HeyGen Voice の代替 ElevenLabs v3 の AI テキスト読み上げ
台本を貼って生成ボタンを押し、ナレーションをダウンロードします。このページは ElevenLabs v3 を使っており、HeyGen Voice とは別のモデルです。
- 20 のプリセット音声
- 1台本あたり最大 10 話者
- 1回の生成で最大 10,000 文字
- 1,000 文字あたり 40 クレジット
簡単な答え
HeyGen Voice とは？
HeyGen Voice は HeyGen 初の自社製テキスト読み上げモデルです。2026年10月9日に公開され、HeyGen アプリと HeyGen API 内でのみ動作し、単体版や第三者へのライセンスはありません。音声クローンや HeyGen アバター動画には HeyGen 製品に組み込まれた選択肢です。このページのツールは別モデルの ElevenLabs v3 で、Z Image Turbo のスピーチワークスペースで動きます。
| 概要 | HeyGen 初の自社製テキスト読み上げモデル。HeyGen と HeyGen API で提供（HeyGen の投稿、2026年10月9日）。 |
|---|---|
| API 料金 | 100万文字あたり 30 ドル。API ユーザーは 2026年10月31日まで 50% オフ（100万文字あたり 15 ドル）が自動適用（HeyGen の投稿）。 |
| Arena 結果 | Artificial Analysis Controlled Voice TTS Arena：1,468 回の対戦で Elo 1,201 の第1位。Qwen-Audio-3.1-TTS-Plus（1,182）、Eleven v4 Turbo（1,166）、Eleven v4（1,162）を上回る。Arena は同じ 8 つのクローン音声を米英両方の英語でテスト。発音の堅牢性 83.1%（29 モデル中10位）。速度は生成時間あたり毎秒 40 文字（AA の投稿）。 |
| 音声 | インスタントクローンは録音1本で（最初の3分を使用、通常数秒で完了）。プロフェッショナルクローンは1～10本・合計20分以上の録音が必要で、購入制のクローンスロットが必要。HeyGen カタログの 300 以上のストック／デザイン音声は「Third Party Speech」経由で同じエンジン上で動作（HeyGen ドキュメント）。 |
| API の詳細 | 完成した WAV（44.1 kHz モノラル）またはストリーミング音声。1リクエスト 1～5,000 文字。プロフェッショナルクローンは速度 0.75～1.25 と ±4 半音のピッチシフトに対応。ワークスペースメンバー1人あたり毎分 30 リクエスト（HeyGen ドキュメント）。 |
出典：HeyGen と Artificial Analysis の X 投稿（2026年10月9日）、HeyGen 開発者ドキュメント。確認日：2026年10月10日。
比較
HeyGen Voice と Z Image Turbo の ElevenLabs v3 の比較
| 項目 | HeyGen Voice | Z Image Turbo の ElevenLabs v3 |
|---|---|---|
| 利用場所 | HeyGen アプリと HeyGen API | Z Image Turbo スピーチワークスペース |
| 料金 | 100万文字あたり 30 ドル。2026年10月31日までは 15 ドル | 1,000 文字あたり 40 クレジット、最低 1 クレジット |
| 音声 | 自分のクローン＋300 以上のカタログ音声 | 20 のプリセット音声（男性14・女性6） |
| 音声クローン | あり（インスタントとプロフェッショナル） | なし |
| 1回のテキスト量 | 1～5,000 文字 | 1回の生成で最大 10,000 文字、1行 5,000 文字 |
| 出力 | WAV ファイルまたはライブストリーム | 生成後に MP3 ファイル |
| アカウント | HeyGen アカウントまたは API キー | Z Image Turbo アカウント。画像・動画ツールと同じクレジット |
どちらを選ぶべき？
HeyGen Voice が向くのは
- 自分の声をクローンしたいとき。インスタントでもプロ品質でも。
- 音声を HeyGen アバター動画や他の HeyGen ワークフローに使うとき。
- API 経由のストリーミング音声や WAV 出力が必要なとき。
このツールが向くのは
