音声AIとは？聞く・話す・会話する3種類と主要サービス比較【2026年】

「音声AI」と聞くと、スマートスピーカーや電話の自動応答を思い浮かべる方が多いかもしれません。ただ、実際に使われている技術は大きく3つに分かれます。会議の録音を文字にする。文章を人の声で読み上げる。電話で相手の話を聞いて返事をする。どれも音声を扱いますが、始めやすさも注意点もまったく違います。

ElevenLabs、OpenAI、Google、Fish Audioなど、サービスの選択肢は増えましたが、何がどう違うのか整理しにくいという声を聞くことがあります。この記事では、音声AIを「聞く」「話す」「会話する」の3種類に分け、中小企業が試しやすい順に整理します。とくに「話す」側は、主要4サービスを日本語への対応・声のコピー・無料枠・商用利用の同じ軸にそろえて比べます。

まず始めるなら、元に戻せて確認しやすい「聞くAI（議事録）」か「話すAI（ナレーション）」から。電話の自動応答は、そのあとで十分です。

料金や機能は、2026年11月14日時点の各社の公開情報です。変わることがあるため、契約の前に必ず公式ページで確認してください。

音声AIは「聞く・話す・会話する」の3種類に分けて考える

音声AIは、何を入れて何が出てくるかで3種類に分けられます。

• 🎧 聞くAI：音声を文字にします。会議の議事録、音声入力、現場の記録が代表的です。
• 📢 話すAI：文字を音声にします。研修動画のナレーション、店内放送、社内報の読み上げに使います。
• 📞 会話するAI：相手の話を聞いて、内容を考え、声で返します。電話の一次対応や予約の受付に使います。

3つは順番に難しくなります。聞くAIと話すAIは、入力か出力のどちらかが文字なので、結果を目で見て確認できます。会話するAIは聞く・考える・話すを一度にこなすため、間違えたときにその場でお客様に伝わります。だから最初は、結果を確認できる聞くAIか話すAIから試すのが現実的です。

聞くAI：議事録と音声入力は、もっとも始めやすい

聞くAIは、録音した音声を文字に変えます。会議のあとに議事録を作る手間が減り、移動中に話した内容をそのまま文章にできます。手袋をしたままの点検記録など、手が使えない現場でも役立ちます。

始めやすい理由は2つあります。1つ目は、失敗しても元の録音が残ることです。文字に間違いがあっても、聞き直せば直せます。2つ目は、確認する人を決めやすいことです。会議に出ていた人が読み返せば、人名や数字の間違いはすぐ見つかります。

費用も小さく済みます。ElevenLabsの文字起こし（Scribe v2）は1時間あたり約0.20ドル、Fish Audioの文字起こしは1時間あたり0.36ドルと、それぞれの公式料金ページに記載されています。1時間の会議を文字にする費用は数十円の規模です。

• ⚠️ 人名・社名・数字は間違えやすいため、公開や共有の前に必ず人が確認する
• ⚠️ 日本語の精度は録音の質や専門用語で変わるため、まず自社の会議の録音で試す
• ⚠️ 会議や通話を録音するときは、事前に参加者へ伝える

話すAI：主要サービスを同じ軸で比べる

話すAIは、サービスごとの違いがもっとも大きい分野です。名前を聞くことの多い4つ（Google、OpenAI、Fish Audio、ElevenLabs）を、日本語への対応・声のコピー・無料枠・商用利用の4軸で比べます。声のコピーとは、数秒から数十秒の音声の見本から、その人に似た声を作る機能です。

クレジットは各社が定める使用量の単位です。無料枠や月額プランで足りるかは、公式の説明で換算を確かめてください。

Google：長い文章のナレーションと、無料枠の広さ

Googleの音声合成は、高品質な「Chirp 3 HD」の声で100万字あたり30ドルです。月100万字までの無料枠があり、試す段階では費用がかかりません。声のコピーは「カスタムボイス」という別プランで提供されており、利用には条件があります。詳細は公式の料金ページで確認してください。

OpenAI：話し方を文章で指示できる

OpenAIの「gpt-4o-mini-tts」は、「落ち着いた声で」「明るく」のように話し方を文章で指示できる点が特徴だと、日本語の比較記事で紹介されています。その記事では1分あたり約0.015ドルとされています。公式の料金ページには、旧型の「tts-1」が100万字あたり15ドル、高品質版の「tts-1-hd」が30ドルと記載されています。無料枠はなく、声のコピーもできません。

Fish Audio：声のコピーが手軽で、無料枠は個人利用のみ

Fish Audioは、約10秒の音声の見本から声をコピーできると公式が説明しています。月額プランはPlusが月11〜15ドル、Proが月75〜100ドルです（年払いと月払いで差があります）。注意したいのは、無料プランの音声は個人利用（商用ではない目的）に限られる点です。会社の動画や店内放送に使うなら、有料プランが前提になります。

