日本語の読み上げが自然な AI はどれ？ 同じ原稿を 4 つの声で聞き比べ

同じ原稿 3 本を 4 つのモデルに 1 回ずつ読ませると、文字に起こし直して原稿と違った所は 0〜2 か所でした(ElevenLabs の Eleven v4 が 0、Eleven v3 と Gemini が 1、OpenAI が 2)。間は、推定で句読点 25 か所のうち 20〜23 か所に入っていました。差は小さく、どれが自然に聞こえるかは、この数字では決められません。下の音声 20 本で、聞いて確かめてください。

結果の早見

題の問いには、測れたことだけで答えます。

• 原稿と違った所: Eleven v4 が 0、Eleven v3 と Gemini が 1、OpenAI が 2 か所でした。ただし Eleven v4 は、原稿 1 の冒頭の日付で、2 つの起こし直しがどちらも原稿と合っていません(言葉が食い違ったので、数に入れていません)。
• 間: 推定では、4 つとも句読点の所の 8 割以上に入っていました(25 か所のうち 20〜23 か所)。
• 速さ: OpenAI がいちばん速く(1 秒あたり 6.0 字)、Eleven v3 がいちばん遅い結果でした(5.1 字)。
• 読みが分かれる語(今日・行った など)の読み: この方法では確かめられず、数に入れていません。

比べ方

比べたモデル

• 声は、YOBITSUGI AI の既定のままです。話し方の指示は付けていません。記録に声の名前が出ていたのは、OpenAI の marin だけです。
• ElevenLabs の公式の説明では、Eleven v4 が最新の世代(90 以上の言語)、Eleven v3 が前の世代(70 以上の言語)です。
• YOBITSUGI AI の OpenAI の読み上げは、Realtime 用のモデル(gpt-realtime-2.1-mini。公式の説明では、リアルタイムの音声のやり取りのためのモデル)に、原稿をそのまま読ませる作りです。OpenAI のほかの読み上げ用のモデルとは、結果が違うことがあります。
• Gemini 3.8 Flash TTS は、公式の説明では 130 以上の言語に対応し、言語は自動で判定されます。

原稿と測り方

原稿は、編集部が書いた架空の内容です。日付・時刻・金額・電話番号と、読みが分かれる 5 語を入れました。正しい読みと数える項目は、音声を作る前に決めています。字数は、空白と改行を除いて数えました(3 本で 538 字)。

• 原稿と違った所: 音声を、2 つの文字起こしの AI(OpenAI の gpt-transcribe と Gemini 3.5 Transcribe)で文字に戻し、原稿と 1 件ずつ見比べました。数に入れたのは、2 つが同じ場所を同じ言葉で原稿と違って起こし、言葉の違い・抜け・足しだと分かる所だけです。
• 数に入れなかった違い: 片方だけに出た違いは、起こし直しの側の誤りかもしれないので、数に入れていません。2 つとも原稿と違ったのに言葉が食い違った所も、同じです。数字と漢数字、漢字とかな、同じ音の別の字(「和菓子」と「我が市」など)、句読点の違いは数えません。
• 速さと間: 原稿の字数を音声の長さで割り、0.25 秒以上の無音の数と長さを測りました。
• 結果を見てから変えた扱い: 速さを前後の無音を除いた長さで割ること、音声の終わりの直前の無音を間に数えないこと、の 2 つです。変えない場合の数を、並べて書きます。

原稿と違った所

• Eleven v4(0 か所): 2 つが同じ言葉で違った所は、ありませんでした。ただし、原稿 1 の最初の「10月20日」は、片方が「14時20分」、もう片方が「14日」と起こしていて、どちらも原稿と合っていません。どう読まれたかは、起こし直しからは分かりません。
• Eleven v3(1 か所): 原稿 2 の「最中」が、2 つとも「まなか」と起こされました(片方はカタカナ)。原稿 3 の「ですよね〜。」のあとの「えご」「ええ」は、伸ばした音がそう起こされた可能性もあるので、数に入れていません。
• OpenAI(2 か所): 原稿 1 の「初日」が「8日」、「850万円」が「880万円」と、2 つとも同じ言葉に起こされました。
• Gemini(1 か所): 原稿 3 の「……そうですか。」の前に、2 つとも「ああ、」と起こした音が入っていました。

片方の起こし直しだけに出た違いは、12 本で 8 か所ありました(「こもれび堂」が「小森尾」になる など)。音声ごとでは、Eleven v4 が 1、Eleven v3 が 1、OpenAI が 4、Gemini が 2 か所です。

読みが分かれる 5 語は、確かめられなかった

文字に起こし直す方法では、この 5 語の読みは確かめられませんでした。結果の数にも入れていません。下の音声で確かめてください。5 語は、原稿 1 の 2 文目(今日)・4 文目(行った)・5 文目(一日)と、原稿 2 の 4 文目(最中・辛い)にあります。

