AI音声はどう選ぶ？自然さだけで決めない5つの基準

先に結論

AI音声のレビューはたいてい「自然かどうか」で語られます。でも実際に3社を日本語で試してみて、自然さだけで選ぶと失敗すると思いました。

理由は単純です。一文だけ切り出せば、今どきのサービスはどれも「まあ聞ける」からです。差が出るのはその先でした。

実際に効いたのは、次の5つです。

1. 日本語の自然さ（ただしサービス名ではなくモデル名で見る）
2. 3分聞き続けられるか
3. 音声ファイルを持ち出せるか
4. 商用利用できるか
5. 編集できるか

このページは、この5つの説明です。「世間の1位」を決めるページではありません。 どれが自分にとって重いかで、選ぶものは変わります。

基準1｜日本語の自然さは、サービス名ではなくモデル名で見る

いちばん最初に来るのは、やはり自然さです。ただし見方があります。

今回いちばん驚いたのは、同じサービスの中でモデルを変えただけで評価がひっくり返ったことでした。ElevenLabsで、原稿もボイスも変えず、モデルだけを Multilingual v2 から Eleven v3 に切り替えたところ、こうなりました。

• v2：日本語が上手な外国人が読んでいる、という感じ
• v3：日本人が普通に読んでいる、と感じられる水準

同じサービス名のまま、実用外と実戦投入可が両方あり得ます。

ここから言えることが2つあります。自分で試すときは、いちばん新しいモデルで試すこと。 そして他人のレビューを読むときは、いつの・どのモデルの話かを確認すること。 記事の公開日が新しくても、書いた人が古いモデルで試していれば、結論は古いモデルのものです。

→ 詳細は ElevenLabsのv2とv3、日本語はどれくらい違う？

日本語で崩れやすいのは、いつも同じ4つ

今回3社に同じ原稿を読ませて、崩れる場所はだいたい共通していました。試すときは、ここを含む原稿を使ってください。

• 数字・金額（198円、12万3,450円、18.7パーセント など）
• 固有名詞（今回はNottaという単語が3社とも苦手でした）
• 英語まじりの日本語（サービス名が文中に出てくる）
• 感情のある一文（「え、本当にできたの？」のような）

きれいな文章だけの原稿で試すと、どのサービスも上手に聞こえます。自分の実際の原稿に近いもので試さないと、比較の意味がありません。

基準2｜3分聞き続けられるか

これが今回いちばん役に立った基準でした。

ナレーションは一文で終わりません。YouTubeなら数分、朗読や作業用なら十数分続きます。だから聞くべきなのは「この一文は自然か」ではなく、「この声を3分間、聞き続けたいと思うか」です。

実際、テスト原稿の最後にこの質問そのものを入れておきました。読み上げられたそれを聞いて、正直に答える。それだけです。

この軸に変えると、結論が変わりました。 一文なら我慢できる音でも、「これが数十回積み重なるのか」と想像した瞬間に脱落するものがあります。細かい違和感が、時間で増幅されるからです。

⚠️ 正直に書くと、当研究所もまだ3分の通し聞きはできていません。 約774文字を1回ずつ聞いた印象からの判断です。ここは自分たちの弱点でもあります。契約前に、自分の原稿で数分ぶん作って通しで聞くことを強くすすめます。

基準3｜音声ファイルを持ち出せるか

見落としやすいのに、いちばん計画を狂わせるのがここでした。

「無料プランがある」と「無料で音声ファイルを作れる」は別の話です。

今回の3社では、無料のまま音声ファイルを持ち出せたのは1社だけでした。残りの2社は、公式に「無料では書き出せない」と書かれています。つまり無料のあいだはブラウザで聞いて比べることしかできません。

「とりあえず無料で作って、動画に当ててみよう」と考えているなら、サービスを選ぶ前にここを確認してください。 触ってから気づくと、時間を無駄にします。

→ 3社それぞれの可否は AI音声3社を同じ日本語原稿で比較

基準4｜商用利用できるか（無料は、まず不可）

そして、いちばん事故になりやすいところです。

今回調べた3社は、いずれも無料枠で作った音声に商用利用の権利が付きません。 これは3社それぞれの公式情報で確認しました。収益化しているYouTubeチャンネルや仕事の納品物に使うなら、どのサービスでも有料プランが前提です。

さらに細かい条件が付く場合もあります。たとえばElevenLabsは、無料プランで非商用に公開する場合でも、タイトルに elevenlabs.io か 11.ai を入れて帰属表示することを公式に求めています。

⚠️ 「自分の使い方が規約上の商用に当たるか」は、公式の文面だけでは判断しきれない部分があります。当研究所としては各社が書いている範囲を事実として扱い、個別の判断はしていません。

→ 3社の規約は 無料で作ったAI音声は、仕事に使っていい？

基準5｜編集できるか（音質と別の軸）

最後に、音質とは別の軸です。

AI音声サービスには、大きく2つの性格があります。

• 生成して終わり型：原稿を入れて、良い音が出てくる。速い
• 作り込み型：生成したあと、間・強弱・ゆらぎを編集画面で詰める

今回の3社でも、音がいちばん自然だったサービスと、編集がいちばん細かかったサービスは別でした。ここを混ぜて「総合力」で語ると、判断を誤ります。

そしてもう1つ、編集機能がどのプランに入っているかを契約前に見てください。 無料枠では上位プラン相当の機能を試せるのに、いちばん安い有料プランにはその機能が無い、というケースが実際にありました。「無料で触って良かったから最安プランを契約したら、目当ての機能が無い」は起こり得ます。

「自然さ」の次に見る順番

5つを全部同じ重さで見る必要はありません。今回の経験から言うと、順番はこうです。

1. 商用利用できるか（ここが合わないと、他が全部無意味になる）
2. 音声ファイルを持ち出せるか（無料で試す計画が成立するか)
3. いちばん新しいモデルで、自分の原稿が自然に読まれるか
4. 3分聞き続けたいと思うか
5. 編集が要る用途か

1と2は仕様なので、公式ページを5分見れば分かります。 先にここを潰してから音を聞くほうが、結果的に速いです。

実際に3社へ当てるとどうなるか

この5つの基準を、ElevenLabs・Speechify Studio・Murf の3社に当てた結果は、それぞれのページにあります。

• 3社まとめて見るなら → AI音声3社を同じ日本語原稿で比較
• YouTube用途に絞るなら → AI音声はYouTubeナレーションに使える？
• ElevenLabs → 無料版はどこまで使えるか ／ v2とv3の違い
• Speechify Studio → 日本語音声は自然？無料版を試した感想
• Murf → 日本語音声は自然？「惜しい」と感じた理由

この記事の限界

最後に、この基準そのものの弱いところを書いておきます。

• 3社しか試していません。 国産サービスや他の海外サービスは含まれていません
• 3分・10分の通し聞きができていません。 基準2は考え方としては自信がありますが、当研究所の実測が追いついていません
• すべて無料枠での検証です。 有料プランで生成した場合の品質は確認していません
• ボイスクローン・リアルタイム対話・多言語吹き替えは扱っていません
• 生成速度は体感で、計測していません

基準は増えたり変わったりします。実際に測れたことが増えたら、このページを更新します。