ElevenLabs と Cartesia:リアルタイム TTS のインターフェース、割り込み処理、文字数予算をどう選ぶか

ElevenLabs の音声資産があるチームは v4 Turbo の TTD 接続を確認し、リアルタイム音声アプリをゼロから作るなら Cartesia の context 管理を先に評価するとよい。同じテキストで割り込みと再生を検証し、文字数とピーク時の同時実行数で予算を算出する。

ソース: elevenlabs.io
2026年11月4日
11 min

カスタマーサポートのアシスタントが回答を生成しながら読み上げるとき、難しいのはユーザーが突然話し始める場面だ。古い回答を止め、新しい回答へ自然につなげなければならない。ElevenLabs と Cartesia はどちらも、このテキスト読み上げ(TTS)層を担える。ElevenLabs の音声資産をすでに持ち、v4 Turbo を使いたいチームは、まず Text to Dialogue プロトコルへの接続コストを確認したい。単一の声を使うリアルタイムアプリをゼロから作り、context 単位で生成とキャンセルを管理したいチームは、Cartesia から評価してもよい。選択の基準は実際の声、インターフェース、請求額であり、公式サイトに載る最小の遅延値ではない。

まずテキストが完成しているかを見る

注文に関する質問に答える音声アシスタントを例にしよう。大規模言語モデルがテキストを順次返し、TTS が音声を出力し、プレーヤーが再生する。ここで比較するのは同じリアルタイム音声処理の流れにある合成インターフェースであり、電話、音声認識、大規模言語モデル、Agents プラットフォーム全体は含めない。回答がすでに完成していれば、まず HTTP 音声ストリーミングを評価する価値がある。継続的にテキストを追加する必要がある場合に、WebSocket の入力バッファリングと終了シグナルを重点的に比較する。音声をストリーミングで返せることと、テキストを継続的に追加できることは同じではない。

2026 年 11 月 10 日時点の確認では、ElevenLabs のプロトコル比較は二つの経路を明確に区別している。/v1/text-to-speech/{voice_id}/stream-input は Flash など対応する TTS モデル用で、v4 と v4 Turbo は /v1/text-to-dialogue/stream-input を使う。後者は先に音声を登録し、その後 text と voice_id を含む inputs を送信する。このため、既存の Flash 連携でモデル名を eleven_v4_turbo に変えるだけでは足りない。v4 Turbo に登録できる声は一つだけであり、インターフェース名が Dialogue だからといって複数の話者による対話を前提に設計してはいけない。

Cartesia の現在のモデル説明には Sonic 3.6 が掲載されている。WebSocket では transcript、context_id、出力形式などのフィールドを使い、context 付きの音声チャンクを返す。検証してから更新したいチームは、sonic-3.6-2026-08-27 のような日付付きスナップショットを使える。sonic-3.6 は最新の安定版スナップショットに追随する。モデルのバージョンを固定してこそ、声の変化が新しい台本によるものか、モデル更新によるものかを判断できる。

文が終わる前に、いつ話し始めるか

ElevenLabs の TTS 経路にはチャンク長のスケジューリングがあり、TTD 経路にはサーバー側のバッファリングがあり、flush で出力を開始できる。Cartesia の手動 flush は、同じ context 内でテキストと音声の対応する境界を区切ることができ、該当音声には flush_id が付く。ドキュメントのリクエスト例は、空の transcript、同じ context、continue=True、flush=True を組み合わせている。これらのマーカーは意味が異なるため、SDK 名だけを置き換えて移行するのは適切ではない。

たとえば注文番号が最後まで生成される前に出力を強制すると、番号の途中で区切られて聞き取りにくくなる可能性がある。一方、回答全体が完成するまで待つと、ユーザーには無言の時間が長く感じられる。完結した短文、長い番号、途中での言い直しという三組の同一テキストを使い、テキストが最初に利用可能になった時刻、最初の音声チャンクが届いた時刻、実際に再生を開始した時刻を記録し、中央値と遅いリクエストを比較したい。本稿では同じネットワークと音声条件でテストしていないため、実際の応答がどちらで速いかは判断しない。ベンダーのモデル遅延も、ユーザーが音を聞くまでの総待ち時間とそのまま同一視はできない。