システムに組み込む使い方では、100万バイトあたり15ドルです。文字ではなくバイト単位での課金なので読み替えが必要です。日本語は1文字がおよそ3バイトのため、日本語100万字あたり約45ドルに相当します（当社の計算）。日本語向けの発音調整の項目が公式資料にあります。対応言語の最新の一覧は公式ページで確認してください。

ElevenLabs：声の自然さと感情表現。プランは段階制

ElevenLabsは、声の自然さと感情表現の評価が高いサービスです。無料プランは月1万クレジット。Starterは月6ドルで商用ライセンスと簡易的な声のコピーが付きます。Creatorは月22ドルで本格的な声のコピーが使えます。Proは月99ドルです。システムに組み込む場合は、最新モデルが1,000字あたり0.08ドル、高速モデルが0.04ドルで、100万字換算で40〜80ドルになります（公式のAPI料金ページで確認できます）。4社の中では高めですが、声の選択肢の多さが強みです。プランの詳細は公式の料金ページをご確認ください。

補足：Amazon Polly、Azure、無料ソフト

ほかにも選択肢があります。Amazon PollyとMicrosoftのAzureは、100万字あたり約15〜30ドルです（比較記事で数字にばらつきがあるため幅で示しています）。Azureには月50万字までの無料枠があります。費用をかけずに始めるなら、自分のパソコンで動かす無料ソフトのVOICEVOXやAivisSpeechがあります。日本語に特化していますが、声の持ち主ごとに利用条件が異なるため、会社で使う前に条件の確認が必要です。

日本語の自然さは、4社とも僅差

日本語の読み上げの自然さは、ABEJAのブログで行われた比較（ある技術記事が引用）では、Amazon Polly、OpenAI、Google、ElevenLabsの4サービスが100点満点で89〜91点台に収まっています。順位をつけるほどの差ではありません。これは1回の比較であり、Fish Audioは含まれていません。実際に自社の文章を読み上げさせて、耳で選ぶのがもっとも確実です。数字や固有名詞の読み方は、どのサービスでも確認が必要です。

料金より先に見るもの：声の権利と商用利用

料金を日本語100万字あたりにそろえると、次のようになります。

100万字と言われてもピンときません。10分のナレーションは日本語でおよそ3,500字です。1ドル150円で計算すると、Googleは約16円、Fish Audioは約24円、ElevenLabsの最新モデルは約42円です。どのサービスでも、1本あたり50円以内に収まります。料金の差で選ぶ段階ではありません。ただし月額プランで使う場合は、プランの料金そのものが実質の費用になります。

費用の差が小さいなら、先に確認すべきは権利と運用です。使い始める前に3つの点を決めておきます。

• ✅ 誰の声か：声のコピーは、本人の書面の許可を取ってから使う。社員、取引先、有名人の声を、許可なくコピーしない
• ✅ どこで使うか：会社の動画や放送など商用の場面では、商用利用が認められたプランを選ぶ。無料プランが個人利用のみのサービスがある
• ✅ AIの声だと伝えるか：お客様に向けた音声は、AIの声であることを伝えるかどうかを、社内であらかじめ決める

商用利用の条件は規約の更新で変わることがあります。契約の前に各社の最新の規約を確認してください。複数サービスの料金を横並びで比べた参考情報として、第三者の比較記事も参照できます。

会話するAI：電話の一次対応は「任せる範囲」から決める

会話するAIは、相手の話を聞き、内容を考え、声で返します。2026年には、音声のまま直接やり取りする方式が広がっています。ただ、決められた手順を守る確実さは文字のAIより劣る場合があると指摘されており、電話対応に導入する際は任せる範囲の設計が重要です。

日本の中小企業向けの事例では、電話の対応を全部AIに任せるのではなく、一次対応だけAIにして難しい用件は人へつなぐ形が現実的とされています。NTT東日本の「おまかせAIでんわ」のように、固定電話の応対の負担を減らすサービスも出ています。

電話の前に、文字のチャットで質問の中身を知る

電話の自動応答はいきなり始めないほうが安全です。電話は聞き返しにくく、誤った案内がそのままお客様に届きます。先にLINEやWebの文字チャットで、お客様が何を聞いてくるのかを集めます。

文字チャットなら会話の記録がそのまま残ります。よく聞かれる質問の種類、AIが答えられなかった質問、人に引き継いだ件数を数えられます。この記録が、電話で答える範囲を決める材料になります。文字チャットで答えの範囲が固まってから、同じ範囲を音声へ広げるほうが失敗が少なくなります。