計画では、「漢字を使わず、聞こえたとおりにひらがなで書く」という指示を付けた起こし直しで、読みを確かめる予定でした。5 回試しましたが、5 回とも漢字まじりの文が返ってきました。漢字に戻ると、「行った」が「おこなった」か「いった」かは分かりません。数字の読み(20日 = はつか など)とアクセントも、この方法では確かめられていません。

「最中」は、Eleven v3 の音声だけ、2 つの起こし直しが「まなか」とそろったので、上の「原稿と違った所」に数えています。

原稿ごとの音声

原稿 1 ニュース調

10月20日、火曜日のニュースをお伝えします。大分市の中央公園で、今日午前9時30分から、秋の収穫祭が始まりました。初日の来場者は約1,200人で、去年より4.5%増えました。会場では、地元の高校生が開会式を行ったあと、新米のおにぎり300個が配られました。市は、3日間の売り上げを850万円、来場者を一日あたり1,500人と見込んでいます。2日目は午後2時から、もちつきの大会が開かれます。

読みが分かれる語は、2 文目の「今日」、4 文目の「行った」、5 文目の「一日」です。

原稿 2 店の案内

お電話ありがとうございます。和菓子とせんべいの店、こもれび堂でございます。営業時間は、午前10時から午後6時30分まで、定休日は毎週水曜日でございます。名物の最中は1個220円、辛いせんべいは1袋480円でございます。6個入りの箱は1,400円で、ご予約も承っております。お問い合わせは、03-0000-0000 までお願いいたします。

読みが分かれる語は、4 文目の「最中」と「辛い」です。

金額・営業時間・電話番号は、4 つとも、2 つの起こし直しの両方で原稿と同じ数字でした。

原稿 3 会話の台詞

「えっ、本当に？ 明日の会議、中止になったんですか？」
「はい。さっき、部長から連絡がありまして……。」
「そんな……。資料、三日もかけて作ったのに！」
「ですよね〜。あの、言いにくいんですが……延期の日も、まだ決まっていないそうです。」
「……そうですか。分かりました。じゃあ、今日はもう帰りましょうか。」
「えっと、それが……もう一つ、お願いがあるんです。」

記号の名前が起こし直しに出たモデルは、ありませんでした。0.25 秒以上の無音が音声の長さに占める割合は、Eleven v3 と OpenAI が 34%、Eleven v4 が 22%、Gemini が 17% です。

速さ・間・抑揚の幅

3 本の合計では、OpenAI が 1 秒あたり 6.0 字、Eleven v4 が 5.6 字、Gemini が 5.4 字、Eleven v3 が 5.1 字でした。音声の前後の無音を除いた長さで割った値です(Eleven v3 の原稿 1 の終わりに、1.7 秒の無音があったのを見てから変えた扱い)。計画どおりに音声の長さそのもので割ると、6.0・5.6・5.3・5.0 字で、順番は変わりません。

• 「。」の所には、4 つとも 10 か所すべてに無音がありました。平均の長さは、Eleven v3 が 1.00 秒、Gemini が 0.95 秒、Eleven v4 が 0.78 秒、OpenAI が 0.69 秒です。
• 「、」の所は、15 か所のうち、Eleven v3 が 10 か所、ほかの 3 つが 13 か所でした。
• 句読点でない所の無音は、OpenAI が 0、Eleven v4 と v3 が 1、Gemini が 5 か所でした。音声の終わりの直前の無音を除いた数です(結果を見てから足した扱い)。除かないと、Eleven v3 が 2、Gemini が 7 か所になります。
• Gemini の 5 か所は、推定では、どれも「〜は」「〜を」のすぐあとでした(「定休日は」「辛いせんべいは」など)。
• 場所は、話した時間と原稿の読みの長さを照らし合わせた推定で、正解と照らしたものではありません(句読点に当てた無音でも、最大で約 4 かな分のずれ)。0.25 秒より短い間は、数えていません。

抑揚の幅(声の高さが動いた範囲)は、3 本とも Eleven v3 がいちばん狭い結果でした。幅は、聞きやすさを表す数字ではありません。

時間と料金

1,000 字あたりに直すと、Eleven v4 と v3 が 14.2、OpenAI が 12.4、Gemini が 7.5 クレジットです(3 本の合計 538 字で計算)。作るのにかかった時間は、3 本の合計で OpenAI が 16.9 秒、Eleven v4 が 23.4 秒、Eleven v3 が 28.3 秒、Gemini が 38.1 秒でした。

