# 電話向けテキスト読み上げAPI:19音声のレイテンシ・数字・価格を検証(2026年11月)

> Stork は、Inworld、ElevenLabs、Rime、Cartesia、Smallest.ai、Deepgram、Fish Audio、Google、OpenAI を含む19の音声合成モデルを、受付対応の文章でシミュレートしたG.711電話回線を通して検証しました。最初の単語までの時間、電話番号・メールアドレス・住所が正しく伝わるか、1分あたりの価格を比較しています。実施日は2026年11月12日です。

- Source: https://www.stork.ai/blog/ja/text-to-speech-api-phone-calls-test-2026
- Publisher: Stork.AI editorial team
- Published: 2026-11-12
- Updated: 2026-11-12
- Language: ja
- Reading time: 13 min

## Key takeaways

- 3つの音声が約0.2秒で発話を開始しました。Inworld TTS-2 Flash(0.18秒)、ElevenLabs Flash v2.5(0.22秒)、Rime Mist v3(0.24秒)です。
- 価格には3倍の開きがあります。定価では音声1分あたり約$0.011、$0.036、$0.030です。
- Gemini 3.8 Flash Lite TTS:最初の単語まで0.70秒、1分あたり約$0.009。Chirp 3 HDは月間100万文字が無料です。
- 19の音声すべてが、G.711の電話回線を通して、電話番号・価格・日付・時刻をすべての実行で正しく伝えました。
- OpenAI tts-1は、3回中3回で番地を読み誤りました。gpt-4o-mini-ttsは、3回中3回で末尾の確認の質問が抜けました。
- 最初のバイトは最初の単語ではありません。Chirp 3 HD、Gemini、Aura-2、Kokoroは、各クリップの冒頭に0.26〜0.43秒の無音があります。

**結論:** 受付対応の5つの文章(挨拶、電話番号とメールアドレスの復唱、住所、価格と日付・時刻、長めの案内)を、19の音声合成モデルにそれぞれ3回ずつ読み上げさせ、すべてのクリップをシミュレートした電話回線に通した上で、2つの音声認識モデルに聞き取った内容を書き起こさせました。ほぼすべての音声が、電話番号、メールアドレス、郵便番号、価格、時刻を正しく伝えました。通話で重要になる差は、速度と価格でした。3つの音声が約0.2秒で発話を開始しました。[Inworld](https://get.platform.inworld.ai/911q5gfszy2s-bpprsc)の**TTS-2 Flash**(0.18秒)、[ElevenLabs](https://try.elevenlabs.io/stork-tts)の**Flash v2.5**(0.22秒)、Rimeの**Mist v3**(0.24秒)です。これらは差が小さく、2回目のインターリーブ実行では順位が入れ替わりましたが、価格は大きく異なります。音声1分あたり、Inworld TTS-2 Flashは約$0.011、Rime Mist v3は$0.030、ElevenLabs Flash v2.5は$0.036です。Googleの**Gemini 3.8 Flash Lite TTS**は、十分に高速なストリーミング音声として引き続き最安で、1分あたり$0.009です(最初の単語まで0.70秒)。OpenAIでは2件、好ましくない結果が目立ちました。**tts-1**は番地「1428」を3回すべてで読み誤り、**gpt-4o-mini-tts**は末尾の質問「Is that right?」を3回すべてで落としました。

**このテストについて:** Storkが独自に2026年11月12日に実施したテストで、誰でも再実行できるスクリプトを使っています(方法は後述)。Storkは自社のキーで利用できるすべての音声APIをテストし、毎月繰り返しています。Cartesia、Deepgram、Rime、Smallest.ai、Fish Audio、Google Cloud、Inworld自社のAPIは、キーを入手できたため同日に追加しました。逆方向をテストした[音声認識の電話音声テスト](https://stork.ai/blog/speech-to-text-phone-audio-test-2026)と対になっています。これはコンポーネントのテストであり、完全な音声エージェントのテストではありません。Azure、Amazon Polly、Murf、Speechifyはキーがないためテストしていません。公開されている価格は後述の表に記載しています。

