NVIDIA V100 GPU 1基で、HiFi-GAN V3ボコーダーはリアルタイムの1,186.80倍の速さで音声を生成したが、自己回帰型のWaveNetは同じカードでリアルタイムの0.003倍にとどまった(Kongら, HiFi-GAN 2020)。この5桁以上の差こそが、音声合成がデータセンターの贅沢品からスマートフォンでも実行できるものへと変わった理由である。その後、ボトルネックは移動した。大規模なゼロショットモデルである元のF5-TTSの論文は、音声1秒あたり0.15秒のGPU時間を報告し(Chenら, F5-TTS 2024)、A100 1基でのストリーミング検証では、システムによって最初の音声までの時間が102 msから1,643 msまで幅広く測定された(KTH, VoXtream 2025)。価格面では、主要クラウドの定価は100万文字あたり$4から$160に及び、同じテキスト量で40倍の開きがある。KTH、Kyutai、Appleによる査読付き論文およびarXiv論文、NVIDIAのRivaの性能ドキュメント、Google Cloud、Amazon Web Services、Microsoft Azure、OpenAIの公式料金ページからデータを集約した。品質スコアについては、合成音声のMOS統計で別途扱っている。
この記事全体で使われる単位についての注記:リアルタイム係数(RTF)は通常、計算時間を音声の長さで割ったものを指し、RTF 0.1は音声1秒の生成に0.1秒かかることを意味し、小さいほど良い。いくつかの情報源は比を逆にして、計算1秒あたりに出力される音声の秒数を報告しており(NVIDIAはこれをRTFXと呼び、論文によっては「リアルタイムの何倍の速さ」と書く)、こちらは大きいほど良い。表では、行に「リアルタイムの何倍」「RTFX」「大きいほど高速」とある場合を除き、RTFは小さいほど高速という規約を指す。
主なポイント
- FastSpeech 2はRTFをTransformer TTSの0.932から0.0195へ下げ、47.8倍の高速化を実現した(Renら, FastSpeech 2 2020)。
- 2サンプリングステップのMatcha-TTSは、ボコーダーを含めてRTF 0.015を記録した(Mehtaら, Matcha-TTS 2023)。
- F5-TTSは16ステップでRTF 0.15を報告し、比較表のCosyVoiceは0.92だった(Chenら, F5-TTS 2024)。
- VoXtreamはA100で最初のパケットの遅延102 msに達したが、同じ検証で全ストリームモードのCosyVoice2は1,643 msかかった(KTH, VoXtream 2025)。
- KyutaiのDSM-TTSの遅延はバッチサイズ1の150 msからバッチサイズ64の403 msに上昇し、スループットはリアルタイムの137.3倍に達した(Kyutai, DSM-TTS 2025)。
- NVIDIA RivaのFastPitchとHiFi-GANのパイプラインは、最初の音声までの遅延が1ストリームの22 msから32ストリームの323 msへと増加した(NVIDIA Riva 2.16.0ドキュメント、ベンダー実施)。
- Appleのオンデバイスシステムは、2台のモバイル端末でリアルタイムの1.47倍から3.03倍の速度で動作した(Apple, オンデバイスのニューラル音声合成 2021)。
- NICTのMobile PresenTraは、中価格帯のGoogle Pixel 5でバッチRTF約0.3に達した(Okamotoら, Mobile PresenTra, Interspeech 2024)。
- SupertonicTTSを8から4サンプリングステップに減らすと、単語誤り率は2.818%から11.43%に上昇した(Supertone, SupertonicTTS 2025)。
- Fast F5-TTSは32ステップのベースラインより約4倍高速に動作し、単語誤り率は2.37%から2.45%に変化しただけだった(Zhengら, Interspeech 2025)。
- Google Cloudは100万文字あたりStandard音声を$4、Studio音声を$160としている(Google Cloud Text-to-Speechの料金 2026)。
- Amazonは100万文字を約23時間8分の音声に相当するとしており、これによりPolly Generativeは音声1時間あたり約$1.30となる(AWS Amazon Pollyの料金 2026)。
1. GPUにおけるモデル系統別のリアルタイム係数
最初の大きな速度向上は、テキストをメルスペクトログラム(音声の時間と周波数の像)に変換する部分である音響モデルで、自己回帰をやめたことから生まれた。FastSpeech 2は同じV100サーバーでRTF 0.0195を記録し、Transformer TTSの0.932に対して47.8倍の推論高速化となった(Renら, FastSpeech 2)。モデルがすべてのフレームを並列に予測するようになれば、自分の直前の出力をフレームごとに待つ必要がなくなる。
