自分でナレーションを録音するには、静かな部屋とまともなマイク、そして何度ものテイクが必要です。声優に依頼すれば時間もコストもかかります。AIテキスト読み上げなら、自然な間合いとイントネーションを持つ完成音声が約1分で手に入ります。
モデルは3種類から選べます。ElevenLabsのEleven v4は最も人間らしい音声で70以上の言語に対応し、[whispers]、[laughs]、[excited]のようなタグをテキスト中に書くだけで感情を設定できます。GoogleのGemini 3.8 Flash TTSはコストがほぼ半分で、「オーディオブックのように落ち着いて温かみのある語り」「ニュースキャスターのような話し方」など、言葉で話し方を指定できます。MiniMax Speech 2.8 HDは最大10,000文字までの長文に対応し、喜び・悲しみ・驚きなどの感情と話す速度を選択できます。
各モデルには男性・女性それぞれのボイスがあり、まろやかな声からアナウンサー風まで、合計34種類が揃っています。生成前にどのボイスも試聴可能です。料金はテキストの長さとモデルによって決まり、実行前に表示されます。Eleven v4は1,000文字あたり10クレジットです。生成に失敗した場合は課金されません。