## 結果

| Voice model (how we reached it) | First audio p50 / p90 | First audible speech p50 / p90 | Whole sentence p50 | Phone-line errors (words) | Numbers, email, address right | List price per minute of audio |
| --- | --- | --- | --- | --- | --- | --- |
| TTS-2 Flash (Inworld API) | 0.17 s / 0.21 s | 0.18 s / 0.22 s | 0.70 s | 0.3% | 27 of 27 | $0.011 |
| Flash v2.5 (ElevenLabs API) | 0.22 s / 0.24 s | 0.22 s / 0.29 s | 0.33 s | 0% | 27 of 27 | $0.036 |
| Mist v3 (Rime API) | 0.24 s / 0.29 s | 0.24 s / 0.29 s | 0.31 s | 0% | 27 of 27 | $0.030 |
| TTS-2 (Inworld API) | 0.22 s / 0.27 s | 0.28 s / 0.35 s | 1.80 s | 0% | 27 of 27 | $0.018 |
| Lightning v3.1 Pro (Smallest.ai API) | 0.24 s / 0.30 s | 0.30 s / 0.36 s | 0.92 s | 0% | 27 of 27 | $0.017 |
| Sonic 3.6 (Cartesia API) | 0.21 s / 0.24 s | 0.33 s / 0.37 s | 1.20 s | 0% | 27 of 27 | $0.030 on the Startup plan |
| Coda (Rime API) | 0.27 s / 0.33 s | 0.39 s / 0.45 s | 2.00 s | 0.4% | 26 of 27 | $0.050 |
| v4 Turbo (ElevenLabs API) | 0.39 s / 0.51 s | 0.47 s / 0.53 s | 1.82 s | 0% | 27 of 27 | $0.030 |
| Chirp 3 HD (Google Cloud TTS) | 0.21 s / 0.27 s | 0.53 s / 0.72 s | 1.26 s | 0% | 27 of 27 | $0.023 |
| S2.1 Pro, free developer tier (Fish Audio API) | 0.68 s / 0.83 s | 0.68 s / 0.83 s | 5.26 s | 0.1% | 27 of 27 | $0.012 at the paid rate |
| Gemini 3.8 Flash Lite TTS (Google Gemini API) | 0.48 s / 0.53 s | 0.70 s / 0.80 s | 1.82 s | 0% | 27 of 27 | $0.009 |
| Aura-2 (Deepgram API) | 0.55 s / 0.69 s | 0.72 s / 0.93 s | 4.31 s | 0.1% | 27 of 27 | $0.021 |
| gpt-4o-mini-tts (OpenAI API) | 0.63 s / 0.95 s | 0.80 s / 1.29 s | 1.80 s | 2.3% | 27 of 27 | about $0.015 |
| Gemini 3.8 Flash TTS (Google Gemini API) | 0.77 s / 0.85 s | 0.99 s / 1.13 s | 2.78 s | 0% | 27 of 27 | $0.0135 |
| Kokoro-82M, open model (DeepInfra) | 0.63 s / 0.93 s | 1.06 s / 1.36 s | 0.84 s | 0.8% | 27 of 27 | $0.0007 |
| tts-1 (OpenAI API) | 1.25 s / 1.82 s | 1.25 s / 1.82 s | 1.48 s | 1.3% | 24 of 27 | $0.013 |
| Inworld TTS-2 (via DeepInfra) | 2.56 s / 3.43 s | 2.64 s / 3.50 s | 2.94 s | 0% | 27 of 27 | $0.025 on DeepInfra |
| xAI TTS v1 (via fal, no stream) | not streamed | not streamed | 3.54 s | 0% | 27 of 27 | $0.011 |
| MiniMax Speech 2.8 Turbo (via fal, no stream) | not streamed | not streamed | 4.55 s | 0% | 27 of 27 | $0.038 |

*Stork test, November 12, 2026, from one computer in California. 15 requests per model (5 sentences x 3 rounds), 0 failed requests. First audible speech = first audio byte plus any silence at the start of the clip. Errors = word error rate on the phone-line audio, averaged over two judges. Numbers, email, address = 9 items per round (phone number, email, house number, street, unit, ZIP, price, date, time) x 3 rounds, counted as wrong only when both judges missed it. Price per minute = list price for what we sent, divided by the audio we got back; Google's Gemini prices double on January 1, 2027.*

> [!FACT] このテストでは、音声を聞き取りにくくしたのは電話回線ではありませんでした。285クリップすべてを8 kHz G.711 mu-law回線に通した結果、固有表現を聞き誤った音声は2つだけでした。OpenAI tts-1の番号(3回の実行すべてで、フル品質の音声でもすでに誤り)と、Rime Codaの「Kowalski」のつづり(3回のうち1回)です。音声を分けたのは、発信者が最初の単語を待つ時間、1分あたりの料金、そして与えられた内容をモデルが読み上げなかった2つのケースでした。