新しい系統はこの利得を打ち消さなかったが、分散させた。Grad-TTSやMatcha-TTSのような拡散モデルやフローマッチング系のモデルは、ネットワークの追加パスを数回払うことで品質を高めており、RTX 3090 GPUでのMatcha-TTSのベンチマークでは、テストされたすべてのシステムがボコーダー込みでRTF 0.08未満にとどまった(Mehtaら, Matcha-TTS)。そこで興味深いのは平均ではなくばらつきだ。VITSは標準偏差0.083で0.074を記録し、これは平均そのものより大きく、文ごとの速度が非常に不均一であることを示している。
| 指標 | 値 | 出典 |
|---|---|---|
| Transformer TTSのRTF、V100 GPU、バッチサイズ1(小さいほど高速) | 0.932 | Renら, FastSpeech 2 2020 |
| FastSpeech 2のRTFとTransformer TTSに対する高速化率、同一条件 | 0.0195 (47.8倍) | Renら, FastSpeech 2 2020 |
| FastSpeech 2s(テキストから直接波形へ)のRTFと高速化率 | 0.0180 (51.8倍) | Renら, FastSpeech 2 2020 |
| Matcha-TTSの検証でのFastSpeech 2のRTF、ボコーダー込み、RTX 3090 | 0.010 (標準偏差0.004) | Mehtaら, Matcha-TTS 2023 |
| Matcha-TTSのRTF、2サンプリングステップと10サンプリングステップの比較 | 0.015 対 0.038 | Mehtaら, Matcha-TTS 2023 |
| Grad-TTSのRTF、10サンプリングステップ | 0.049 | Mehtaら, Matcha-TTS 2023 |
| Matcha-TTSの検証でのVITSのRTF(平均と標準偏差) | 0.074 (0.083) | Mehtaら, Matcha-TTS 2023 |
| StyleTTS 2の検証でのStyleTTS 2のRTFとVITSのRTF | 0.0185 対 0.0599 | Liら, StyleTTS 2 2023 |
入手可能な最新データ:FastSpeech 2(2020年)、StyleTTS 2(2023年)、Matcha-TTS(2023年)で、いずれも3年以上前のものである。異なる論文のRTF値は、GPU、バッチサイズ、ボコーダーを含むかどうかがすべて異なるため、直接比較はできない。Matcha-TTSの著者は、2ステップのモデルが長い発話ではFastSpeech 2と競争力を持つようになるとも報告している。
2. ボコーダー:計算が使われる場所
ボコーダーはメルスペクトログラムを聞こえる波形に変換するもので、長年にわたりパイプラインの中でコストの高い半分だった。WaveNetはV100 GPUで0.07 kHzの音声を生成し、これはリアルタイムの0.003倍だが、HiFi-GAN V1は3,701 kHz、つまりリアルタイムの167.86倍を生成した(Kongら, HiFi-GAN)。要点は、GAN系ボコーダーが速いということだけではない。ボコーダーが、音声合成の製品にそもそもGPUが必要になる理由ではなくなったということである。
同じパターンは今、ストリーミングシステムの内部でも繰り返されている。AppleのSpeakStream論文では、音響モデルが約28 msかかる一方で、Parallel WaveGAN(PWG)ボコーダーが152 msを加えており、ストリーミングボコーダーに差し替えるとその段階は13 msに短縮された(Apple, SpeakStream)。言い換えれば、ボコーダーの選択だけで、最初の音声が約40 msで届くか約180 msで届くかが決まった。
| 指標 | 値 | 出典 |
|---|---|---|
| V100 GPUでのWaveNet (MoL)、WaveGlow、MelGANの速度、リアルタイムの何倍か(大きいほど高速) | 0.003倍 対 22.75倍 対 645.73倍 | Kongら, HiFi-GAN 2020 |
| V100 GPUでのHiFi-GAN V1とHiFi-GAN V3の速度、リアルタイムの何倍か | 167.86倍 対 1,186.80倍 | Kongら, HiFi-GAN 2020 |
| BigVGANボコーダーのRTFとSupertonicTTSの音声オートエンコーダーのRTF、RTX 4090(小さいほど高速) | 0.0124 対 0.0006 | Supertone, SupertonicTTS 2025 |