語をひらがなに直して作り直すと

原稿と違う所を減らす手順として、語をひらがなに直す方法を、あとから足して試しました。読みが分かれる 5 語と、1 回目の起こし直しで原稿と違った 3 語(10月20日・初日・850万円)をひらがなに直した原稿を、4 つのモデルに 1 回ずつ読ませています。数え方は、1 回目と同じです。

10月はつか、火曜日のニュースをお伝えします。大分市の中央公園で、きょう午前9時30分から、秋の収穫祭が始まりました。しょにちの来場者は約1,200人で、去年より4.5%増えました。会場では、地元の高校生が開会式をおこなったあと、新米のおにぎり300個が配られました。市は、3日間の売り上げをはっぴゃくごじゅう万円、来場者をいちにちあたり1,500人と見込んでいます。2日目は午後2時から、もちつきの大会が開かれます。

お電話ありがとうございます。和菓子とせんべいの店、こもれび堂でございます。営業時間は、午前10時から午後6時30分まで、定休日は毎週水曜日でございます。名物のもなかは1個220円、からいせんべいは1袋480円でございます。6個入りの箱は1,400円で、ご予約も承っております。お問い合わせは、03-0000-0000 までお願いいたします。

• 原稿どおりに起こされた所: 1 回目に違った Eleven v3 の「最中」、OpenAI の「初日」「850万円」は、2 回目は 2 つとも原稿と同じ言葉に起こされました。
• 新しく違った所: OpenAI は、直していない「和菓子」が 2 つとも「私」と起こされ、電話番号が 2 つとも 9 桁になりました。
• 起こし直しが食い違った所(数に入れていません): 「10月はつか」と書いた冒頭の日付です。Eleven v4 は「週5日は、火、」「仕事はつか」、OpenAI は「10月は、2日」「チロルラチラスカ」と起こされました。
• Eleven v3 と Gemini は、2 回目に、2 つがそろって原稿と違った所はありませんでした。読みが分かれる 5 語の読みが変わったかどうかは、確かめられません。

今回は、直していない所の結果も 1 回目と変わりました。作り直すと、直した所のほかも変わることがあります。

次の 8 本は、あとから足した音声です。

使い分け

今回の 1 回ずつの結果から言えることです。耳で聞いた評価は入っていません。

• 数字や日付の入る原稿: Gemini は、原稿 1・2 と直した原稿の 4 本で、2 つの起こし直しがそろって原稿と違った所も、言葉が食い違った所もありませんでした。料金はいちばん低く、作る時間はいちばん長くかかりました。
• 日付で始まる原稿: Eleven v4 は、原稿 1 と直した原稿 1 の冒頭の日付で、2 つの起こし直しがどちらも原稿と合いませんでした。記事に載せていない確かめ用の音声 1 本でも、同じ書き出しが 2 つとも「14日」と起こされています。冒頭の日付は、聞いて確かめてください。
• ゆっくり読ませたいとき: Eleven v3 は、速さがいちばん遅く、「。」の無音の平均がいちばん長い結果でした。
• 早く作りたいとき: OpenAI は、作る時間がいちばん短く、読む速さもいちばん速い結果でした。原稿と違った所は 2 か所で、4 つの中ではいちばん多い数です。
• 台詞: 原稿 3 で、2 つの起こし直しに原稿にない言葉がそろって出たのは、Gemini の 1 か所(「ああ」)だけでした。

気をつけること

• 1 つの声で 1 回ずつ作った結果です。声や原稿が変わると、結果も変わることがあります。
• 起こし直しで分かるのは、字が変わる違いだけです。起こし直しの AI も間違えます(今回は、片方だけに出た違いが 8 か所)。公開する前に、日付・数字・固有名詞・電話番号と、読みが分かれる語を耳で確かめてください。起こし直しを使うと、聞き直す所をしぼれます。
• ElevenLabs の公式の説明では、Eleven v4 と v3 は間を入れる break タグに対応していません。句読点や「...」などで間を調整します。Gemini は、文の中に <short pause> と書くと間を入れられます。今回は試していません。
• ElevenLabs の無料のプランは、商用に使えません。有料のプランには、商用のライセンスが付きます(ベータの機能を除く)。
• OpenAI の読み上げのガイドには、聞く人に「AI が作った声で、人の声ではない」とはっきり伝える決まりが書かれています。

まとめ

2 つの起こし直しがそろって原稿と違った所は、Eleven v4 が 0、Eleven v3 と Gemini が 1、OpenAI が 2 か所でした。差は小さく、1 回ずつの結果です(Eleven v4 も、冒頭の日付では起こし直しが原稿と合っていません)。読みが分かれる語の読みは、この方法では確かめられませんでした。自然に聞こえるかは、音声で確かめてください。ナレーションに使うときは、作った音声を起こし直して原稿と比べ、違った所と読みが分かれる語を耳で確かめてから公開してください。