AillyのAIチャットボット（Chat mate Socrates）は、LINEやWebでの文字のやり取りで問い合わせに答える仕組みです。費用の考え方はAIチャットボットの費用相場、LINEでの活用はLINE自動返信をAI営業マンに変える方法で詳しく説明しています。

どれから試すか：目的別の選び方

ここまでの内容を、目的別に1枚にまとめます。自分の目的に近い行を選んでください。

最初の1件は、次の3つの条件をすべて満たす業務を選びます。

• ✅ 元に戻せる：間違えても、録音や原稿から直せる
• ✅ 確認する人が決まっている：出力を読む・聞く人が1人決まっている
• ✅ 失敗の影響が小さい：社内の会議や公開前の動画など、お客様に直接届かない場面から始める

音声AIを含め、どの業務からAIを入れるか迷う場合は、AIスクールとAIコンサルタントの違い｜中小企業はどちらを選ぶべきかも参考になります。社内での使い方のルールを先に決めたいときは、生成AIの社内利用ガイドラインの作り方が役立ちます。

声のなりすまし詐欺と録音の注意

声をコピーする技術が広がったことで、注意しておきたいことがあります。PwCのコラム（2026年7月）は、家族や友人の声や話し方を再現し、通話の途中でリアルタイムに受け答えまでしてくる手口を懸念として挙げています。「声が違うから詐欺だと分かる」という、これまでの見分け方が通用しなくなります。

会社として、次のことを決めておくと安心です。

• 📌 お金の振込や重要な情報の依頼は、電話の声だけで決めない
• 📌 お金の話が出たら、いったん切って、登録済みの番号など別の連絡手段で本人に確認する
• 📌 会議や通話の録音は、事前に相手へ伝える
• 📌 社員の声や顧客の声をAIに読み込ませるときは、使う目的と期間を決めて許可を取る

よくある質問

音声AIとは何ですか？

音声を扱うAIの総称です。音声を文字にする「聞くAI」、文字を音声にする「話すAI」、聞いて考えて話す「会話するAI」の3種類に分けると整理しやすくなります。議事録は聞くAI、ナレーションは話すAI、電話の一次対応は会話するAIの使い方です。

ElevenLabs・OpenAI・Google・Fish Audioは日本語で使えますか？

いずれも日本語の読み上げに使えます。違いは声のコピーの可否、無料枠、商用利用の条件です。Fish Audioの対応言語の最新の一覧は、公式ページで確認してください。

自分や社員の声をAIにコピーして使えますか？

Fish AudioとElevenLabsは、短い音声の見本から声をコピーする機能があります。ただし必ず本人の書面の許可を取り、使う場所と期間を決めてから使います。許可のない他人の声のコピーは行いません。

音声合成の料金はどのくらいかかりますか？

日本語100万字あたりで、Googleは約30ドル、OpenAIの旧型は15〜30ドル、ElevenLabsは40〜80ドル、Fish Audioは計算上約45ドルが目安です。10分のナレーション（約3,500字）なら、どのサービスでも50円以内に収まる計算です。月額プランで使う場合は、プランの料金が実質の費用になります。

電話の自動応答はいきなり音声AIで始めてよいですか？

おすすめしません。電話は聞き返しにくく、誤案内の影響が大きいためです。先に文字チャットでお客様が何を聞くのか、どの質問にAIが答えられなかったかを集め、答える範囲を決めてから音声へ進むほうが安全です。

まとめ：まず聞くAIか話すAIから、小さく試す

音声AIは、聞く・話す・会話するの3種類に分けて考えると整理できます。中小企業が最初に試すなら、結果を確認しやすい聞くAI（議事録）か話すAI（ナレーション）です。

• ✅ 話すAIは日本語の自然さが4社とも僅差で、1本あたりの料金も50円以内に収まる。声のコピーの要否、商用利用の条件、使いやすさで選ぶ
• ✅ 声のコピーは、本人の書面の許可を取ってから。無料プランが個人利用のみのサービスもある
• ✅ 電話の自動応答は、先に文字チャットで質問の中身を集めてから進める
• ✅ お金の話は、声がそっくりでも、別の連絡手段で本人に確認する

出典（2026年11月14日に確認）

• 🔗 Google Cloud Text-to-Speech 料金（公式）
• 🔗 OpenAI API 料金（公式）
• 🔗 Fish Audio プラン（公式）、システム向け料金（公式資料）
• 🔗 ElevenLabs 料金（公式）、システム向け料金（公式）
• 🔗 音声合成API料金比較（比較記事）、日本語の音声合成の比較（技術記事）
• 🔗 PwC AI生成音声に関するコラム