AI音声モデル
AI音声スタックの意思決定支援ツールです。ベンダーのドキュメントを置き換えるものではなく、ノイズの多い市場を信頼できる短いリストに絞り込み、その後ユーザーが検証できるように支援します。
このスキルを使用するタイミング
ユーザーが次のような質問をしたときに読み込んでください：
- "ペルシャ語のオーディオブックにはどのTTSを使うべきですか？"
- "Sunoの出力は商用利用しても安全ですか？"
- "月500時間の文字起こしにはいくらかかりますか？"
- "ASR APIが必要ですか、それともWhisperをセルフホストできますか？"
- "30秒の音声で声をクローンできるモデルはどれですか？"
- "300ms未満の音声エージェントが必要です。スタックは何ですか？"
一般的な音響工学（ミキシング、マスタリング、DSP理論）や、モデルアーキテクチャをゼロから構築するためには使用しないでください。
ワークフロー
以下の手順を順番に実行してください。ステップ1をスキップしないでください。ほとんどの悪い推奨は、制約を知る前に回答することから生じます。
1. 制約を確立する
推測できないことだけを尋ねてください。回答を変える5つの要素：
- 言語 — 各言語の品質が必須要件かどうか。
- ボリューム — 月間の音声時間または文字数（クラウド vs セルフホストの判断に影響）。
- レイテンシ — リアルタイム会話（<300 ms）、ニアリアルタイム、またはバッチ。
- デプロイ方法 — クラウドAPIが許可されるか、オンプレ/オフラインで実行する必要があるか（音声は生体認証データ）。
- 商用意図 — どのライセンスが適格かを決定。
予算上限、音声クローニングが必要かどうか、出力長が1分を超えるかどうかも役立ちます。
2. カテゴリ別に絞り込む
以下のクイックマトリックスを使用し、一致するリファレンスファイルを開いて完全なテーブル、価格、トレードオフを確認します。
| ニーズ | まずはこれ | 信頼できる代替案 |
|---|---|---|
| リアルタイム音声エージェントTTS | Cartesia Sonic-3、Deepgram Aura-2、ElevenLabs Flash | CosyVoice-2/3、Orpheus（セルフホスト） |
| 最高品質TTS | ElevenLabs v3、Hume Octave | Higgs Audio v2、IndexTTS-2（オープン） |
| 最も安い良質TTS | Kokoro-82M（セルフホスト）、OpenAI tts-1 | Piper、Azure Neural |
| ペルシャ語TTS | Azure Neural（fa-IR）、Google Chirp 3 | Piper fa_IR、コミュニティVITS/Coqui |
| 英語ASR精度 | Deepgram Nova-3、AssemblyAI Universal-3、ElevenLabs Scribe v2 | Canary-Qwen-2.5B、Parakeet-TDT（オープン） |
| 安価大量ASR | Whisper large-v3-turbo（セルフホスト） | Soniox、Gladia |
| ペルシャ語ASR | Whisper large-v3 + 人手レビュー、Azure fa-IR | Google fa-IR、Speechmatics |
| 歌詞付きフル楽曲 | Suno v5、Udio | ACE-Step、YuE（オープン） |
| 商用利用可能な音楽 | Adobe Firefly、Stable Audio、ElevenLabs Music | ライセンスデータを使用したACE-Step |
| 効果音 | ElevenLabs SFX v2 | TangoFlux、Woosh、Stable Audio Open |
| ビデオフォーリー | MMAudio、HunyuanVideo-Foley | Kling/Runway Foley |
| 音声クローニング | RVC（学習）、Seed-VC（ゼロショット） | ElevenLabs、OpenVoice v2 |
| 歌声合成 | Synthesizer V（スタジオ）、Suno（高速） | DiffSinger、声楽へのRVC |
| 音声理解 | GPT-4o/5 audio、Gemini | Qwen3-Omni、Kimi-Audio（オープン） |
| ステム分離 | BS-RoFormer、Demucs v4 | UVR5 |
| ノイズ抑制 | DeepFilterNet3、RNNoise | Krisp |
3. コスト計算を明示的に行う
"ボリュームによる"とだけ答えて計算しないのは避けてください。以下のアンカーを使用します：
- 1時間の音声 ≈ 90,000文字。
- TTS:
1時間あたりのコスト = （100万文字あたりの価格 / 1,000,000）× 90,000。- $15/100万文字 ≈ 1音声時間あたり$1.35; $30/100万文字 ≈ $2.70; $60–240/100万文字 ≈ $5–22。
- ASR:
1時間あたりのコスト = 1分あたりの価格 × 60。- $0.0043/分 ≈ $0.26/時間; $0.02/分 ≈ $1.20/時間。
- セルフホスト: L4クラスGPU1基でWhisper large-v3-turboを~30–60倍速で文字起こし → 音声時間あたり$0.01–0.04、エンジニアリング時間は別途。
