メインコンテンツへスキップ
見出し画像

AIキャラの声はどれで作る? ElevenLabs v4・Gemini 3.8 TTS・ローカル勢を整理してみた

    こんにちは!まいとです。

    私は、AIキャラと文字で会話して会話力を採点されるゲーム「TALK SESSION GAME」を作っています。そのキャラに声をつけるならどれがいいのか、を調べたのがこの記事です。

    ChatGPTやClaudeに課金して、自作のサイトやゲームを作る人が増えてきました。自分だけのAIパートナーやAIキャラを作り始めた人も多いと思います。

    そこで出てくるのが、「声はどうするのか」という問題です。

    ElevenLabsは良いらしいけど、高いのか。GoogleのGemini TTSがすごいと聞くけど、本当なのか。ローカルで動かせる無料のものはどうなのか。

    選択肢が多くて、どれを選べばいいのか分かりにくい。

    そこでこの記事では、ElevenLabsとGemini 3.8 Flash TTSを中心に、ローカルで動くものまで含めて、AIキャラ作りに使える音声AI(TTS:Text-to-Speech)を整理してみます。Xでの評判は、Grokでまとめたものを使っています。

    文字だけだと分かりにくいので、Xの検証投稿、note記事、YouTubeの聴き比べ動画のリンクも置いておきます。実際の音声は、そちらで聴き比べてみてください。

    「読む」から「演じる」に変わった

    ここ1〜2年で、音声合成(TTS)はかなり変わりました。

    以前は機械的な棒読みでした。今は文脈を読んで、笑う、泣く、怒る、ささやく、といった演じ分けを人間に近いレベルでやります。

    2026年9月下旬には、GoogleがGemini 3.8 Flash TTSを発表し、その直後にElevenLabsがEleven v4 / v4 Turboを公開しました。大きなモデルが続けて出た時期です。

    AIキャラやゲームのボイスを作るとき、今どんな選択肢があるのか。順番に見ていきます。

    ElevenLabs(v3 / v4 / v4 Turbo)は、指示どおりに演じる

    音声AIでは、長いあいだElevenLabsが業界標準の位置にいます。

    特徴は3つあります。

    • オーディオタグで細かく演出できる。本文中に [whisper](ささやき)、[angry](怒り)、[excited](興奮)のようなタグを挟むと、そのとおりに演じます。

    • 原稿とタグの指定に素直に従う。AIに余計なアドリブをさせず、決まったセリフと感情でキャラクターの声を固定したい場合に向いています。ゲーム制作やボイスドラマがそうです。

    • v4で日本語が良くなった。2026年9月28日に公開された「v4」で、日本語のイントネーションや誤読がかなり改善されました。リアルタイム会話向けの「v4 Turbo」は、最初の音が出るまでの時間(TTFB:Time To First Byte)が約0.35秒です。

    実際の音質や感情の乗り方は、検証している人の投稿を見たほうが早いです。

    StudioYebisuさんの、Eleven v4リリースと品質評価のX投稿

    TTS競争激化でTTS界の王。
    Elevenlabsの新モデルV4がリリースされてアツい。
    一般人レビューだとこのPostが最速だから動画見て確認してみて。ASMR表現も上がってるから必聴。

    品質面ではGemini越えてると思った。
    Artificial Analysisでrank 1を再度奪還してる。… https://t.co/JDTAQxLWMW pic.twitter.com/gZgIcm4Ezt

    — StudioYebisu (@studio_yebisu) September 28, 2026

    レオ(七深麗音)さんの、ElevenLabs v4・Gemini・Fish Audioの感情読み比べ検証のX投稿

    新音声AI「ElevenLabs V4」が出たので、Gemini・Fish Audioと日本語で比べました。台詞は3社とも正確。感情の乗せ方はGeminiとElevenLabsが上手で、ほぼ人間です。
    ※映像・音声はAI生成#AI音声 #ElevenLabs pic.twitter.com/k2rbsiSqRr

    — レオ(七深麗音)|AI×SNSコンテンツ戦略 (@singa_44) September 30, 2026

    レオ(七深麗音)さんのnote記事

    Kudoさんの、Eleven v4検証のnote記事


    Gemini 3.8 Flash TTSは、台本にない息づかいまで入れてくる

    2026年9月23日にGoogleが公開したGemini 3.8 Flash TTSは、クリエイターのあいだでかなり話題になりました。

    Xの投稿や試聴動画への反応をGrokでまとめると、評価はだいたい次の4点に集まっています。

    • 日本語の自然さと「間」。文脈に合わせた抑揚、語尾の抜き方、息づかいが自然で、「AIと分からないレベル」「号泣・爆笑・激怒も自然」という声が出ています。

    • 文脈と漢字の理解。LLM(大規模言語モデル)がベースなので、「微か」「罅割れ」のような難読漢字や、文脈による読み分けの精度が高い。

    • アドリブ。台本に指示を書いていなくても、文脈に合わせてため息や呼吸音を入れたり、「〜ばかり」を「〜ばっかり」と話し言葉に崩して読んだりします。

    • 台本と演出(style)の分離。ElevenLabsのように本文にタグを混ぜるのではなく、本文は純粋なセリフとして渡します。演技指導は別欄(style)に、「10代の高音ギャル」「冷徹なトーンで」のように自然言語で書きます。