## わかったこと

### 1. 3つの音声が約0.2秒で話し始める

Inworld TTS-2 Flash、ElevenLabs Flash v2.5、Rime Mist v3はいずれも、最初に聞こえる単語が中央値で0.18〜0.24秒、90パーセンタイルで0.3秒未満に出ており、クリップの冒頭に無音を入れたものはありませんでした。新しい音声は最初のバッチの約4時間後に実行したため、最速の7音声を一緒に、5文すべてで交互実行をもう1ラウンド行いました。上位3つの順位は入れ替わりました(Inworld TTS-2 Flash 0.19秒、Rime Mist v3 0.20秒、ElevenLabs Flash v2.5 0.25秒)が、それ以下の順位は変わりませんでした。Inworld TTS-2 0.30秒、Cartesia 0.35秒、Google Chirp 3 HD 0.53秒、Gemini 3.8 Flash Lite 0.65秒です。上位3つは速度では同等とみなし、価格、音声、機能で選んでください。

### 2. 最初の音声と最初の単語は同じではない

最初の音声バイトまでの時間は一般的なレイテンシの指標ですが、いくつかのモデルはクリップの冒頭に無音を入れています。GoogleのChirp 3 HDは0.21秒で最初の音声を送信し、先頭グループと同等の速さでしたが、すべてのクリップの冒頭に約0.27秒の無音があり、通話相手が最初の単語を聞くのは約0.53秒後になります。Googleの2つのGeminiの音声とDeepgram Aura-2も約0.26秒、Cartesiaは約0.14秒、Kokoroは約0.43秒の無音から始まります。各クリップでこの無音(-40 dB未満の音)を測定して加算したものが、「最初に聞こえる発話」の列です。

音声エージェントでは、音声は順番に実行される3つのステップの最後にあたります。音声認識モデルが話し終えたと判断し、言語モデルが応答を開始し、そして音声が発話を始めます。ここでの0.1秒はすべて、回線上の0.1秒の無音になります。

### 3. 数字とメールアドレスはほとんど電話回線を通過できる

数字とメールアドレスは、低価格の音声や8 kHzの音声で破綻しやすい点だと予想していましたが、ほとんど問題ありませんでした。すべてのモデルが「415-867-5309」を、2人の判定者が正しく書き取れる電話番号として読み上げ、すべてのモデルが「dana.kowalski@gmail.com」を一文字ずつ読み上げ、すべてのモデルが「$249.99」「March 14th」「3:15 PM」を3回すべてで正しく伝えました。SSMLやプロンプトの書き直しは誰も必要としませんでした。構築する側にとっては朗報ですが、これは小規模なテストでもあります。電話番号1件、メールアドレス1件、住所1件で、英語、一般的な名前という条件です。

### 4. 自社テンプレートで確認したいOpenAIの2つの結果

**tts-1は番地を読み誤りました。** 3回すべてで、2人の判定者が「1428 Elm Street」を「Fort 128」または「128 Elm Street」と聞き取り、フル品質の音声での3回目の確認でも同じ結果でした。原因は電話回線ではありません。tts-1を住所に使う場合は、番地を単語で書き出すか、先に書式をテストしてください。

**gpt-4o-mini-ttsは一文を落としました。** 「I have your number as 415-867-5309 and your email as dana.kowalski@gmail.com. Is that right?」では、3回すべてでメールアドレスの後で音声が終わりました。2人の判定者も、クリップ末尾3秒に対するOpenAI自身のgpt-transcribeも、メールアドレスがゆっくり読まれたあと何もないと聞き取りました。末尾の質問は復唱を確認に変える部分なので、通話相手が気づく種類の欠落です。gpt-4o-mini-ttsはスタイル指示を受け付けるステア可能なモデルですが、今回は指示を送っていません。5つの文のうち1つで、3回中3回発生しました。

そのほかの小さな違いとして、Kokoro(3回中3回)、Inworld TTS-2 FlashとRime Coda(それぞれ3回中1回)は、原文の「your email as」を「your email is」と読み、また1人の判定者はDeepgram Aura-2が「your」を「their」と読んだと1回聞き取りました。いずれも意味は変わりません。

### 5. 同じモデルでも再販業者経由では10倍遅くなることがある

Inworld TTS-2は、自社APIでは0.28秒で発話を開始しました。同じモデルをDeepInfra経由で使うと2.64秒かかりました。DeepInfraのエンドポイントはクリップ全体を生成してから送信しているようで、料金もInworld自社の$25に対し、100万文字あたり$35です。[fal.ai](https://stork.ai/en/fal-ai)経由でしか利用できなかったMiniMaxとxAIは完成したファイルを返すため、「文全体」の時間(falのキューを含めて3.5〜4.6秒)しかありません。どちらも自社APIではストリーミングに対応していますが、今回はテストしていません。