| M4 Pro搭載Mac miniでのSpeakStream、PWGとストリーミングボコーダーVocStreamの比較:ボコーダー時間と最初の音声までの合計時間 | 152 ms 対 13 ms、180 ms 対 40 ms | Apple, SpeakStream 2025 |
入手可能な最新データ:Kongら, HiFi-GAN 2020は、さらなる最適化なしの32ビット浮動小数点で測定された。Matcha-TTSの検証ではボコーダー単体がRTF 0.001で動作したため、その条件ではボコーダーは合成時間全体のごく一部だった(Matcha-TTS)。
3. 大規模ゼロショットモデル:大規模なボイスクローンの速度コスト
短いプロンプトから再学習なしで新しい声を模倣するゼロショットモデルは、速度を再び議論の的にした。F5-TTSの比較表では、CosyVoiceのRTFが0.92、FireRedTTSが0.84とされており、音声1秒の生成にほぼ1秒の計算時間がかかったことを意味する(Chenら, F5-TTS)。F5-TTS自身は、RTX 3090で16サンプリングステップのとき0.15を報告しており、これはリアルタイムの約6.7倍の速さ(1を0.15で割った値)である。バッチ処理のオーディオブック作業には十分高速だが、1枚のカードで多数のライブユーザーに対応するには余裕が少ない。
小型のモデルは差を縮めている。44MパラメータのSupertonicTTSは、RTX 4090で0.02、RTX 3090で0.05を報告し、RTX 3090で32ステップのF5-TTSの0.31と対照的だった(Supertone, SupertonicTTS)。AIボイスジェネレーターを評価するチームにとって、パラメータ数だけでは運用コストの指標として不十分である。以下の表は、740MパラメータのDiTTo-TTSが330MパラメータのVoiceboxより高速であることを示しているが、この2つの数値は同じハードウェアのものではない可能性がある。
| 指標 | 値 | 出典 |
|---|---|---|
| F5-TTSのRTF、16と32のサンプリングステップ、RTX 3090、10秒の音声(小さいほど高速) | 0.15 対 0.31 | Chenら, F5-TTS 2024 |
| CosyVoice(約300Mパラメータ)とFireRedTTS(約580M)のRTF | 0.92 対 0.84 | Chenら, F5-TTS 2024 |
| Voicebox (330M)とVALL-E 2のRTF | 0.64 対 0.732 | Chenら, F5-TTS 2024 |
| DiTTo-TTS (740M)とNaturalSpeech 3 (500M)のRTF | 0.162 対 0.296 | Chenら, F5-TTS 2024 |
| SupertonicTTS (44M)のRTF、RTX 4090とRTX 3090の比較 | 0.02 対 0.05 | Supertone, SupertonicTTS 2025 |
| バッチサイズ1でのリアルタイム倍率(大きいほど高速):DSM-TTS、Chatterbox、CSMの比較 | 3.2 対 1.8 対 1.0 | Kyutai, DSM-TTS 2025 |
| バッチサイズ1でのリアルタイム倍率:DiaとOrpheus | それぞれ0.7 (リアルタイムより低速) | Kyutai, DSM-TTS 2025 |
補足:F5-TTSの論文はベースラインのRTF値がどのように測定されたかを述べておらず、同じRTX 3090ではない可能性があるため、2行目から4行目は目安として扱うこと。後の論文はF5-TTS自体をRTX 3090で0.065および0.123と測定した(セクション6を参照)。Kyutaiの表は逆の規約を用いており、1.0未満の値はモデルが再生に追いつけないことを意味する。
4. ストリーミングの最初の音声までの時間とサービングの同時実行
ライブでの利用では、重要なのはRTFではなく、聞き手が最初の音を待つ時間である。A100での1回のベンチマークで、torch.compile付きのVoXtreamは102 ms後に発話を始めたが、全ストリームモードのCosyVoice2は1,643 msかかった(KTH, VoXtream)。全ストリームとは、テキストがまだ届いている間にモデルが開始することを意味する。システムは、フレーズ全体を待つなら、RTFが良好でも最初のパケットの遅延が悪いことがありうる。
同時実行はもう半分の課題だ。1つのGPUにより多くのユーザーをまとめるとスループット全体は上がるが、各ユーザーの待ち時間は伸びる。KyutaiのDSM-TTSは、バッチサイズ1の150 msからバッチサイズ64の403 msになり、スループットはリアルタイムの3.2倍から137.3倍に上昇した(Kyutai, DSM-TTS)。NVIDIA自身のRivaの表も、FastPitchとHiFi-GANのパイプラインで同じ曲線を示している。1から32ストリームにかけて、最初の音声までの遅延は約15倍に増え、スループットは約2.9倍に増えた(NVIDIA Riva TTS performance)。これらの数値が音声エージェントの遅延予算全体にどう収まるかについては、音声エージェントの最初の音声までの時間の統計で扱っている。