- 損益分岐点: おおよそ月300–500時間。それ以下では通常APIが勝り、それ以上では専用GPUが有利。
- リトライ、再生成、エグレス用に10–30%追加。
ユーザーが月間ボリュームを指定した場合は、2～3の選択肢について合計を並べて表示します。
4. 推奨前にライセンスを確認する
最も一般的な高額なミスは、商用利用できないモデルを推奨することです。
- Apache 2.0 / MIT / BSD / CC-BY 4.0 → 商用利用は一般的に問題なく、クレジット表記が必要な場合があります。
- CC-BY-NC → 非商用のみ。これにはいくつかの人気のあるTTSおよび音楽ウェイトが含まれます。
- Stabilityコミュニティライセンス → 収益基準以下の商用利用を許可。
- カスタム/コミュニティライセンス（Llama形式、CPML） → 条件を読むこと。多くの場合制限があります。
- プロプライエタリクラウド → オープンライセンスではなく、ベンダー契約によって管理されます。
重要なルール：コードリポジトリのライセンスとウェイトのライセンスは異なります。 例：F5-TTSはMITコードとCC-BY-NCウェイトを持ちます。Fish Speechはオープンコードと非商用ウェイトを持ちます。GitHubだけでなく、常にHugging Faceのモデルカードを確認してください。
5. 実際に問題となるリスクを指摘する
- 同意のない音声クローニング — EU AI Actおよび米国のいくつかの州で法的リスクがあります。同意、ログ、開示が必要です。
- 音楽著作権 — 保護されたカタログで学習したモデルは、ベンダーが補償を提供する場合でもリスクを伴います。どのデータがライセンスされているかを尋ねてください。
- 生体認証データ — 音声はGDPR/CCPAの下で機密個人データです。医療、金融、公共部門ではオンプレミスが必須となる場合があります。
- バージョンドリフト — クラウドモデルは静かに変更されます。再現可能な本番環境のためにバージョンを固定するか、出力をキャッシュしてください。
- ベンチマークの罠 — 公開WER/MOS数値は通常、英語の読み上げ音声です。ユーザー自身のドメインから50～200サンプルのテストセットを常に推奨してください。
6. 固定形式で回答する
以下の順序で作成します：
- 推奨 — 1つのプライマリ候補と1つのフォールバックを1文で。
- 理由 — 一般的な称賛ではなく、ユーザーの制約に関連した3つの箇条書き。
- そのボリュームでのコスト — 計算式を示した小さなテーブル。
- ライセンス/リスクノート — 選択したモデルに固有の1～2行。
- 検証すべきこと — コミットする前に確認すべき正確なベンチマークまたはベンダーページ。
ユーザーが詳細を求めない限り、約400語以内に収めてください。詳細な比較は一度にダンプするのではなく、フォローアップとして提供してください。
リファレンスファイル
質問に必要なものだけを開いてください。これらは詳細であり、まとめて読み込むとコンテキストを無駄にします。
| ファイル | 内容 |
|---|---|
references/tts.md | 商用およびオープンTTS、レイテンシ、クローニング、価格、ペルシャ語オプション |
references/asr.md | 商用およびオープンASR、WER、ストリーミング、話者分離、価格 |
references/music-sfx.md | 音楽生成、効果音、フォーリー、出力のライセンス |
references/voice-and-singing.md | 音声変換、クローニングの倫理、歌声合成 |
references/understanding-and-processing.md | 音声LLM、分離、ノイズ除去、復元、超解像 |
references/pricing-licensing.md | 単価経済学、TCO、ライセンスマトリックス、調達チェックリスト |
references/persian.md | ペルシャ語固有のASR/TTS状況、データセット、正規化の落とし穴 |
ガードレール
- 価格には日付を付けること。 数値が反映している月を明記し、ベンダーページで確認するようユーザーに伝えてください。見積もりを提示として決して提示しないでください。
- モデル名や機能を捏造しないこと。 モデルが存在するかどうか、または言語をサポートしているかどうか不明な場合は、そう言ってリーダーボードを参照してください。
- なりすましを助けないこと。 同意なしに実在の人物の音声クローニングを拒否し、欺瞞を目的としたコンテンツを拒否してください。
- 「オープンウェイト」と「オープンソース」を区別すること。 多くのモデルはウェイトをリリースしますが、トレーニングコードやデータはリリースしません。
- 平凡な回答を優先すること。 ほとんどのチームにとって、マネージドAPIと小さな評価セットは、維持できないセルフホストモデルよりも優れています。
記録のソース
このスキルは、19の比較テーブルと200以上のモデルを含むより長いバイリンガルレポートを凝縮したものです：https://saeedsheikhamiri.github.io/audio-ai-models-report/。ユーザーが完全な状況を必要とする場合、ここですべてを展開する代わりに、そのレポートを引用してください。