## 電話の用途別に選ぶ音声

- **ライブ音声エージェント(通話相手がAIとリアルタイムで話す場合):** まずレイテンシです。Inworld TTS-2 Flash、ElevenLabs Flash v2.5、Rime Mist v3はいずれも約0.2秒で発話を開始し、3つとも8 kHz mu-lawを直接返すため、音声を電話に流す前に変換する必要がありません。価格では、Inworld TTS-2 Flash(1分あたり$0.011)は、Rime Mist v3($0.030)およびElevenLabs Flash v2.5($0.036)の約3分の1です。次点はInworldのTTS-2(0.28秒、$0.018)、Smallest.ai Lightning v3.1 Pro(0.30秒、$0.017)、Cartesia Sonic 3.6(0.33秒、Startupプランで$0.030)です。音声を組み込んだプラットフォームの比較は[best AI voice agent platforms](https://stork.ai/blog/best-ai-voice-agent-platforms-2026)をご覧ください。
- **IVRメニューと受付プロンプト:** IVRの発話の大半は固定(挨拶、メニュー項目、営業時間)なので、一度生成して音声を再利用します。その場合、レイテンシが問題になるのは名前、数字、日付などの動的な部分だけです。ここでは速度よりも1分あたりの価格が重要です。Google CloudのChirp 3 HDには月間100万文字の無料枠があり(今回の読み上げ速度で約22時間分)、mu-lawをネイティブで出力します。Gemini 3.8 Flash Lite TTS(1分あたり$0.009)と、DeepInfra上のKokoro(1分あたり$0.0007、Apache 2.0ライセンスのため自社サーバーなら無料)が、今回テストした有料音声の中で最安でした。いずれの場合も、自社の復唱テンプレートを確認してください。19モデルのうち1つが、単純な番地を読み誤りました。
- **大量のアウトバウンド通話:** 請求額は1分あたりの価格で決まります。定価で測定した中で最安だったのは、DeepInfra上のKokoro、Gemini 3.8 Flash Lite($0.009)、Inworld TTS-2 FlashとxAI($0.011)、tts-1($0.013)、Gemini 3.8 Flash($0.0135)です。アウトバウンド通話の1分あたりの費用のうち、音声が占める割合は、通信と言語モデルに比べて小さいものです。通信事業者の費用は[Twilio alternatives for AI voice agents](https://stork.ai/blog/twilio-alternatives-for-ai-voice-agents-2026)をご覧ください。AI音声によるアウトバウンド通話には、音声モデルでは解決できない同意に関するルールもあります。

## 1分あたりの価格(テスト済み・未テスト)

価格は各ベンダー自身のページから、2026年11月12日に確認したものです。文字単位の価格は、テストした音声の話速の中央値である1分あたり約740文字で換算しています(音声ごとに1分あたり631〜911文字の幅があったため、文字単価が同じなら、速い音声は遅い音声より音声1分あたりの費用が高くなります)。ネイティブ電話形式とは、APIが8 kHz mu-law(G.711)を自ら返せることを意味し、通話に流す前に音声を変換する必要がありません。

