無料のAI音声生成ツールは実在する。ただし、そのほぼすべてが、登録ページから想像するほど大きなものではない。2026年には音声の品質をめぐる議論はほぼ決着しており、安価なエンジンでも説得力のある声を作れる。つまり、無料プランが使えるかどうかを決めるのは、ずっと地味な点である。すなわち、そのライセンスで生成物を収益化できるのか、利用枠が実際にどう数えられるのか、そしてクローニングがそもそも許可されているのか、という3点だ。

以下の価格と無料プランの上限は、2026年9月17日時点で各社の公式価格ページを確認したものだ。この1年でこのカテゴリがどう変化したかについてはテキスト読み上げAIガイドを、有料プランの比較についてはElevenLabsの代替ツールガイドを参照してほしい。

ElevenLabsの音声プラットフォーム

ElevenLabs公式サイトの画像。

ツール無料プラン落とし穴
Azure Speech月50万ニューラル文字開発者向けコンソールであり、エディタではない
ElevenLabs1万クレジット（音声約10分）無料プランでは商用ライセンスなし
Fish Audio8,000クレジット、約7分1回の生成につき500文字まで
Cartesia月2万クレジット商用ライセンスはProのみ
Kokoro無制限（セルフホスト）モデルは自分で動かす必要がある

無料プランを正直に評価する

Microsoft Azure Speechは、APIキーを貼り付けられる人にとっては静かな優勝者だ。F0無料プランには毎月50万文字のニューラル音声合成が含まれる。1語あたりおよそ5文字とすると、ナレーション約10万語分、つまり無料のオーディオブック1冊分に相当する枠だ。代償は、これがクラウドの開発者向け機能だという点である。ドラッグ＆ドロップのエディタはなく、Azureアカウントが必要になる。商用利用はAzureの利用規約のもとで認められている。

ElevenLabsは今も品質の基準であり続け、そして今も最も小さな無料プランを持つ。月1万クレジット、完成音声でおよそ10分、そして商用ライセンスはなし——それはStarter（月6ドル）から始まる。無料プランは音声のオーディションだと考えよう。これは実際に役立つ。短いサンプルを生成し、相性を判断してから決めればよい。

Fish Audioは月8,000クレジット、最大7分の生成を提供し、さらに珍しいことに、無料プランでも商用利用を明記している。制限は粒度にある。1回の生成につき500文字までで、公開ボイス枠は3つだけ、つまりそこでクローンしたものはすべて公開される。自分の声でクローニングを試すには問題ないが、クライアントの声では使えない。

Cartesiaは月2万クレジットを無料で提供し、商用利用ライセンスと即時音声クローニングは月5ドルのProで利用可能になる。低遅延のリアルタイム用途向けに、ライセンス済みの音声を得るための最も安価なルートだ。

Kokoroはオープンウェイトの選択肢だ。8,200万パラメータ、Apacheライセンスなので、利用枠も分単位の課金もない。ローカルで動かすことも、レンタルの計算資源で100万文字あたり1ドル未満で動かすこともできる。コストはセットアップの時間に移り、参照音声によるクローニングではなく固定のボイスセットを使うことになる。

OS内蔵のシステム音声（Edgeの読み上げ、Windowsのナレーション）は無料で常にインストールされているが、商用利用の権利は伴わない。文書を読み上げさせるには便利だが、それでクライアントに請求してはいけない。

ほぼすべての無料プランにある3つの罠

1. 無料はめったに「ライセンス済み」を意味しない。 ElevenLabsとCartesiaはいずれも無料プランから商用利用の権利を外しており、AzureとFish Audioはそれを認めている。収益化するつもりのものをアップロードする前に、価格ページではなく利用規約を読んでほしい。

2. 単位が上限を隠してしまう。 クレジット、文字数、分、「生成回数」——各社はそれぞれ違う単位を選んでいる。まず分に換算しよう。ElevenLabsの1万クレジットはおよそ10分、Fishの500文字上限は1クリックにつき2文程度、Azureの50万文字は数時間分だ。登録ページでは問題なさそうに見えるプロジェクトも、計算してみると不可能なことがある。

3. 再試行と公開枠。 ボツにしたテイクはすべて利用枠を消費し、1万クレジットの月は1日午後の調整で消えてなくなる。無料のクローニング枠は通常公開されており、一部の無料エディタは聞こえるウォーターマークを埋め込み、いくつかの「無料」プランは試用期間のあと静かに有料へ移行する。

組み合わせ方

無駄のないワークフローを紹介する。まず台本を書き、次にElevenLabsかFish Audioで200文字のサンプルを生成して声の方向性を固める。本編のナレーションはAzureの無料文字枠で（長時間の場合はセルフホストのKokoroで）制作する。リアルタイムのプロジェクト——音声エージェントや翻訳イヤホンの会話など——であれば、遅延のテスト用にCartesiaの無料クレジットを取っておく。商用ライセンスは、最初の有料アップロードの前に登録しよう（ElevenLabsならStarter、CartesiaならPro）。後回しではなく前に、だ。

クローン音声については、クライアントの声を公開の無料枠に通すのは絶対に避けたい。自分の声でパイプラインをテストしよう。

よくある疑問

無料のAI音声で作ったYouTube動画を収益化できますか？ そのプランが商用利用の権利を認めている場合に限ります。AzureとFish Audioは無料プランで認めており、ElevenLabsとCartesiaは認めていません。音声エンジンは関係なく、ライセンスが判断を決めます。

無料のAI音声にはウォーターマークがありますか？ ブラウザベースの一部のエディタは音声ウォーターマークを加えますが、API経由のエンジンやKokoroのようなオープンモデルには通常ありません。判別できない場合は、わざと長めのクリップを聴き、繰り返し現れる音がないか確認しましょう。

本当にずっと無料なのは何ですか？ Kokoroのようなセルフホストのオープンウェイトと、Azure Speechの無料プランです。前者はセットアップの手間がかかり、後者は有効な課金設定のあるアカウントが必要です。それ以外はすべて、長さの異なる試用版にすぎません。

価格と無料プランの上限は、2026年9月17日時点で各社公式ページを確認したものです。本ガイドは独立しており、掲載の対価は受け取っていません。