| 指標 | 値 | 出典 |
|---|---|---|
| torch.compile付きVoXtreamの最初のパケットの遅延とRTF、A100、FP16 | 102 ms (RTF 0.17) | KTH, VoXtream 2025 |
| コンパイルなしのVoXtreamの最初のパケットの遅延とRTF | 171 ms (RTF 1.00) | KTH, VoXtream 2025 |
| XTTS-v2の最初のパケットの遅延、出力ストリーミング、DeepSpeedなしとありの比較 | 295 ms 対 196 ms | KTH, VoXtream 2025 |
| CosyVoice2の最初のパケットの遅延とRTF、全ストリームモード、同じA100での検証 | 1,643 ms (RTF 0.85) | KTH, VoXtream 2025 |
| DSM-TTSの遅延、バッチサイズ1、32、64の比較 | 150 ms 対 380 ms 対 403 ms | Kyutai, DSM-TTS 2025 |
| バッチサイズ64でのDSM-TTSのスループット、リアルタイムの何倍か | 137.3倍 | Kyutai, DSM-TTS 2025 |
| Riva FastPitchとHiFi-GANの平均的な最初の音声までの遅延、1ストリームと32ストリームの比較 | 22 ms 対 323 ms | NVIDIA Riva 2.16.0ドキュメント(ベンダー実施) |
| Rivaのスループット(RTFX、大きいほど高速)、1ストリームと32ストリームの比較 | 150.8 対 440 | NVIDIA Riva 2.16.0ドキュメント(ベンダー実施) |
補足:CosyVoiceプロジェクトのREADMEは、新しいFun-CosyVoice 3.0モデルについて遅延が「150msまで低い」と主張している(FunAudioLLM CosyVoice on GitHub)。これはKTHが測定したものとは異なるバージョンに対するプロジェクト側の主張である。Rivaの行についてはGPUを特定していない。それらはNVIDIAのページの最初の結果表であり、そのGPUリストはA100から始まっているが、読み取れたページの本文では、各表とそのGPU表記を結び付けていなかった。
5. CPU、モバイル、エッジのハードウェア
GPUを離れると、速度の余裕は急速に縮む。V100でリアルタイムの167.86倍の速度だったHiFi-GAN V1は、ノートPCのIntel i7 CPUではリアルタイムの1.43倍にとどまり、WaveGlowは0.21倍まで落ち、ライブ再生には遅すぎた(Kongら, HiFi-GAN)。サーバーで勝つモデルがノートPCには不向きということは多く、同じCPUでリアルタイムの13.44倍を出す小型のHiFi-GAN V3は、ここでアーキテクチャの選択がいかに重要かを示している。
目的に特化した小型モデルは、さらに先へ進む。266kパラメータ・90 MFLOPSのEfficientSpeechは、Raspberry Pi 4でメルスペクトログラムをリアルタイムの104.3倍の速さで生成し、これはMixer-TTSのようなコンパクトなモデルの約1%のサイズと計算量にあたる(EfficientSpeech)。Appleのオンデバイスの取り組みでは、完全なパイプラインが2台のモバイル端末で動作し、リクエストから158から179 ms後に最初のオーディオバッファが再生された(Apple, オンデバイスのニューラル音声合成)。この変化の背景にあるハードウェアの動向は、エッジAI音声プロセッサの統計で追跡している。
最新の測定は、同じチップ上でも設計の選択がどれほど重要かを示している。AMD EPYC 7413の1スレッドで、Samsung Researchのストリーミングモデルは、RTF 0.568に達し、最初の音響トークンを0.061 sで生成したが、VALL-E Xは7.665と41.41 sだった(Leeら, Interspeech 2025)。NICTは、Google Pixel 5(同機を中価格帯の携帯電話と説明している)で、バッチRTF約0.3、逐次的な遅延0.5 s未満を報告した(Okamotoら, Mobile PresenTra)。
| 指標 | 値 | 出典 |
|---|---|---|
| ノートPCのIntel i7 CPUでのHiFi-GAN V1、HiFi-GAN V3、WaveGlowの速度、リアルタイムの何倍か | 1.43倍 対 13.44倍 対 0.21倍 | Kongら, HiFi-GAN 2020 |