| Voice API | Published price | About per minute | Native 8 kHz mu-law | Tested here |
| --- | --- | --- | --- | --- |
| [Inworld](https://inworld.ai/pricing) TTS-2 Flash / TTS-2 | $15 / $25 per 1M chars on demand; lower on plans | $0.011 / $0.018 (measured) | yes ([MULAW](https://docs.inworld.ai/api-reference/ttsAPI/texttospeech/synthesize-speech)) | yes, direct and TTS-2 via DeepInfra |
| [ElevenLabs](https://elevenlabs.io/pricing/api) Flash v2.5 / v4 Turbo | $0.04 per 1K chars | $0.036 / $0.030 (measured) | yes ([ulaw_8000](https://elevenlabs.io/docs/api-reference/text-to-speech/convert)) | yes |
| [Rime](https://rime.ai/pricing) Mist v3 / Coda | $0.030 / $0.050 per minute (Flex) | $0.030 / $0.050 | yes (audio/x-mulaw, both models in our test) | yes |
| [Cartesia Sonic](https://cartesia.ai/pricing) 3.6 | plans only: $49/mo for 1.25M credits, $299/mo for 8M (1 credit per char); overage $45 / $38 per 1M | $0.030 (measured, Startup rate) | yes ([pcm_mulaw](https://docs.cartesia.ai/api-reference/tts/bytes)) | yes |
| [Google Cloud TTS](https://cloud.google.com/text-to-speech/pricing) Chirp 3 HD | $30 per 1M chars, first 1M a month free | $0.023 (measured) | yes (MULAW, also in [streaming](https://cloud.google.com/text-to-speech/docs/create-audio-text-streaming)) | yes |
| [Deepgram](https://deepgram.com/pricing) Aura-2 / Flux TTS | $0.030 / $0.045 per 1K chars | $0.021 (measured) / $0.033 | yes ([mulaw](https://developers.deepgram.com/docs/tts-media-output-settings)) | Aura-2 yes, Flux TTS no |
| [Smallest.ai](https://smallest.ai/pricing/models) Lightning v3.1 Pro | $0.195 per 10K chars | $0.017 (measured) | yes (ulaw) | yes |
| [Fish Audio](https://docs.fish.audio/developer-guide/models-pricing/pricing-and-rate-limits) S2.1 Pro / Drama 3 | $15 per 1M UTF-8 bytes / $50 ($10 promo to Nov 30) | $0.012 (measured) / about $0.037 | no (pcm at 8 or 16 kHz) | S2.1 Pro on the free developer tier; Drama 3 no (no API credit) |
| [Google Gemini API](https://aistudio.google.com/docs/pricing) 3.8 Flash Lite TTS / Flash TTS | $6 / $9 per 1M audio tokens to Dec 31, 2026, then $12 / $18 | $0.009 / $0.0135 | only on the [Interactions API](https://aistudio.google.com/docs/speech-generation); generateContent returns 24 kHz PCM | yes |
| [OpenAI](https://developers.openai.com/api/docs/pricing) gpt-4o-mini-tts / tts-1 | $12 per 1M audio tokens / $15 per 1M chars | about $0.015 / $0.013 | no ([24 kHz PCM](https://developers.openai.com/api/docs/guides/text-to-speech) is the lowest) | yes |
| [DeepInfra](https://deepinfra.com/inworld-ai/realtime-tts-2) Inworld TTS-2 / [Kokoro-82M](https://deepinfra.com/hexgrad/Kokoro-82M) | $35 / $0.99 per 1M chars | $0.025 / $0.0007 | no (wav, pcm with sample rate) | yes |
| [xAI TTS](https://docs.x.ai/developers/model-capabilities/audio/text-to-speech) | $15 per 1M chars (same on [fal](${SRC.falXai})) | $0.011 | yes | via fal, not streamed |
| [MiniMax Speech 2.8 Turbo](https://platform.minimax.io/docs/guides/pricing-paygo) | $60 per 1M chars (same on [fal](${SRC.falMinimax})) | $0.038 | yes (pcmu) | via fal, not streamed |
| [Azure AI Speech](https://prices.azure.com/api/retail/prices) Neural / Neural HD | $15 / $22 per 1M chars | $0.011 / $0.016 | yes | no key |
| [Amazon Polly](https://aws.amazon.com/polly/pricing/) Standard / Neural / Generative | $4 / $16 / $30 per 1M chars | $0.003 / $0.012 / $0.022 | yes (mulaw) | no key |
| [Murf Falcon](https://murf.ai/api) | $0.01 per minute | $0.010 | yes (ULAW) | no key |
| [Speechify Simba 3.5](https://speechify.ai/pricing) | $10 to $15 per 1M chars by plan (promo to Nov 21) | $0.007 to $0.011 | yes (ulaw_8000) | no key |

*List prices from vendor pages, November 12, 2026. Per-minute figures for untested vendors are our conversion at about 740 characters per minute, not measured. Tested rows use the rate we measured on our own sentences. PlayHT and LMNT have shut down, and Hume announced in October that its TTS API ends on November 13, 2026.*

終了予定の音声からの乗り換えについては、[Hume AI alternatives](https://stork.ai/blog/hume-ai-alternatives-2026)と[PlayHT alternatives](https://stork.ai/blog/playht-alternatives-2026)をご覧ください。

