で済みます。Vapi や Retell AI などのマネージド型プラットフォームはこれらのモデルの上で動作します。比較は音声エージェントプラットフォームのガイドをご覧ください。
Octave の代替:テキスト読み上げ API の比較#
Octave のアーカイブ済み料金では、各プランの利用枠を超えた分は1,000文字あたり$0.15から$0.05で、月額$500の Business プランには1,000万文字(100万文字あたり$50)が含まれていました。文字単位で課金するベンダーと分単位で課金するベンダーを比較するため、すべてを 生成した音声1時間あたりの料金(1分あたり800文字、1時間あたり48,000文字と仮定) に換算しました。Cartesia 自身の推定は1分あたり750〜800文字で、Inworld と Rime は約1,000文字を前提としています。その場合、文字単位課金のベンダーは表示よりも約25%高く見えることになります。
| TTS API | Published price | Per hour of audio (our conversion) | Languages (vendor) | Voice cloning |
|---|---|---|---|---|
| Hume Octave (ending Nov 13) | $0.15 to $0.05 per 1K chars overage | $7.20 to $2.40 | n/a | Yes, until shutdown |
| Inworld TTS-2 Flash | $15 per 1M chars on demand; $7 on Growth | $0.72; $0.34 on Growth | 200+ (pricing page) | Instant and professional clones |
| Inworld TTS-2 | $25 per 1M chars on demand; $12.50 on Growth | $1.20; $0.60 on Growth | 200+ (pricing page) | Instant and professional clones |
| OpenAI tts-1 / tts-1-hd | $15 / $30 per 1M chars | $0.72 / $1.44 | Not compared | Not offered on the pricing page |
| Deepgram Aura-2 / Flux TTS | $30 / $45 per 1M chars (Aura-2 $27 on Growth) | $1.44 / $2.16 | Aura-2: 7 | Not offered on the pricing page |
| Rime Mist v3 / Coda v2 | $0.030 / $0.050 per minute of audio (20% off on Scale) | $1.80 / $3.00 | Mist v3: 4; Coda: 10 | Custom cloning on Enterprise only |
| Cartesia Sonic-3.6 | Plan credits, 1 credit per character: Pro $5 for 100K, Startup $49 for 1.25M, Scale $299 for 8M | $2.40 (Pro) to $1.79 (Scale) | 44 | Instant on Pro; professional from Startup |
| ElevenLabs Flash v2.5 / v4 Turbo | $0.04 per 1K chars ($40 per 1M) | $1.92 | v4 Turbo: 90+; Flash: 32 | Yes |
| ElevenLabs v4 | $0.08 per 1K chars ($80 per 1M) | $3.84 | 90+ | Yes |
| MiniMax speech-2.8 Turbo / HD | $60 / $100 per 1M chars | $2.88 / $4.80 | 40 | Rapid cloning $1.50 per voice; voice design $3 |
独立したレイテンシ測定:これらのベンダーの多くに音声エージェントのテスト環境を提供している Coval は、テキストを送信してから最初に音が聞こえるまでの時間を全モデルで計測しています。2026年10月28日までの30日間のボードでは、Inworld TTS Flash 2 が81 ms、Inworld TTS 2 が166 ms、ElevenLabs v4 Turbo が194 ms、Flash v2.5 が198 ms、Deepgram Flux TTS が203 ms、Cartesia Sonic 3.6 が292 ms、Deepgram Aura 2 が300 ms、Rime Mist v3 が319 ms、Coda が339 ms でした(Coval TTFA ベンチマーク)。ベンダー公表の数値がこれより低いのは、多くが最初のバイトでタイマーを止めるためで、Coval は先頭の無音も含めて計測しています。
