OpenAI TTS

モデルはtts-1（標準品質・低レイテンシー）とtts-1-hd（高品質）の2種類があり、リアルタイム対話には標準版、ナレーション制作には高品質版と使い分けが可能です。リアルタイムストリーミングにも対応しており、テキストの生成と並行して音声を逐次的に出力できるため、ChatGPTのような対話型AIアシスタントに自然な音声応答機能を追加するのに最適です。APIの使い方は非常にシンプルで、HTTPリクエスト1つで音声ファイルを生成でき、Python、Node.jsなどのSDKからも数行のコードで利用可能です。出力フォーマットはMP3、Opus、AAC、FLAC、WAV、PCMに対応しています。

料金はtts-1が100万文字あたり$15、tts-1-hdが100万文字あたり$30の従量課金で、小規模な利用であればコストを抑えられます。日本語を含む50以上の言語に対応していますが、音声の自然さは英語が最も高く、日本語はやや劣る傾向があります。OpenAIのRealtime APIではWebSocketを通じた低遅延の双方向音声通話機能も提供されており、音声入力→AI処理→音声出力のリアルタイム対話アプリケーションの構築が可能です。生成される音声にはウォーターマークが埋め込まれ、AIで生成された音声であることを検証できる仕組みも導入されています。

ElevenLabsほどの音声バリエーションやカスタマイズ性はありませんが、OpenAIのAPIエコシステムとの統合の容易さ、シンプルさ、安定性を重視する開発者に最適な音声合成APIとして、多くのプロダクションシステムで採用されています。Whisperと組み合わせることでSpeech-to-Speechのパイプライン構築も容易です。