## それぞれの弱点を一つずつ

- **Inworld TTS-2 Flash:** 自然言語による音声のステアリングはできません。Inworldはこれを TTS-2 に限定しています([モデルドキュメント](https://docs.inworld.ai/tts/tts-models))。StorkはInworldのサインアップで報酬を得ているため、当社の評価はその点を踏まえてお読みください。数値はすべてのベンダーで同じ方法で測定しています。
- **ElevenLabs Flash v2.5:** 最速の3音声の中で最も高価で、定価では1分あたりInworld TTS-2 Flashの約3倍、Gemini 3.8 Flash Liteの4倍です。また、ほとんどの音声より話すのが速いため、同じテキストでも分数は少なくなりますが、1分あたりの費用は高くなります。
- **Rime Mist v3:** 音声の分数で課金され、$0.030はInworld TTS-2 Flashの3倍近くです。
- **Inworld TTS-2:** 一文を話し終えるまでにTTS-2 Flashの0.7秒に対して1.8秒かかり、再販業者(DeepInfra)経由では開始が10倍遅くなりました。
- **Smallest.ai Lightning v3.1 Pro:** 最速の3音声には一歩及ばず(最初の単語まで0.30秒)、1分あたりの価格はInworld TTS-2 Flashより約50%高くなります($0.011に対して$0.017)。
- **Fish Audio S2.1 Pro:** mu-law出力がなく、最初の単語まで0.68秒かかり、直接利用できた音声の中で一文を話し終えるまでが最も遅い(中央値5.3秒)です。アカウントに有料APIクレジットがないため、無料の開発者向けプランしかテストできませんでした。有料プランでは待ち行列の挙動が異なる可能性があります。
- **Cartesia Sonic 3.6:** 通常の従量課金はなく、月額プランを購入する形で、超過利用はデフォルトでオフになっています。また、各クリップの冒頭に約0.14秒の無音が入ります。
- **Rime Coda:** 今回のテストで1分あたりの料金が最も高い音声($0.050)で、tts-1以外では唯一、固有表現の誤りがありました(3回の実行のうち1回で姓のつづりが誤り)。
- **ElevenLabs v4 Turbo:** 価格はFlash v2.5と同じですが、今回はどちらの指標でも遅く、最初の単語まで0.47秒、1文の完了まで1.8秒でした。
- **Google Cloud Chirp 3 HD:** すべてのクリップの冒頭に約0.27秒の無音があり、ストリーミングには通常のREST呼び出しではなく、GoogleのgRPCストリーミングAPIが必要です。
- **Gemini 3.8 Flash Lite TTS:** すべてのクリップの冒頭に約0.26秒の無音があり、2027年1月1日に価格が2倍になり、8 kHz mu-lawはGoogleの新しいInteractions APIでのみ利用できます。
- **Deepgram Aura-2:** 直接利用できた音声の中で、一文を話し終えるまでが最も遅く(中央値4.3秒)、最初の単語まで0.72秒です。
- **gpt-4o-mini-tts:** 3回すべてで一文の末尾の質問が抜け、APIには8 kHzやmu-lawの出力がありません。
- **Gemini 3.8 Flash TTS:** ここでのすべての指標でFlash Liteより遅く(最初の単語まで0.99秒、1文あたり2.8秒)、1分あたりの価格は50%高くなります。
- **Kokoro-82M:** 各クリップの前に0.43秒の無音があり、プリセット音声のみでクローニングはできず、DeepInfraでは電話形式に対応していません。
- **tts-1:** ストリーミング音声の中で開始が最も遅く(1.25秒)、すべての実行で番地を読み誤りました。
- **xAI TTS v1:** fal経由ではストリーミングされないため、最初の音声までの時間を測定できませんでした。自社APIではWebSocketでストリーミングします。
- **MiniMax Speech 2.8 Turbo:** 今回のテストで1分あたりの価格が最も高い部類($0.038)で、fal経由のファイルとしては最も遅い(4.6秒)です。