| Appleのエンドツーエンド合成速度、モバイル端末AとB、リアルタイムの何倍か | 1.47倍 対 3.03倍 | Apple, オンデバイスのニューラル音声合成 2021 |
| Appleの顧客体感遅延(リクエストから最初のオーディオバッファ再生まで)、端末AとBの比較 | 179 ms 対 158 ms | Apple, オンデバイスのニューラル音声合成 2021 |
| Google Pixel 5でのMobile PresenTra:バッチRTF、逐次的な遅延 | 約0.3、0.5 s未満 | Okamotoら (NICT), Mobile PresenTra, Interspeech 2024 |
| AMD EPYC 7413 CPUの1スレッドでのRTF、トークン生成のみ(小さいほど高速):SMAM+INR、Small-E、VALL-E Xの比較 | 0.568 対 2.404 対 7.665 | Leeら (Samsung Research), Interspeech 2025 |
| 同じCPUスレッドでの最初の音響トークンまでの時間:SMAM+INR、Small-E、VALL-E Xの比較 | 0.061 s 対 14.34 s 対 41.41 s | Leeら (Samsung Research), Interspeech 2025 |
| Raspberry Pi 4でのEfficientSpeechのパラメータ数とメル生成速度 | 266kパラメータ、リアルタイムの104.3倍 | EfficientSpeech 2023 |
| Nix-TTSとその教師モデルであるVITSの、Raspberry Pi 3BでのRTF(1.0を超えるとリアルタイムより低速) | 1.974 対 16.50 | Nix-TTS 2022 |
入手可能な最新データ:Kongら 2020、Apple 2021、Nix-TTS 2022、EfficientSpeech 2023は3年以上前のものであり、これらの比較に関する新しい査読付きの数値は見つからなかった。Appleの要旨はモバイルの数値を「リアルタイムの3倍の速さ」に丸めているが、その表では端末Aは1.47倍である。EfficientSpeechの数値はメル生成のみでボコーダーを含まず、Samsungの行はコーデック処理を除いているため、どちらも音声合成パイプライン全体ではない。
6. 速度と品質のトレードオフ
拡散モデルやフローマッチング系のモデルは、速度をダイヤルのように調整できる。サンプリングステップ数(ネットワーク関数評価回数、NFE)である。SupertonicTTSは、8から128ステップの間で単語誤り率を2.639%から2.818%に保ったが、4ステップでは誤り率が11.43%に跳ね上がり、NISQA品質スコアは2.623に低下した(Supertone, SupertonicTTS)。明瞭さは徐々に低下するのではなく、安定したまま崖で崩れるため、最も安価で安全な設定はその崖のすぐ上にある。
この崖は、新しいハードウェアなしでも動かせる。RTX 3090で、等間隔の7ステップのF5-TTSと、刈り込まれた7ステップのFast F5-TTSはどちらもRTF 0.030で動作したが、ステップの配置を選ぶだけで単語誤り率は4.16%から2.45%に下がり、0.123の32ステップのベースラインの2.37%に近づいた(Zhengら, Interspeech 2025)。
同じ形はボコーダーやストリーミングにも現れる。HiFi-GAN V3はV100 GPUでV1の約7.07倍高速に動作し(26,169 kHzを3,701 kHzで割った値)、MOSは4.36から4.05に低下した(Kongら, HiFi-GAN)。CosyVoice 2はストリーミングモードを「典型的なテストケースではほぼ損失がない」と述べたが、難易度の高いテストセットでの単語誤り率は、オフラインの6.83%からストリーミングの8.08%に上昇した(CosyVoice 2)。
| 指標 | 値 | 出典 |
|---|---|---|
| SupertonicTTSの4ステップと8サンプリングステップの比較:RTF、単語誤り率、NISQAスコア | 0.006 対 0.011、11.43% 対 2.818%、2.623 対 3.916 | Supertone, SupertonicTTS 2025 |
| SupertonicTTSの32ステップ(採用設定)と128ステップの比較:RTF、NISQAスコア(録音は4.070) | 0.037 対 0.140、4.033 対 4.070 | Supertone, SupertonicTTS 2025 |
| RTX 3090でのF5-TTSのRTF、32、16、7サンプリングステップの比較 | 0.123 対 0.065 対 0.030 | Zhengら, Interspeech 2025 |
