Voxtral TTS 3 と HeyGen Voice：ナレーション制作にかかる実際の費用

Voxtral TTS 3 と HeyGen Voice の登場で、クリエイターが検討できる文字数課金の API が増えました。ただ、ナレーションの予算を考えるなら、最終的に採用できる録音を得るまでに何が必要かが大切です。対象言語、使える読み上げ表現、原稿の長さ、録り直しの回数が費用を左右します。この記事では外部 API と、OmniArt のオーディオモードで選べる音声モデルを照らし合わせます。

2026年10月26日確認： Voxtral TTS 3 も HeyGen Voice も、OmniArt の公開カタログにはありません。以下のドル料金は、それぞれ Mistral と fal の料金です。OmniArt で使えるモデルはクレジットで課金されるため、両者の単位を分けて扱います。

Voxtral TTS 3 と HeyGen Voice：公開された機能#

Mistral は Voxtral TTS 3 (新しいタブで開きます) の公開日を2026年10月20日とし、パブリックプレビューと記載しています。発表記事 (新しいタブで開きます)では、バッチ処理とリアルタイムでの音声生成を説明しています。これらは2026年10月26日に確認したベンダー公表の機能であり、OmniArt の試聴テストによる結果ではありません。

fal は2026年10月21日に HeyGen Voice を発表しました (新しいタブで開きます)。現在の標準版 (新しいタブで開きます)と Turbo 版 (新しいタブで開きます)の掲載ページでは、音声ライブラリの声や参照録音から音声を生成できます。この記事の料金は2026年10月26日に確認した fal プラットフォームの料金で、HeyGen 自社の直接提供 API の料金を示すものではありません。

1,000文字あたりの料金を比較#

外部 API の表は USD のみで示します。Mistral の料金と fal の通常・キャンペーン料金は、2026年10月26日に確認したベンダーまたはプラットフォームの掲載情報です。1,000文字単位への換算は課金単位をそろえるための計算であり、音声品質の評価ではありません。

fal は両方の Voice 掲載ページで、2026年10月31日までの50%割引を案内しています。その日より後の予算を立てる前に、ページを再確認してください。上限は、2026年10月26日に確認した fal の標準版スキーマ (新しいタブで開きます)と Turbo 版スキーマ (新しいタブで開きます)に基づきます。

次の表は OmniArt のクレジットのみを使い、2026年10月26日に確認した OmniArt のモデルカタログと共通の音声課金ルールに基づいています。公開モデルのリンクから、それぞれのモデルページを開けます。

同日に確認したカタログのルールでは、OmniArt は文字数ブロックの端数をそれぞれ切り上げます。録音をもう1本生成するたびに、別の生成として扱われます。演技指示タグを含む実際の原稿をオーディオモードに貼り付け、生成前に表示される見積もりを確認してください。単価が低くても、発音の修正やタイミングの調整で録り直しを重ねると、実際の制作予算は大きくなることがあります。

言語と音声クローン：細かな条件を確認#

2026年10月26日時点で、Mistral のモデルカード (新しいタブで開きます)は 9言語と記載しています。発表記事 (新しいタブで開きます)では 35以上の言語と50以上の方言、言語ドキュメント (新しいタブで開きます)では 35言語と50以上の方言としています。ベンダーの資料間で食い違いがあるため、API 全体の実際の対応範囲については結論を保留します。ローカライズ案件で採用する前に、使いたい言語と声の組み合わせを確認してください。

以下はベンダーまたはプラットフォームが公表している機能です。2026年10月26日に、Mistral の TTS 概要 (新しいタブで開きます)、言語ドキュメント (新しいタブで開きます)、音声クローンガイド (新しいタブで開きます)、および fal の Voice API ドキュメント (新しいタブで開きます)と照合しました。

発表記事は指示への追従に触れていますが、Mistral の概要では、公開時点で自然言語によるスタイル指示は利用できないと明記されています。その機能が使えることを前提にワークフローを組まないでください。Pro Voice の提供状況や料金も、ここでは確認済みとは扱いません。クローンを作成するのは、使用許可を得た声だけにしてください。

リアルタイムエージェントと完成ナレーション#

Mistral の TTS 概要 (新しいタブで開きます)では、完成したテキスト向けの voxtral-mini-tts-3-0 と、リアルタイム向けの voxtral-mini-tts-realtime-3-0 を区別しています。2026年10月26日に確認したモデルカード (新しいタブで開きます)は、最初の音声が出るまで約90ミリ秒と報告しています。これはベンダー公表のストリーミング指標であり、実測の端から端までの会話遅延でも、OmniArt による遅延の保証でもありません。

リアルタイムエージェントを作る場合、外部 API との統合では対話全体をテストする必要があります。発話の終了検出、回答の生成、音声の転送、再生開始までが対象です。最初の音声が早く出るというだけでは、通話する人が滑らかな会話を体験できるかは判断できません。

完成ナレーションでは、まず発音、読み上げ表現、編集のしやすさを確認してください。固有名詞や文末を聴き、録音を動画に合わせてみます。OmniArt のオーディオワークフローは、このような編集に使える完成音声ファイルを生成します。料金表は原稿の費用を見積もる助けになりますが、最終映像に採用する演技までは決められません。

今の OmniArt で声を選ぶ#

2026年10月26日に確認した OmniArt カタログを基に、作業別の出発点をまとめました。試聴候補であり、比較試聴の採点ではありません。

上記の言語コード数は同日に確認した OmniArt カタログに基づき、ベンダーが宣伝する、より広い言語数とは異なります。現在の選択メニューで対象言語を確認してください。案件で必要になる名前、間、語調の変化を含む短い一節から始めましょう。

声を固定し、この原稿をタグあり・なしの両方で試聴してください。その後、指示を1つずつ変えます。Eleven v3 音声タグガイドではタグの配置を解説し、Eleven v4 と Eleven v3 の比較では新しい外部リリースと OmniArt 上のモデルを区別しています。下書きから完成版までの編集は MiniMax Speech ナレーションガイドを参照してください。古いガイドと上限が異なる場合は、この記事の現在の上限を使ってください。