## テスト方法

- **文章:** 「Thanks for calling Riverside Dental, this is Ava. How can I help you today?」、「I have your number as 415-867-5309 and your email as dana.kowalski@gmail.com. Is that right?」、「Our technician will come to 1428 Elm Street, Apartment 3B, Springfield, Oregon 97477.」、「Your total is $249.99, and your next appointment is Tuesday, March 14th at 3:15 PM.」、および持ち物と日程変更の方法についての215文字の案内文1つ。プレーンテキストで、SSMLや発音のヒントは使わず、すべてのモデルで同一です。
- **リクエスト:** 1リクエストにつき1文、3ラウンドで、ネットワークの遅延がすべてのモデルに影響するよう、モデルを交互に実行しました。各モデルで最初に採点対象外のウォームアップ用リクエストを1回送り、接続の確立時間が計測に含まれないようにしています。ストリーミングのエンドポイントは到着した順に読み取り、最初の音声=リクエスト送信から最初の音声バイトまでの時間としました。最初のバッチで10音声を実行し、その約4時間後に7音声(Cartesia、Deepgram、Rimeの両モデル、Inworldの両モデル直接、Google Cloud)、さらにその後に2音声(Smallest.ai、Fish Audio)を実行しました。いずれも2026年11月12日です。その後、クロスチェックとして、最も高速だった7音声を一緒に交互実行で1ラウンド再実行しました。Google CloudはgRPCストリーミングAPI経由で、その他はHTTPS経由で呼び出しました。
- **音声とフォーマット:** ElevenLabs「Adam」、OpenAI「alloy」、Google Gemini「Kore」、Google Cloud「en-US-Chirp3-HD-Kore」、Inworld「Ashley」、Cartesia「Jacqueline」、Deepgram「Thalia」、Rime「astra」、Smallest.ai「chelsea」、Fish Audioはレイテンシを「low」に設定した人気の英語コミュニティ音声「Sarah」、Kokoro「af_bella」、MiniMaxとxAIはfalのデフォルトを使用しました。対応しているベンダーには、ネイティブの8 kHz mu-lawを依頼しました(ElevenLabs、Inworld直接、Cartesia、Deepgram、Rime、Smallest.ai、Google Cloud)。Fish Audioは8 kHz PCMを、その他は16〜24 kHzの音声を送信しました。
- **電話回線:** すべてのクリップを300-3,400 Hzにバンドパスし、8 kHzにリサンプリングしてG.711 mu-lawにエンコードした後、デコードしました。[音声認識の電話音声テスト](https://stork.ai/blog/speech-to-text-phone-audio-test-2026)と同じ処理です。これはソフトウェア上で電話回線を模擬したもので、パケットロスのある実際のキャリア経路ではありません。
- **評価者:** 今回のテストに音声を提供していないベンダーの2つの音声認識モデル、Whisper large-v3とCohere Transcribe(いずれもfal経由)が、電話回線を通した285クリップすべてを文字起こししました。採点にはOpenAIの[Whisper English normaliser](https://github.com/openai/whisper/blob/main/whisper/normalizers/english.py)を使用し、各数字を1語として数えるため、「415-867-5309」と「four one five...」は同じ得点になります。メールアドレスは1文字ずつ読み上げた形で比較します。固有表現は、両方の評価者が認識できなかった場合にのみ誤りと数えるため、片方の評価者の誤りは音声の減点にはなりません。上記で報告したOpenAIの2つの問題は、3つ目の文字起こしで再確認しました。フル品質のtts-1音声にはWhisper large-v3を、gpt-4o-mini-ttsのクリップの最後の数秒にはOpenAIのgpt-transcribeを使用しています。
- **先頭の無音:** 各クリップで、-40 dBより大きい最初の音が出るまでの時間として測定しました。
- **料金:** 2026年11月12日時点の各ベンダー自身のページに基づき、表中にリンクしています。テストした音声の1分あたりの料金=文字数に対する定価(Geminiの場合はGoogleが報告した音声トークン、Rimeの場合は分数)を、返された音声の分数で割った値です。CartesiaはStartupプランの料金($49で1.25M文字)で算出しています。OpenAIはストリーミングリクエストでは音声トークン数を返さないため、gpt-4o-mini-ttsにはOpenAI自身の推定値である1分あたり$0.015を使用しています。
- **このテストの費用:** 定価でのAPI呼び出しが約$1.70(呼び出しごとに記録。Google Cloud分は月間無料枠に収まる程度の少額で、Deepgram分はプリペイドクレジットから支払われました)、加えてElevenLabsのプランクレジット数百です。ハーネスはStorkリポジトリのscripts/bench/tts_phone_bench.pyにあり、すべての数値を確認できるよう、生の音声と文字起こしを保管しています。

## このテストでわからないこと

- **音声の聞こえ方。** 自然さ、温かみ、アクセントは採点していません。選ぶ前に、使用予定の音声を実際の電話で聞いて確認してください。
- **お客様の所在地とネットワーク。** クライアントはカリフォルニアの1か所です。絶対的なレイテンシはサーバーの場所によって異なるため、この表の中でモデル同士を比較してください。
- **WebSocketストリーミング。** 各ベンダーのHTTPストリーミングエンドポイント(Google CloudはgRPC)を使用しました。音声エージェントでは、言語モデルが文章を生成するのに合わせてWebSocketでテキストを送ることが多く、その場合は音声の開始が早くなる可能性があります。
- **サンプル数。** 5文、3ラウンド、モデルごとに1音声、英語のみです。最速の音声同士の約0.05秒未満の差は、実行ごとのばらつきの範囲内です。今回のメールアドレスを正しく読み上げたモデルでも、お客様のメールアドレスでは誤読する可能性があります。
- **未テストのベンダー。** Azure、Amazon Polly、Murf、Speechify、DeepgramのFlux TTSは、キーがない、または今回モデルを含めなかったためテストしていません。Fish AudioのDrama 3は、アカウントに有料APIクレジットがないためテストしていません。モデルが掲載されていないことは、そのモデルが劣っていることを意味しません。