| LibriSpeech-PCでの7ステップ時の単語誤り率、等間隔のF5-TTSとFast F5-TTSの比較(32ステップのベースラインは2.37%) | 4.16% 対 2.45% | Zhengら, Interspeech 2025 |
| Matcha-TTSのMOS、2サンプリングステップと10サンプリングステップの比較 | 3.65 対 3.84 | Mehtaら, Matcha-TTS 2023 |
| CosyVoice 2の難易度の高いテストセットでの単語誤り率、オフラインとストリーミングの比較 | 6.83% 対 8.08% | CosyVoice 2 2024 |
| StyleTTS 2のRTF、4拡散ステップと128拡散ステップの比較 | 0.0179 対 0.0963 | Liら, StyleTTS 2 2023 |
補足:NISQAは、参照録音なしで聞き手の評価に近いスコアを推定する、自動の非侵襲型音声品質予測器であり、人間による聴取テストではない。SupertonicTTSのステップ表はハードウェアを明記しておらず、32ステップでの0.037は、同じ論文の別の箇所で報告された0.02と異なっている。
7. 100万文字あたりと音声1時間あたりの価格
定価は、単一の相場ではなく、階層に分かれた市場を示している。Google Cloudは、StandardおよびWaveNet音声を100万文字あたり$4で提供しているが、Studio音声は$160であり、同じテキストで40倍の差がある(Google Cloud Text-to-Speechの料金)。Amazon PollyはStandardの$4からLong-Form音声の$100まであり、同社自身の例では100万文字は約23時間8分の音声に相当する(AWS Amazon Pollyの料金)。
このAWSの換算(23時間8分は約23.13時間)を使うと、$30のPolly Generativeは音声1時間あたり約$1.30(30を23.13で割った値)、Standardは約$0.17になる。トークン課金のモデルは別の計算が必要である。Googleは、Gemini TTSの音声は1秒あたり25トークンであり、1時間は90,000音声トークンになると述べており、100万音声トークンあたり$20のGemini 2.5 Pro TTSは、テキスト入力料金を含める前で出力1時間あたり$1.80になる。オープンウェイトのモデルはこれをさらに圧縮する。Artificial Analysisは、ReplicateのKokoro 82Mを100万文字あたり$0.65としている(Artificial Analysis text-to-speech leaderboard)。これらの価格の背後にあるGPU経済の全体像については、AI推論コストの統計を参照してほしい。
| 指標 | 値 | 出典 |
|---|---|---|
| Google Cloudの100万文字あたり定価:StandardおよびWaveNetとNeural2の比較 | $4 対 $16 | Google Cloud Text-to-Speechの料金 2026 |
| Google Cloudの100万文字あたり定価:Chirp 3 HD、Instant custom voice、Studioの比較 | $30 対 $60 対 $160 | Google Cloud Text-to-Speechの料金 2026 |
| Amazon Pollyの100万文字あたり定価:Standard、Neural、Generative、Long-Form | $4、$16、$30、$100 | AWS Amazon Pollyの料金 2026 |
| Microsoft Azureのニューラル音声、従量課金と2,000M文字のコミットメント階層での超過料金の比較、100万文字あたり | $15 対 $7.50 | Microsoft Azure Speechの料金 2026 |
| OpenAI tts-1(速度向けに最適化と説明されている)とtts-1-hdの比較、100万文字あたり | $15 対 $30 | OpenAI APIの料金 2026 |
| Gemini 2.5 Pro TTSの音声出力価格と音声1時間あたりの算出コスト(1秒あたり25トークン) | 100万音声トークンあたり$20、1時間あたり約$1.80 | Google Cloud Text-to-Speechの料金 2026 (算出) |
| Amazon Polly GenerativeとStandardの音声1時間あたりの算出コスト | 約$1.30と約$0.17 | AWS Amazon Pollyの料金 2026 (算出) |
| Kokoro 82Mのホスト型API価格、100万文字あたり (Replicate) | $0.65 | Artificial Analysis TTSリーダーボード 2026 |