- プリセット音声で十分で、ただ入力して生成したいとき。
- 複数話者の対話を書くとき。1台本に最大 10 の音声。
- すでに Z Image Turbo を使っていて、画像・動画・音声でクレジットを一本化したいとき。
台本から音声へ
テキストから音声を生成する方法
- 01
台本を行に分ける
1行が1人の話者のセリフです。最大10行、各行 5,000 文字、合計 10,000 文字。ナレーター1人なら1行で十分です。
- 02
行ごとに音声と言語を選ぶ
各行に 20 のプリセット音声のいずれかを割り当てます。言語は Auto detect のままにするか、対応する 18 言語から指定します。
- 03
Stability を設定して生成
Stability スライダーはバックエンドで3段階に丸められます。低めは表現豊かで変化に富み、中央はバランス型、高めは最も安定。生成してブラウザで試聴し、MP3 をダウンロードします。
用途
テキスト読み上げの活用シーン
動画のナレーション
このサイトの AI 動画ツールで作った製品クリップのナレーション原稿に。
AI 動画ツールを見るポッドキャスト・インタビューの下書き
2人のやり取りを行に分け、Brian と Sarah のような音声を割り当てて、収録前にテンポを確認できます。
eラーニングのナレーション
英語、スペイン語、日本語など対応18言語でレッスン台本を読み上げ、音声をコースに組み込みます。
短い SNS 広告の読み上げ
15秒・30秒の広告ナレーションを生成し、同じ台本で2つの音声を比べて合うテイクを残します。
生成の前に
制限事項
- 音声クローンはありません。20 のプリセット音声が全カタログです。自分の声が必要なら HeyGen Voice のクローン機能をご利用ください。
- 1回の生成は合計 10,000 文字まで、1行 5,000 文字です。
- 生成にはログインが必要で、クレジットは生成ごとに消費されます。
- 出力は MP3 ファイルです。本サイトにストリーミング用エンドポイントはありません。
HeyGen Voice の料金は？
HeyGen API では100万文字あたり 30 ドルで、2026年10月31日まで 50% 割引（100万文字あたり 15 ドル）が自動適用されます。HeyGen アプリ内の料金は HeyGen のプランに従います。このページのツール ElevenLabs v3 は 1,000 文字あたり 40 クレジットです。
HeyGen 以外で HeyGen Voice を使えますか？
2026年10月10日時点で、HeyGen Voice は HeyGen アプリと HeyGen API にのみ存在します。最新の提供状況は HeyGen の公式ドキュメントをご確認ください。
HeyGen Voice は ElevenLabs より優れていますか？
Artificial Analysis が2026年10月9日に公開した Controlled Voice TTS Arena では、HeyGen Voice が Elo 1,201 で第1位。Eleven v4 Turbo（1,166）と Eleven v4（1,162）を上回りました。このページで使う ElevenLabs v3 はその比較に含まれていないため、この結果は v3 には当てはまりません。
このページで自分の声をクローンできますか？
できません。このワークスペースは 20 のプリセット音声のみで、クローン機能はありません。自分の声には HeyGen Voice のインスタントクローンか、購入制スロットのプロフェッショナルクローンをご利用ください。
ここでナレーションを作るといくら？
1,000 文字あたり 40 クレジットで、1回の生成の最低は 1 クレジットです。2,500 文字の台本なら 100 クレジット、500 文字の短い行なら 20 クレジットです。
対応言語は？
自動検出に加えて18言語：英語、中国語（普通話）、日本語、韓国語、ドイツ語、フランス語、スペイン語、ポルトガル語、ロシア語、トルコ語、アラビア語、ヒンディー語、イタリア語、オランダ語、ポーランド語、スウェーデン語、タイ語、ベトナム語。
このツールを使うにはログインが必要ですか？
ワークスペースを開いて台本を書くところまではそのままできます。音声の生成には Z Image Turbo アカウントが必要で、クレジットは生成ごとに消費されます。
Z Image Turbo スピーチワークスペース
台本を音声に変える。
スピーチワークスペースを開き、セリフを貼って音声を選び、ブラウザで結果を聴きましょう。