Inworld TTS-2:このグループで最も安く、最も速い#
Inworld TTS-2 Flash は、この一覧で文字単価が最も低く、Coval のベンチマークでもこれらのベンダーの中で最速です。TTS-2 は自然言語でペースやトーンを指示でき、ここにあるものの中では Octave の演技指示に最も近い機能です。料金ページには音声デザインとクローニングも含まれています。弱点:表示される価格はプランの階層によって異なるため、比較の前に自社の利用量で試算してください。無料のオンデマンド階層でプロフェッショナルクローンを使うには、カードの登録が必要です。また、Inworld は speech-to-speech 製品の分単価を公開していないため、EVI のユーザーはページからその経路の料金を見積もれません。Stork は、このページのリンク経由での Inworld へのサインアップに対して手数料を受け取ります。
ElevenLabs:対応言語数と表現力の制御に優れるが、価格は高め#
ElevenLabs v4 は90以上の言語に対応し、きめ細かな発話の制御のためのオーディオタグを備えています。Flash と v4 Turbo は低レイテンシ向けに作られています(ElevenLabs 自身の数値で約75 ms と100 ms)。speech-to-speech API と、完全なエージェントプラットフォーム(ElevenLabs Agents、1分あたり$0.08に LLM 料金を加算)も提供しています。弱点:100万文字あたり$40〜$80のため、音声1時間あたりでは Inworld の2〜5倍の費用がかかり、Agents の料金には LLM の費用がさらに加わります。Stork は、このページのリンク経由での ElevenLabs へのサインアップに対して手数料を受け取ります。
Cartesia Sonic:用意された移行手段#
Cartesia は Hume Octave 移行ガイドを公開しています。このガイドは Hume のリクエストフィールドを Cartesia 自身の API に対応付け、切り替えるまで Hume をフラグの裏に残しておく方法を示しています。競合他社のページであるため販売ツールとして読む必要がありますが、当社が見つけた中では最も具体的な移植支援です。Sonic-3.6 は44言語に対応しています。弱点:料金はプランのクレジット制のため、少量利用では Pro の料金である1時間あたり約$2.40を支払うことになります。また Coval の調査では、Sonic 3.5 の最初の音声までの時間の45%が先頭の無音でした。アフィリエイト関係はありません。
Deepgram、Rime、OpenAI、MiniMax#
- Deepgram Aura-2 は、すでに音声認識に Deepgram を使っている場合に適しています。100万文字あたり$30、7言語に対応し、Deepgram は新規構築には新しい Flux TTS($45)を推奨しています。ボイスクローニングは記載されていません。アフィリエイト関係はありません。
- Rime は音声の分単位で課金されるため、費用を見積もりやすく、無料枠では月$50分を利用できます。Mist v3 は4言語、Coda は10言語に対応します。Coval のベンチマークでは、Coda の単語誤り率は10.7%で、ボード上の他のすべてのモデルの1.5%〜3.1%を上回っていました。自社のスクリプトで試してください。アフィリエイト関係はありません。
- OpenAI tts-1 は、文字単価では Inworld Flash と並んでここで最も安く、gpt-4o-mini-tts は音声トークン単位で課金されます(出力100万トークンあたり$12)。セルフサービスのボイスクローニングは記載されていません。アフィリエイト関係はありません。
- MiniMax speech-2.8 は40言語に対応し、テキストの説明からの音声デザイン($3)と高速クローニング(1音声あたり$1.50)を提供しており、Octave の音声デザイン機能に最も近いものです。この一覧で文字単価が最も高くなっています。アフィリエイト関係はありません。
この記事が気に入ったら、毎朝同じようなものをメールで受け取れます。
1日1通 · 2クリックで解除 · サードパーティのトラッキングなし
用途別のおすすめ#
| If you used Hume for | Start with | Why |
|---|---|---|
| An EVI voice agent on the phone | Ultravox or Deepgram Voice Agent | Flat per-minute rates; Deepgram's includes the LLM |
| An EVI-style single realtime API | Gemini Live or OpenAI Realtime | Speech in and out over one connection; Google publishes per-minute estimates, OpenAI only per-token prices |
