AI音声はYouTubeナレーションに使える？3社を日本語で聴いて考えた

先に結論

使えると感じたのは ElevenLabs（モデルは v3）と Speechify Studio の2つです。この2つは、日本語のナレーションとしてそのまま動画に乗せても違和感が少ないと感じました。

逆に、ElevenLabs でもモデルが Multilingual v2 のままだと厳しいと感じましたし、Murf は今回の設定では「3分聞き続けたい」とは思えませんでした。

ただし、YouTubeで使うつもりなら、音の良し悪しより先に引っかかる現実があります。

• 3社とも、無料枠で作った音声は商用利用できません。収益化しているチャンネルなら、どのサービスでも有料プランが前提です
• 無料枠で音声ファイルを持ち出せるのは、3社のうち ElevenLabs だけでした（Speechify Studio と Murf は公式に「無料では書き出せない」と書いてあります）。つまり残りの2社は、無料のあいだは試聴しかできません

「まず無料で作って動画に乗せてみる」を考えていた人にとっては、ここがいちばん効く話だと思います。

YouTubeで効くのは「自然さ」ではなく「3分もつか」

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。ただ、YouTubeのナレーションに使うことを考えると、その基準はあまり役に立たないと感じました。

理由は単純で、視聴者は1文だけ聞くわけではないからです。1文だけ切り出せば、今回の4条件はどれも「まあ聞ける」水準でした。差が出るのは、そのあとです。

そこで今回は、テスト原稿の最後にこの質問を入れておきました。

この声を3分間、聞き続けたいと思いましたか？

読ませた音を自分で聞いて、この問いに正直に答える。それだけの話ですが、「自然か」で聞いたときと結論が変わりました。

具体的には、Murf は「1文なら聞ける。でも3分は無理だ」と感じました。細かい発音の違和感そのものより、それが数十回積み重なることを想像したときに脱落する感覚です。ナレーションは何分も続くので、この差はそのまま視聴維持率の話になります。

⚠️ 先に断っておくと、3分の完成ナレーションを通しで作って聞いたわけではありません。約774文字の原稿を1回ずつ聞いた印象からの判断です。ここは今回いちばん弱いところなので、後述します。

実際に3社を聴いてどうだったか

点数は付けていません。運営者ひとりが1回ずつ聞いた主観です。列を「サービス名」ではなく「サービス＋モデル」にしているのは、同じElevenLabsでもモデルで印象がまったく違ったためです。

表だけだと伝わらないので、聞いていて実際に思ったことを書きます。

ElevenLabs の v2 は、「日本語が上手な外国人」でした。声質そのものは悪くありません。むしろ Kyo という低く落ち着いた声はかなり好みでした。ただ、Microsoft Teams や OpenAI、ChatGPT といった英語は驚くほど上手いのに、198円のような金額や、Notta のような固有名詞になると急に崩れます。この「英語だけやたら上手い」感じが、日本語ナレーションとしては逆に浮きます。

Speechify Studio は、正直かなり意外でした。入口が分かりにくくて、最初は年額19,999円のPremium案内とカウントダウンが出てきて、少し身構えたくらいです。ところが Studio の無料プランに入って生成してみると、音は素直に良かった。入口の印象と中身の評価が、ここまで食い違ったサービスは珍しいと思います。

Speechify で面白かったのが Enhance です。使うと原稿のほうに [curious] [laughing] [uhm] [shouting] といったタグが自動で挿し込まれます。感情の付き方は、箇所によっては ElevenLabs v3 より上かもしれないと感じました。大差ではありませんが、「自分でタグを書かなくても勝手に演技が付く」のは、ナレーション制作としてはかなり楽です。

Murf は、音では一段下でした。ElevenLabs v2 よりは少し良い、体感で「v2.2くらい」という感じです。Notta の発音は同じように不自然でしたし、生成にも体感で1分ほどかかりました（ElevenLabs v3 が体感数秒だったので、待ち時間の差ははっきり感じます）。

ただしMurfを「ダメ」と書くのは違うと思っています。編集画面は3社でいちばんでした。原稿を段落ごとのブロックに分けて、Pitch・Speed・Pause・Variability・Emphasis を細かく触れます。ナレーションを「生成して終わり」ではなく「作り込む」道具として見ると、これは他の2社に無い強みです。

それに今回試したのは日本語ボイス1つ（Denki / Gen 2 / Conversational）を、ほぼ初期設定でだけです。Murfの最高性能を測ったとは、まったく言えません。

いちばん意外だったのは、サービスよりモデルだった

この検証で、いちばん評価がひっくり返った瞬間を書きます。

ElevenLabs の Kyo という同じボイスのまま、同じ原稿のまま、モデルだけを Multilingual v2 から Eleven v3 に変えました。変えたのはそこだけです。

それで、「日本語が上手な外国人」が「日本人が普通に読んでいる」に変わりました。数字の目立つ読み間違いも感じなくなり、「え、本当にできたの？」という一文に自然な感情が乗りました。生成も体感で数秒です。

ここから思ったのは、「ElevenLabsは日本語がイマイチ」という感想は、モデル名を書かないと意味がないということです。同じサービス名で、実用外と実戦投入可が両方あり得ます。

そしてこれは、他社のレビューを読むときにも効きます。いつの、どのモデルの話なのかが書かれていない評価は、そのまま信じないほうがいい。自分がこれだけ簡単にひっくり返ったので、そう思います。

ちなみに v3 にも弱点はありました。原稿に入れておいた「でも……うーん」の 「……」を、意図しない形で発音したことです。台本の書き方をTTS向けに調整すれば直る可能性はありますが、そこは今回試していません。