補足:これらは2026年10月31日時点の定価であり、交渉による割引前のものである。Azureのコミットメント階層は80M文字で$960から始まり、これは100万文字あたり$12である(960を80で割った値)。無料枠は大きく異なる。Polly Standardには月500万文字が含まれ、Polly Generativeには最初の12か月間、月10万文字が含まれる。Kokoro自身のモデルカードは、このモデルがA100 80GBのGPU 1,000時間を使って約$1,000で学習されたと述べており(Kokoro-82M model card)、低コストの音声に今やどれほど少ない学習計算で足りるかを示している。
数字で見る音声合成のリアルタイム係数と推論コスト(まとめ)
| 指標 | 値 | 出典 |
|---|---|---|
| V100 GPUでのHiFi-GAN V3とWaveNetの速度、リアルタイムの何倍か | 1,186.80倍 対 0.003倍 | Kongら, HiFi-GAN 2020 |
| FastSpeech 2とTransformer TTSのRTF | 0.0195 対 0.932 | Renら, FastSpeech 2 2020 |
| 2サンプリングステップのMatcha-TTSのRTF、ボコーダー込み | 0.015 | Mehtaら, Matcha-TTS 2023 |
| 16ステップのF5-TTSのRTFとCosyVoiceのRTF | 0.15 対 0.92 | Chenら, F5-TTS 2024 |
| VoXtreamとCosyVoice2の最初のパケットの遅延、同じA100での検証 | 102 ms 対 1,643 ms | KTH, VoXtream 2025 |
| DSM-TTSの遅延、バッチサイズ1と64の比較 | 150 ms 対 403 ms | Kyutai, DSM-TTS 2025 |
| Rivaの最初の音声までの遅延、1ストリームと32ストリームの比較 | 22 ms 対 323 ms | NVIDIA Riva 2.16.0ドキュメント(ベンダー実施) |
| SpeakStreamの最初の音声、PWGとストリーミングボコーダーの比較 | 180 ms 対 40 ms | Apple, SpeakStream 2025 |
| Appleのオンデバイス合成速度、2台のモバイル端末 | リアルタイムの1.47倍と3.03倍 | Apple, オンデバイスのニューラル音声合成 2021 |
| Raspberry Pi 4でのEfficientSpeechのメル生成 | リアルタイムの104.3倍 | EfficientSpeech 2023 |
| Google Pixel 5でのMobile PresenTraのバッチRTF | 約0.3 | Okamotoら (NICT), Mobile PresenTra, Interspeech 2024 |
| SupertonicTTSの単語誤り率、4サンプリングステップと8サンプリングステップの比較 | 11.43% 対 2.818% | Supertone, SupertonicTTS 2025 |
| F5-TTSの7ステップでの単語誤り率、等間隔と刈り込みスケジュールの比較 | 4.16% 対 2.45% | Zhengら, Interspeech 2025 |
| CosyVoice 2の難易度の高いセットでの単語誤り率、オフラインとストリーミングの比較 | 6.83% 対 8.08% | CosyVoice 2 2024 |
| Google CloudのStandardとStudio音声、100万文字あたり | $4 対 $160 | Google Cloud Text-to-Speechの料金 2026 |
| Amazon PollyのLong-Form音声、100万文字あたり | $100 | AWS Amazon Pollyの料金 2026 |
| 100万文字から生成される音声、Amazonの料金例 | 約23時間8分 | AWS Amazon Pollyの料金 2026 |
| Azureのニューラル音声、従量課金、100万文字あたり | $15 | Microsoft Azure Speechの料金 2026 |
| Kokoro 82Mのホスト型価格、100万文字あたり | $0.65 | Artificial Analysis TTSリーダーボード 2026 |
方法論と出典
- Kong、Kim、Bae:HiFi-GAN(2020年)、V100 GPUとノートPCのCPUでの速度、MOS、パラメータ数を示す表1。
- Renら:FastSpeech 2(2020年)、バッチサイズ1のV100サーバーでの推論RTFを示す表2。
- Mehtaら:Matcha-TTS(2023年)、RTX 3090 GPUでのボコーディングを含むRTF。
- Liら:StyleTTS 2(2023年)、全体および拡散ステップ数別のRTF。
- Chenら:F5-TTS(2024年)、10秒の音声に対するRTX 3090でのRTFと、ベースライン比較表。