## 関連記事

- Storkの[音声認識の電話音声テスト](https://stork.ai/blog/speech-to-text-phone-audio-test-2026): 発信者の音声に対する11の音声認識モデル
- 音声エージェント全体を購入したい場合は、[best AI voice agent platforms](https://stork.ai/blog/best-ai-voice-agent-platforms-2026)
- [Twilio alternatives for AI voice agents](https://stork.ai/blog/twilio-alternatives-for-ai-voice-agents-2026): 電話番号とキャリアの通話分数
- 電話ではなくボイスオーバーやナレーション向けの[Best ElevenLabs alternatives](https://stork.ai/blog/best-elevenlabs-alternatives-2026)

## よくある質問

### 電話通話向けで最もレイテンシが低いテキスト読み上げAPIはどれですか?

Storkの2026年11月の19音声のテストでは、中央値で約0.2秒で話し始めた音声が3つありました。Inworld TTS-2 Flash(0.18秒)、ElevenLabs Flash v2.5(0.22秒)、Rime Mist v3(0.24秒)です。2回目の交互実行では順位が入れ替わったため、同等とお考えください。次いで、Inworld TTS-2(0.28秒)、Smallest.ai Lightning v3.1 Pro(0.30秒)、Cartesia Sonic 3.6(0.33秒)でした。

### AI音声は電話回線を通しても電話番号やメールアドレスを正しく読み上げますか?

おおむね正しく読み上げます。今回のテストでは、19音声すべてが、電話番号、価格、日付、時刻を、8 kHz G.711の電話回線を通した後でも、2つの音声認識モデルが3回の実行すべてで正しく書き起こせるように読み上げました。OpenAI tts-1は番号1428を毎回読み誤り、Rime Codaは1回の実行で姓のつづりを誤り、gpt-4o-mini-ttsは最後の疑問文を読み落としました。

### 電話通話向けで最も安いテキスト読み上げAPIはどれですか?

テストした音声の中では、DeepInfra上のオープンなKokoro-82Mモデルが音声1分あたり約$0.0007、GoogleのGemini 3.8 Flash Lite TTSが約$0.009、Inworld TTS-2 Flashが約$0.011でした(2026年11月12日時点の定価)。Google CloudのChirp 3 HDには月間1M文字の無料枠が含まれます。未テストのベンダーでは、Amazon Polly Standardが1M文字あたり$4と記載されています。

### 電話向けに8 kHz mu-lawの音声を出力できるTTS APIはどれですか?

今回のテスト、または2026年11月12日時点の各社のドキュメントによると、ElevenLabs(ulaw_8000)、Inworld、Cartesia、Deepgram、Rime、Google Cloud TTS(ストリーミング時も可)、Smallest.ai、Azure、Amazon Polly、Murf、Speechify、MiniMax、xAIが対応しています。Fish Audioは8 kHz PCMには対応していますが、mu-lawには対応していません。OpenAIのTTS APIは対応しておらず、GoogleのGemini TTSはInteractions APIでのみ対応しています。

### CartesiaはElevenLabsより高速ですか?

今回のテストではそうではありませんでした。Cartesia Sonic 3.6は最初の音声を同じ速さ(0.21秒)で送信しましたが、各クリップの冒頭に約0.14秒の無音があったため、最初に聞こえる単語は0.33秒で、ElevenLabs Flash v2.5の0.22秒に対して遅くなりました。1分あたりの料金は定価でほぼ同じで、StartupプランのCartesiaが$0.030、ElevenLabs Flash v2.5が$0.036です。

### 電話エージェントでElevenLabsは1分あたりいくらかかりますか?

APIの定価が1,000文字あたり$0.04の場合、今回の受付用の文章では、ElevenLabs Flash v2.5は音声1分あたり約$0.036、v4 Turboは約$0.030でした。Flashのほうが話す速度が速かったためです。これは音声のみの費用で、電話回線や言語モデルの費用は含みません。