| Octave in a latency-sensitive agent | Inworld TTS-2 Flash | Lowest price per hour here and 81 ms in Coval's benchmark |
| Octave with acting direction or voice design | ElevenLabs v4, Inworld TTS-2 or MiniMax | Audio tags, natural-language steering, or voice design from a prompt |
| Octave in many languages | ElevenLabs v4 or Inworld | 90+ and 200+ languages by the vendors' own counts |
| The least porting work | Cartesia Sonic | Publishes a Hume-specific field mapping |
| Emotion detection in calls | Hume's Audio Decisions API | The part of Hume that continues |
移行チェックリスト#
- 今日: 必要な生成済み音声と、クローンした全音声のソース録音をダウンロードします。各機能がどの Hume の音声と設定を使っているかを記録してください。
- 呼び出し箇所を洗い出す: コード内で api.hume.ai と Hume API キーの変数を検索します。Octave の呼び出しは /v0/tts に、EVI は WebSocket に送られます。
- 新しいベンダーをフラグの裏に置き、音声に違和感があれば1日だけ元に戻せるようにします。11月13日以降は戻す先がなくなるため、可能であればそれまでにテストしてください。
- 保存したソース音声から新しいベンダーで音声を再作成し、デモ用の文ではなく実際のスクリプトで聞いて確認します。
- 実際の利用量で料金を再確認する: プランの階層により、Inworld では料金が半分以下になり、Rime では20%、Deepgram では10%下がります。
- 次のサービス終了に備える: PlayHT と LMNT も過去1年以内に終了しました。終了した音声 API とその移行先の一覧をご覧ください。Pipecat や LiveKit などのオーケストレーターを使えば、ベンダーを設定値として扱えます。
よくある質問#
Hume の EVI と Octave TTS API はいつ終了しますか?#
Hume の2026年10月2日付 changelog の通知によると、アクセスは2026年11月13日午前12:01(米国東部標準時)に終了します。それまでは両方の API がサポートされ、Hume は、その日付の後にアカウントデータを完全に削除するとしています。
Hume AI は完全に終了するのですか?#
いいえ。Hume はテキスト読み上げ(Octave)と speech-to-speech(EVI)の API を終了しますが、通話者がどの感情を示しているかなど、音声に関する問いに答える新しい Audio Decisions API で事業を継続します。
Hume EVI の最適な代替サービスは何ですか?#
同じ単一 API の構成であれば、OpenAI Realtime または Gemini Live です。分単価が定額の電話エージェントであれば、Ultravox(1分あたり$0.05)または Deepgram の Voice Agent API(マネージド LLM を含めて1分あたり$0.075)です。料金は2026年11月11日時点の各ベンダーのページに基づきます。
Hume Octave TTS の代替で最も安いのはどれですか?#
Inworld TTS-2 Flash と OpenAI tts-1 は、いずれもオンデマンドで100万文字あたり$15で、1分あたり800文字とすると音声1時間あたり約$0.72です。Inworld の Growth プランでは、Flash が100万文字あたり$7に下がります。
Hume のクローン音声を別のプロバイダーに移行できますか?#
直接の移行はできません。音声 ID はベンダー間で引き継げません。各クローンの作成に使った元の録音を保管しておき、2026年11月13日以降に Hume がアカウントデータを削除する前に、新しいプロバイダーで音声を再作成してください。
Hume の後継として、レイテンシが最も低い TTS API はどれですか?#
Coval の独立ベンチマーク(2026年10月28日までの30日間)では、最初の音声が出力されるまでの平均時間は、Inworld TTS Flash 2 が 81 ms、ElevenLabs v4 Turbo が 194 ms、Deepgram Flux TTS が 203 ms、Cartesia Sonic 3.6 が 292 ms でした。Coval は音声ベンダー向けにテストサービスを販売しています。