- Supertone:SupertonicTTS(2025年)、RTX 4090とRTX 3090でのRTF、およびサンプリングステップのアブレーション。
- KTH王立工科大学:VoXtream(2025年)、A100でのFP16における最初のパケットの遅延とRTF。
- Kyutai:Streaming Sequence-to-Sequence Learning with Delayed Streams Modeling(2025年)、バッチサイズ別のDSM-TTSの遅延、RTF、スループット。
- Apple:SpeakStream(2025年)、MLXを用いたM4 Pro Mac miniでの遅延、On-device neural speech synthesis(2021年)、モバイル端末での測定。
- FunAudioLLM:CosyVoice 2(2024年)、ストリーミングとオフラインの品質、CosyVoice GitHub README(プロジェクト側の主張、2026年)。
- EfficientSpeech(2023年)とNix-TTS(2022年)、CPUとRaspberry Pi上の小型モデル。
- Interspeech論文:Okamoto、Ohtani、Kawai (NICT)、Mobile PresenTra(2024年)、スマートフォンでのRTFと遅延、Leeら (Samsung Research)、Efficient Streaming TTS Acoustic Model with Depthwise RVQ Decoding Strategies in a Mamba Framework(2025年)、CPU 1スレッドでのRTFと遅延、Zhengら、Accelerating Flow-Matching-Based Text-to-Speech via Empirically Pruned Step Sampling(2025年)、ステップ数別のF5-TTSの速度と誤り率。
- NVIDIA:Riva 2.16.0 TTS performance、ベンダーが実施した遅延とRTFXの表。
- 料金ページ、2026年10月31日に参照:Google Cloud Text-to-Speech、Amazon Polly、Microsoft Azure Speech、OpenAI API、およびOpenAI tts-1モデルページ。
- Artificial Analysis text-to-speech leaderboard(2026年)とKokoro-82Mモデルカード(Hugging Face)、オープンウェイトモデルの価格と学習コストについて。
- データウォッチ:RTFの数値は、ハードウェア、バッチサイズ、精度、ボコーダーを含むかどうかが一致しない限り、論文間で比較できない。1つの論文の中でさえ、SupertonicTTSは同じ設定に見えるものに対して0.037と0.02を報告している。F5-TTSの論文はベースラインのRTFがどのように測定されたかを述べておらず、F5-TTS自体の速度も同じGPUモデルで情報源間で食い違っている。元の論文はRTX 3090で16ステップのとき0.15、32ステップのとき0.31としているが、ZhengらはRTX 3090で0.065と0.123としており、読んだページにはその差の説明がない。Kyutaiの表6はGPUを明記しておらず、論文はF5-TTSの遅延を16ステップで約800 ms、32ステップで約400 msと印刷しているが、これはステップ数が多いほど通常起こることの逆であるため、この2つの値は使用しなかった。VoXtreamの測定とCosyVoiceのREADMEの数値は異なるバージョンのCosyVoiceを対象としているため、直接比較できない。文字数から音声への2つの換算は食い違っている。Amazonの例は1分あたり約720文字(1,000,000文字を1,388分で割った値)を示唆する一方、Kokoroのカードは約1,000を用いているため、Kokoroの比率に基づく1時間あたりのコストは、Amazonの比率に基づくものより約39%高くなる(1,000を720で割ると約1.39)。Google CloudはGemini 3.8 TTSモデルをプレビューと表示しており、価格は2027年1月1日に変更される予定である。MLCommonsのMLPerf Inferenceルールは音声認識にはWhisperを挙げているが、音声合成のワークロードはなく、そのためTTSの速度には中立的な業界ベンチマークがない。ここで取り上げたハードウェア関連の論文のいくつかは3年以上前のものであり、入手可能な最新データとして明記している。
最終更新日:2026年10月31日。当社はこのまとめを四半期ごとに更新しており、次回の更新は、Google CloudのGemini TTSの2027年1月1日の価格変更が発効する時期を予定している。