    ElevenLabsが「指示したとおりに演じる」なら、Geminiは「任せると文脈から足してくる」ほうです。

    こちらも、息づかいや難読漢字の精度は実際に聴いたほうが分かりやすいです。

    DALTさんの、Gemini TTSを使った非常戒厳令宣布ASMR検証のX投稿

    【イヤホン推奨】Gemini TTSにより非常戒厳令宣布ASMRの生成に成功 pic.twitter.com/eWhoVDGGnQ

    — DALT (@alt_dirty) September 25, 2026

    キンジョーさんの、Gemini 3.8 TTSとElevenLabs v4の聴き比べnote記事

    キンジョーさんの、Gemini 3.8 TTSとElevenLabs v4の聴き比べYouTube動画

    Kudoさんの、Gemini TTS乗り換え検討のnote記事


    主要なTTSを並べてみる

    AIキャラ制作でよく比較に挙がるツールとモデルを、クラウドとローカルの両方で並べました。

    画像

    プロンプトの書き方でギャル声やクーデレボイスを作る方法も、Xで話題になっていました。

    yachimatさんの、Gemini TTSでギャル・クーデレ等のキャラ設定プロンプトを検証したX投稿

    Gemini 2.5 Pro TTS
    モデルナンバーあがらないアップデートってどうなんと思ったけど、これは着実に進化してる!!

    今回はできるだけプロンプトでキャラ設定通せるか頑張ってみた。あと演技タグがどれだけ通るかも。演技タグっていうか絵文字が効く。w

    結果は、まあまあ通る!Gemini… pic.twitter.com/SnB6Kccarc

    — yachimat - AI Short Anime (@yachimat_manga) December 11, 2025


    料金は「文字数」か「秒数」か

    AIサブスクに課金している人にとって、気になるのは運用コストだと思います。

    ここは、ツールによって課金の仕組みがまったく違います。

    ElevenLabsは文字数で課金

    テキストの文字数で計算されます。Starterプランが月5ドルで約3万文字、Creatorプランが月22ドルで約13.1万文字、といった形です。

    注意したいのはリテイクです。100文字のセリフを3回リテイク(ガチャ)すると、300文字分のクレジットが減ります。

    逆に、間(沈黙)を多く入れても料金は変わりません。

    Gemini 3.8 Flash TTSは音声の長さで課金

    生成された音声の長さ(再生時間)で計算されます。1秒が約25〜40トークン換算で、標準のAPI価格は100万トークンあたり9.00ドルです。

    30秒のショート動画用の音声なら、1本あたり約1.5円。毎日1本作っても、月に約45円で収まります。Google AI Studioを使えば、無料枠でも試せます。

    ただ、一つ注意があります。

    今のAPI価格は、2026年12月31日までの期間限定プロモーションです。

    2027年1月1日以降は、価格が2倍(出力100万トークンあたり18.00ドル)に改定される予定です。長く使うつもりなら、こちらの数字で考えておいたほうがいいと思います。

    作りたいものから選ぶ

    最後に、作ろうとしているものごとに分けてみます。

    AIパートナーとリアルタイムで声の会話をしたい(Web・アプリへの組み込み)

    Eleven v4 Turbo か、Gemini 3.8 Flash-Lite TTS。

    ここは、レスポンスの遅延(TTFB)が短いモデルを選ぶのが一番です。

    ゲームのキャラボイスやボイスドラマで、声のブレを抑えたい

    ElevenLabs v4。

    オーディオタグによる演技の再現性が高く、指示したとおりに言い切ってくれる安定感があります。

    感情の出るアニメ動画やYouTubeナレーションを、コスト重視で作りたい

    Gemini 3.8 Flash TTS。

    自然な「間」と、喜怒哀楽の振れ幅が強みです。従量課金が安いので、動画投稿のコストをかなり下げられます。

    オフライン・完全無料でキャラボイスを作りたい

    Irodori-TTS(GPU搭載のPCがある人)か、VOICEVOX。

    コストは0円で、何度でもガチャを回せます。

    おわりに

    音声AIは、今ちょうど進化が速い時期です。

    AIパートナーに声がつく。自作ゲームのキャラがしゃべる。それだけで、作っているものの見え方はかなり変わると思います。

    最初の一歩は、Google AI StudioでGemini 3.8 TTSを無料で触ってみるか、ElevenLabsの無料枠でセリフを一つ鳴らしてみるか。そのくらいで十分です。

    私が作っているAIキャラとの会話ゲームはこちらです。ブラウザで動きます。

    TALK SESSION GAME

    どんなゲームかは、この記事に書きました。

    ※この記事の料金や仕様は、2026年10月時点の公式情報と検証データに基づいています。

     
     
    AIという集合知にロマンを感じて早5年。 少し前に会話力矯正アプリを作ってました。※今は休止中(サイトは入れます) AIに触れる中で気になったことをまとめ、備忘録として残しています。 今は再びAI動画を色々試し中。

    あなたへのおすすめ