無料で作った音は、そのままYouTubeに上げられない

音の話をここまで書いてきましたが、YouTubeで使うつもりなら、実務上いちばん効くのはここです。

表の1行目が、今回いちばん実務的な発見でした。

無料枠で音声ファイルを持ち出せるのは、3社のうち ElevenLabs だけです。Speechify Studio は「mp3で書き出したくなったら有料プランへ」と公式FAQに書かれていますし、Murf にいたっては料金ページに Everything in Business Plan (No Downloads) と明記されています。

つまり Speechify と Murf は、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乗せてみよう」は、この2社では最初から成立しないということです。無料枠を触る前に知っておきたかった話でした。

そして2行目。3社とも、無料枠で作った音には商用利用の権利が付きません。収益化しているチャンネルなら、どのサービスでも有料プランが前提になります。

ElevenLabs はもう一段細かくて、無料プランで非商用に公開する場合は、タイトルに elevenlabs.io か 11.ai を入れて帰属表示することが求められています。収益化していない趣味の動画で無料枠を使うなら、動画タイトルにこの文字列が要る、ということです。ここまで具体的に書いてあるサービスは3社では ElevenLabs だけでした。

⚠️ 「自分のチャンネル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「無料枠は商用利用不可」と各社が書いているところまでを事実として扱い、個別の判断はしていません。規約の逐条は 無料で作ったAI音声は、仕事に使っていい？ にまとめています。

用途別の向き不向き

「どれが最高か」は決めません。YouTubeナレーションと一口に言っても、必要なものが違うためです。以下は今回のテストから立てた仮説であり、確定した結論ではありません。

普通のYouTubeナレーション（解説・レビュー・ブログ読み上げ）

ElevenLabs v3 か Speechify Studio。今回の条件では、この2つはそのまま乗せて違和感が少ないと感じました。ElevenLabs を選ぶなら、モデルを v3 にすることが実質的な条件です。v2 のままだと別物になります。

感情を入れたい動画（ドラマ仕立て・キャラもの・語り）

Speechify Studio の Enhance が面白いと思います。タグを自分で書かなくても感情が付きます。ElevenLabs v3 も感情表現は良かったので、ここは好みの範囲です。
⚠️ ただしEnhance の前後を同条件で比べていません。「Enhanceのほうが良い」と断定できるだけの比較はしていない、というのが正確なところです。

長時間聞かせる動画（作業用・朗読・10分超の解説）

いちばん慎重に選ぶべきところで、今回いちばん自信がないところです。Murf は3分でも厳しいと感じたので候補から外れますが、v3 と Speechify が10分もつかは確かめていません。長尺を作る予定なら、契約前に自分の原稿で数分ぶん生成して、通しで聞くことを強くすすめます。

ナレーションを細かく作り込みたい

Murf。音そのものは今回一段下でしたが、間・強弱・ゆらぎを触れる編集画面は3社でいちばんでした。
⚠️ ただし公式の料金ページによると、Emphasis と Variability は Business プラン（$66/月）からです。最安の Creator（$19/月）には入っていません。Murfを編集機能目当てで選ぶなら、ここは契約前に見てください。

とにかく簡単に、まず試したい

ElevenLabs。音の良し悪しではなく、無料枠で音声ファイルを持ち出せる唯一の1社だからです。月10,000クレジット（Webでは1文字=1クレジット）あるので、原稿10,000文字ぶんは試せる計算になります。
⚠️ 持ち出せても商用利用はできません。あくまで「自分の動画に仮で当ててみて、尺と雰囲気を確かめる」までです。

自分ならどれを使うか

読み物として無責任に終わりたくないので、書いておきます。

いま自分がYouTubeのナレーションを作るなら、ElevenLabs の Starter（$6/月）から始めます。

理由は3つです。1つめは、v3 の日本語が今回いちばん「普通に日本人が読んでいる」に近かったこと。2つめは、生成が体感数秒で、作り直しのコストがほぼ無いこと。ナレーションは一発で決まらないので、この差は毎回効きます。3つめは、商用ライセンスが付く最安が月$6と、3社でいちばん軽いことです。合わなければ止めやすい金額から入れます。

そのうえで、Speechify Studio は本気で迷いました。音は遜色なく、Enhance は素直に面白い。年$100なので月あたりでは $8.3 ほどで、ElevenLabs と大きくは変わりません。今回 ElevenLabs を先に置いたのは、音の差ではなく生成の速さと、月単位で止められる気軽さです。ここは人によって逆になると思います。

Murf は、いまの自分の用途では選びません。ただ「ナレーションを1本ずつ作り込む」使い方なら話は別です。編集画面の作りはいちばん好みでした。そのときは Business（$66/月）が要る点だけ、先に見ておきます。

今回わかっていないこと

この記事で確かめられていないことを、そのまま並べます。

• 3分・10分の通し聞きをしていません。約774文字を1回ずつ聞いた印象からの判断です。この記事の主張がいちばん寄りかかっているところなので、いちばん弱いところでもあります
• 774文字が何分の音声になるかを測っていません。そのため「何分もつか」を尺で語れていません
• 生成速度は体感です。ストップウォッチで計測していません
• Murfを追い込んでいません。日本語ボイス1つ・ほぼ初期設定だけの結果です
• Speechifyで使ったボイス名を記録していません（画面表示は「Japanese +22」）
• Enhance の前後を同条件で比べていません
• 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
• v3 の「……」は、原稿をTTS向けに書き換えれば直るのかを試していません