--- title: "音声・音楽AIとは｜全4モデルの選び方を解説 — ai-garage" description: "音声・音楽AIの全体像・歴史・2026年トレンド、用途別の使い分け、主要4モデルの比較を初心者向けに解説。一次ソース付き。" source: https://ai-garage.jp/categories/audio/ --- 🎵音声・音楽AI # 声も、音楽も、AIが作る。 音声合成・音声クローン・音楽生成、ナレーション、文字起こし、リアルタイム翻訳。耳に届くものすべてがAIの守備範囲に。 4 モデル 4 用途 5 タスク WHAT IS ## 音声・音楽AIって何？ 音声・音楽AIは、テキストから自然な声を作る「TTS」、声を真似る「音声クローン」、歌や曲をゼロから作る「音楽生成」、音声を文字に起こす「STT」など、音まわり全般をカバーするカテゴリです。 ElevenLabs（2026年9月公開の Eleven v4 + Scribe v2 Realtime）が業界標準として君臨し、OpenAI GPT-Realtime-2 / Translate / Whisper（2026-05）、Google Gemini 3.5 Transcribe（2026-08 公開・85以上の言語に対応した文字起こし専用モデル）、Suno v6・Udio（音楽生成）、ChatGPT Voice / Gemini Live / Grok Voice（対話）などが主要プレイヤー。 HISTORY ## ここまでの歴史 2010年代の TTS は機械的な声が当たり前でしたが、2022年以降のニューラルTTSで人間と区別がつかないレベルへ。2023年に ElevenLabs が「数秒のサンプルで声をクローン」を実用化、業界の標準を塗り替えました。 2024年に Suno が音楽生成の先頭を走り、Udio が追随。2025年に ChatGPT の音声モードと ElevenLabs Conversational AI が「リアルタイム会話」を本格化。2026年は『リアルタイム150ms翻訳』『商用音楽の権利クリア』が主戦場。Scribe v2 Realtime（150ms / 57言語）、GPT-Realtime-2（GPT-5 級推論搭載）、Suno v5.5 が出揃い、Udio は UMG・ワーナーとの提携を発表したものの、ライセンス版の新基盤は未ローンチのままです。9月には Suno v6 と ElevenLabs の Eleven v4 が公開され、10月には Suno が語りと音楽を一緒に作る Speech をベータ公開しました。 2026 TRENDS ## 2026年のトレンド 2026年のキーワードは『リアルタイム会話』『多言語音声クローン』『商用権利クリア』『パーソナライズ』。電話・カスタマーサポート・通訳の現場で AI ボイスが定着し始めました。 音楽生成は『個人クリエイター用』として完全実用域。Udio は UMG（2025-10）・ワーナー（2025-11）と提携して権利クリアなプラットフォームへの移行を表明していますが、新基盤は2026年10月時点でも未ローンチです。 HOW TO CHOOSE ## 選び方の軸 1 声を作る・クローンする → ElevenLabs（最新は Eleven v4。業界標準） 2 リアルタイム文字起こし → ElevenLabs Scribe v2 Realtime（150ms / 57言語） 3 高精度文字起こし（バッチ）→ Scribe v2（90+ 言語、98% 話者ラベル精度） 4 多言語をとにかく安く文字起こし → Gemini 3.5 Transcribe（85以上の言語を自動判別・日本語 ja-JP 対応・音声1分あたり およそ $0.005・無料枠あり。ただし話者の切り分けを使うと音声30分までに制限） 5 AI と音声で会話する → ChatGPT Voice（GPT-Realtime-2）/ Gemini Live / Grok Voice 6 リアルタイム翻訳 → GPT-Realtime-Translate（70→13言語、$0.034/分） 7 歌や楽曲を作る → Suno v6（無料でも軽量版の v6-mini が使える）/ Udio（音質重視。ただし権利クリアな新基盤は準備中） USE CASES ## 用途別の使い方 ### YouTube・ポッドキャストのナレーション 数秒のサンプルから自分の声をクローン。ElevenLabs（最新は Eleven v4）が圧倒的に自然。 [ElevenLabs](https://ai-garage.jp/models/elevenlabs/) ### 会議の議事録・リアルタイム文字起こし Scribe v2 Realtime で 150ms レイテンシのライブ字幕。バッチなら Scribe v2 で 98% 話者ラベル精度。コストを抑えたいなら Google の Gemini 3.5 Transcribe が音声1分 およそ $0.005 で、言い直しの除去や話者の切り分けにも対応します（話者の切り分けを使うと30分までの音声が対象）。 [ElevenLabs](https://ai-garage.jp/models/elevenlabs/)[Gemini](https://ai-garage.jp/models/gemini/) ### オリジナル楽曲・テーマソング作成 Suno の Voices で自分の声をクローンして歌わせるのが2026年の遊び方（最新モデルは2026年9月公開の v6）。Udio は音質でプロ寄りですが、UMG・ワーナーとのライセンス版は未ローンチ。まず無料で試すなら Gemini アプリの Lyria 3.5（2026年9月4日・米国時間から全ユーザーに展開。前の Lyria 3 は1曲30秒まで）。 [Suno](https://ai-garage.jp/models/suno/)[Udio](https://ai-garage.jp/models/udio/)[Lyria 3 / 3.5](https://ai-garage.jp/models/lyria/) ### AIと音声で会話する・リアルタイム翻訳 ChatGPT Voice（GPT-Realtime-2）で GPT-5 級推論を保ったまま音声対話。海外通話は GPT-Realtime-Translate。 [ChatGPT](https://ai-garage.jp/models/chatgpt/)[Gemini](https://ai-garage.jp/models/gemini/)[Grok](https://ai-garage.jp/models/grok/) RELATED TASKS ## タスク別おすすめ このカテゴリに関連するタスクと、一押しツール 全タスク早見表 → [声・音を扱う ナレーション・音声合成 YouTube / ポッドキャスト / 動画用の声入れ。 ⭐ ElevenLabs](https://ai-garage.jp/picks/#narration)[音楽を作る 歌詞つきの楽曲を作る ジャンル・雰囲気・歌詞を指定するだけで、ボーカル付き楽曲が完成。 ⭐ Suno](https://ai-garage.jp/picks/#song-with-lyrics)[音楽を作る BGM・効果音を作る 動画・配信・ゲーム用のオリジナルBGM、効果音。 ⭐ Suno](https://ai-garage.jp/picks/#bgm)[声・音を扱う 音声を文字起こし・議事録 会議録音、インタビュー、講演を文字に変換。 ⭐ ElevenLabs](https://ai-garage.jp/picks/#transcribe)[声・音を扱う AIと音声で会話する 通勤・運転・料理しながらAIと話す。英会話練習にも。 ⭐ ChatGPT](https://ai-garage.jp/picks/#voice-chat) ALL MODELS ## 全4モデル一覧 このカテゴリの全モデルを比較 ### Lyria 3 / 3.5 Google DeepMind はじめて度 ★★★★★ Gemini アプリの中で使える Google の音楽生成AI。日本語対応で、無料でも試せる。最新は Lyria 3.5。 - ◎ Gemini アプリから追加契約なしで使える（無料枠あり） - ◎ 文章だけでなく画像からも曲を作れる - ◎ 歌詞まで自動で作ってくれる - ◎ 日本語を含む8言語に対応（英・独・西・仏・ヒンディー・日・韓・ポルトガル） - ◎ YouTube の Dream Track にも展開 - ◎ Lyria 3.5（2026-07-29 米国時間に Google Flow Music で提供開始）は、音楽性・歌詞・ボーカルの質が向上（Google 公表） - ◎ Lyria 3.5 は 2026-09-03（米国時間）に Gemini API で提供開始（モデルID lyria-3.5。Gemini API の変更履歴では一般提供＝GA と表記）。フル尺の曲を作れ、長さや構成を細かく指定できる。文章と画像から作れて、出力は 44.1kHz のステレオ音声 - ◎ 2026-09-04（米国時間）には Gemini アプリ（ウェブ・モバイル、全ユーザー）にも Lyria 3.5 が展開。Google Flow Music、Google AI Studio、Google Vids からも使える - △ Lyria 3 は1曲30秒まで。フル尺の曲づくりは Gemini API の Lyria 3.5 か Suno / Udio のほうが向く（Gemini アプリの Lyria 3.5 で作れる長さは未確認） - △ 18歳以上限定 - △ 生成した曲には SynthID の電子透かしが入る 料金 無料でも使える。Google AI Plus / Pro / Ultra を契約すると生成できる回数が増える。Gemini API の Lyria 3.5 はフル尺1曲 $0.08（無料枠なし） 💡「AIで音楽を作るってどんな感じ？」を一番手軽に試せる。動画のBGMや効果音づくりの入口に。 公式サイトを見る → ### Suno Suno はじめて度 ★★★★★ 歌詞と曲調を指示するだけで歌を作る AI。2026年9月に新世代の v6 を公開し、語りと音楽を一緒に作る Speech もベータで登場。 - ◎ ボーカル入りの曲が秒で作れる - ◎ Suno v6（2026-09-09）：Warner Music Group・BMG・Believe など音楽業界のパートナーと共同開発した新世代モデル。主力の v6 と意外性重視の v6-wild は Pro / Premier、速くて軽い v6-mini は無料プランでも使える。曲の一部だけを言葉で直す、歌詞の1か所だけを差し替える、画像や動画から曲を作るといった操作にも対応 - ◎ Suno Speech（2026-10-01 ベータ、全ユーザーに開放）：声（語り）と音楽を1本のトラックとしていっしょに作る - ◎ Voices：自分の声をクローンして歌わせられる - ◎ Custom Models：自作楽曲で個別チューニング可能 - ◎ My Taste：嗜好を学習して提案精度向上 - ◎ 8分超の長尺楽曲もベース機能化 - ◎ Suno Studio 2.0（2026-08-13、Premier 限定）：MIDI の録音・編集、チャットからのプラグイン生成、ステム分離と 32bit/48kHz マルチトラック書き出し - △ 無料プランで使えるのは軽量の v6-mini で、商用利用は不可。v6 / v6-wild は Pro / Premier 限定 - △ 2026-09-03 からダウンロード数に上限（無料は生涯7曲、Pro は月20曲、Premier は月60曲。Premier の Suno Studio 経由の書き出しのみ無制限）。9/3 より前に作った曲にも適用され、超過分は追加購入 - △ レーベルとの関係は Warner（2025-11）に続き BMG とも提携（2026-08-12、過去利用分も解決）。ただし UMG・Sony とは係争継続中（2026-08 時点） - △ v6 の展開にあわせて v5.5 などの旧モデルは順次引退し、Suno は v6 世代に一本化される（引退の日付は 2026-10-09 時点で未告知） 料金 無料あり、Pro 月10ドル〜（年払いなら月8ドル相当） 💡「自分のテーマソング」を作って遊ぶ感覚で使える。 公式サイトを見る → ### ElevenLabs ElevenLabs はじめて度 ★★★★☆ 音声合成の業界標準から「声・音楽・エージェント」の統合プラットフォームへ。2026年9月に新世代の音声モデル Eleven v4 を公開。 - ◎ Eleven v4（2026-09-28 公開）：表現力と声のクローンの質を高めた新世代の音声合成モデル。90以上の言語に対応し、ElevenAgents・ElevenCreative・API で使える。リアルタイム向けには Eleven v4 Turbo（公表値は処理時間の中央値で約100ms）がある - ◎ Eleven v3：70+ 言語、[whispers] などの Audio Tags で感情演出 - ◎ Eleven Music（v2 は 2026-05、v2.5 は 2026-09-14 に API で使えるようになり、公式モデル一覧で「最も高度な音楽モデル」）：曲中のジャンル切替・セクション単位の再生成。ライセンス済みデータのみで学習し商用利用OK - ◎ Scribe v2 batch（90+ 言語、話者分離32人）/ Scribe v2 Realtime（約150ms レイテンシ）/ 医療・診療の音声向けの Scribe v2 Medical（2026-09-11 一般提供） - ◎ 数秒のサンプルで本人そっくりの声を作る - ◎ Dubbing v2（2026-05-28）：90+ 言語の吹き替えで、元の話者の声だけでなく感情・間合い・話速まで移す。2026-08-06 から API 経由でも使える（公式 docs の更新履歴には 2026-08-10 付で掲載） - ◎ 会話エージェント基盤「ElevenAgents」も展開。専用の Eleven v3 Conversational（応答 約280ms）で電話・Web の音声対話に対応し、2026-10-05 には会話用の声の既定モデルが Eleven v4 Turbo に変わった - ◎ 公式のコマンドラインツール「ElevenLabs CLI」v1.0（2026-08-24）：ElevenLabs API の全操作をターミナルのサブコマンドとして呼べる。出力は JSON / 表 / YAML / CSV から選べ、ページ送りの自動処理とシェル補完にも対応 - △ Eleven v4 Turbo の約100ms は、モデルが音声を作る処理時間の中央値。アプリや通信の遅れは含まない（リクエストから声が聞こえ始めるまでの中央値は約150ms と公表。こちらも通信の遅れを除いて測った値） 料金 無料あり（月10,000クレジット・商用利用は不可）、Starter 月6ドル〜（ここから商用ライセンス付き）。2026-05-07 に API 料金を引き下げ（音声合成 最大55%・文字起こし 最大45%・エージェント 最大20%）、従量課金も開始 💡ナレーション・YouTube・ポッドキャスト・文字起こしで業界標準。BGMまでここで完結するようになった。 公式サイトを見る → ### Udio Uncharted Labs はじめて度 ★★★★☆ Suno のライバル。UMG と和解しライセンス済みプラットフォームへ移行中——ただし新基盤はまだ準備中。 - ◎ 48kHz stereo 出力、stem 分離、key 制御（ただし現在は書き出し不可で、サイト内での利用のみ） - ◎ audio-to-audio remix で既存楽曲をリミックス - ◎ 音質・楽曲構成のクオリティが高い - ◎ UMG（2025-10）・Warner（2025-11）に加え、インディー系の Merlin（2026-01）と出版の Kobalt（2026-04）ともライセンス契約。権利クリアは業界で最も進んでいる - △ 音声・動画・ステムのダウンロードは全面停止中（サイト内での作成・共有のみ。代わりにクレジット増量） - △ UMG 共同の新プラットフォームは「2026年内」予定のまま未ローンチ（2026-08-30 時点。公式ブログは 2025-11 を最後に、公式チェンジログも 2026-01-28 を最後に更新が止まっている） - △ モデル自体の更新が1年以上ない。公式チェンジログ上の最後のモデル更新は 2025-03-18 の Allegro v1.5 で、以降に足されたのは機能（2025-06-26 Sessions、2025-09-11 Voices）だけ - △ Sony Music とは係争継続中。2026-07-20 には対象を3万曲超に広げた2件目の訴訟を提起され、争点はむしろ拡大している 料金 無料あり（月100クレジット）、Standard 月10ドル〜 💡Suno が遊び系なら、Udio はちょっとプロ寄り。商用音楽の権利クリアが進んでる分、今は「持ち出し」に制限あり。 公式サイトを見る → CAVEATS ## 気をつけること △ 音声クローンは詐欺・なりすましリスク。自分の声以外は本人の明確な同意が必須 △ 音楽生成は既存楽曲との類似性が出ることがある。商用利用前にチェック（Udio のライセンス版プラットフォームは2026年10月時点でも未ローンチ） △ 音声透かし・AI生成表示の義務化が各国で進行中。配信プラットフォームのルール確認を △ 文字起こしは話者識別・専門用語・固有名詞でミスが出やすい。校正前提で使う RELATED TERMS ## 関連用語 [音声クローン 数秒の声で本人そっくりを再現する仕組みと、悪用対策・TTSとの違い。ElevenLabs などで実用化が進む。](https://ai-garage.jp/glossary/#voice-clone)[音声認識（STT） 話し声を文字起こしするAI技術。](https://ai-garage.jp/glossary/#speech-to-text)[マルチモーダル 文章・画像・音声などを同時に扱えるAI。](https://ai-garage.jp/glossary/#multimodal)[ディープフェイク AIで作った本物そっくりの偽動画・偽音声。](https://ai-garage.jp/glossary/#deepfake) RELATED TOPICS ## 関連トピック [音声AI革命 — 通話の概念が変わる ElevenLabs・OpenAI Voice・Grok Voice が実用化。AIと会話することが普通になる年。](https://ai-garage.jp/topics/voice-revolution/) OTHER CATEGORIES ## 他のカテゴリも見る [💬 チャットAI ブラウザを開いてアカウント作るだけで使える、いちばん身近なAI。質問に答えてもらう、文章を書いてもらう、相談する……全部このカテゴリ。](https://ai-garage.jp/categories/chat/)[⌨️ コーディングAI AIにプログラミングを手伝わせる、最も生産性が爆上がりするジャンル。エンジニアから「コード書けない人」まで、関わり方は人それぞれ。](https://ai-garage.jp/categories/coding/)[🎨 画像生成AI 文章で指示するだけで、AI がイラスト・写真風画像・デザイン素材を作ってくれる。デザイナーじゃなくても絵が作れる時代。](https://ai-garage.jp/categories/image/)[🎬 動画生成AI テキストや画像から、AI が動画を作ってくれる新ジャンル。Sora 2 撤退後は Gemini Omni Flash / Seedance 2.5 / Kling / Veo 3.1 / Runway Gen-4.5 が主役。](https://ai-garage.jp/categories/video/)[🔍 検索AI ウェブを横断検索して、根拠つきで答えるタイプのAI。ChatGPTのウソが気になる人にとっての救世主。](https://ai-garage.jp/categories/search/)[📚 リサーチAI 数十本の論文や数百ページの資料を読ませて、深く考えさせるタイプのAI。学習・研究・調査の革命。](https://ai-garage.jp/categories/research/)[🧩 オープンソース 重みが公開されていて、自分のPCやサーバーで動かせるAI。データを外に出したくない、コストを抑えたい人向け。](https://ai-garage.jp/categories/opensource/)