ユーザーが割り込んだ際、Cartesia は context_id を付けた cancel リクエストを提供する。ElevenLabs の TTS マルチ context ガイドでは、古い context を閉じて新しい context を作る方法で割り込みに対応する。v4 Turbo を使う場合は対応する TTD の仕様を確認し、Flash の例をそのまま流用してはいけない。どちらの実装でも、アプリ側で古いテキストの送信を止め、ローカルの再生待ち音声を消去し、遅れて届く古い context のデータを破棄する必要がある。サーバー側の生成をキャンセルしても、プレーヤーのキューに入った音声まで自動で取り消されるわけではない。

文字数で予算を組み、ピーク時の同時実行数も確認する

まず、月に 1,000 回の回答があり、1 回につき課金対象の 500 文字を送信し、合計 500,000 文字になると仮定する。再試行と割り込み後の再生成は、いったん含めない。ElevenLabs API の料金表では、v4 Turbo は 1,000 文字当たり 0.04 米ドル、v4 は 0.08 米ドルで、この単価での利用料金の試算はそれぞれ 20 米ドルと 40 米ドルになる。公開単価からの計算であり、アカウントごとの全条件を含めた最終請求額ではない。

Cartesia の料金ページでは、Sonic は 1 文字当たり 1 credit とされている。Pro は月額 5 米ドルで 100,000 credits を含み、超過利用を有効にすると追加 100 万 credits 当たり 65 米ドルかかる。同じ仮定なら、5 + 0.4 × 65 = 31 米ドルとなる。Startup は月額 49 米ドルで 125 万 credits を含むが、枠が大きいというだけでアップグレードすべきではない。TTS の同時リクエスト数は Pro が 3、Startup が 5 なので、ピーク時の需要で先にプランが決まる場合がある。この計算例は総合的な費用対効果を評価するものではなく、Agents の残高を TTS の利用枠として数えてもいない。

実際の予算には、再試行、原稿修正、割り込み後に再送信するテキストも加え、キャンセルしたリクエストの課金処理を請求明細で確認する必要がある。認識や電話サービスも使うなら、それらは別途計上する。1 分当たりの文字密度は言語、話す速さ、間によって変わるため、両社の「約何分」を同じ処理量として扱うことはできない。利用枠が足りても、ピーク時の生成リクエストが待機や失敗にならないとは限らない。

選んだ声をその業務に使えるか、先に確認する

ElevenLabs の商用利用の説明は、商用利用権を有料プランと入力コンテンツに対する権利に関連づけている。音声管理の説明ではクローン作成の許可取得を求め、Professional Voice Cloning はユーザー自身の声を対象としている。Cartesia の Pro プランには商用利用ライセンスが記載され、利用ポリシーは、自分の録音、または本人から明示的な同意を得た他者の録音のみの送信を求めている。プランの購入は話者の許諾に代わるものではない。会社が従業員の録音を保有していても、その声を長期にわたりカスタマーサポートに使えると判断すべきではない。

最終的には、使用許諾を得た同じ業務テキストを両社に読ませ、対象言語での番号の読み方、文のつながり、割り込み後の再生停止を比較したい。適した ElevenLabs の声がすでにあり、TTD プロトコルに対応する意向があるなら、まず v4 Turbo を試す。明確な context キャンセル、モデルのスナップショット、小規模な文字数予算を重視するなら、まず Cartesia を試す。再生キュー、割り込み処理、課金監視を担当する人がチームにまだいないなら、TTS ベンダーを変更してもこれらの仕事は解決しない。

内容説明:本記事は公開情報をもとに整理した、ツール選定の参考情報です。機能、料金、関連ポリシーは随時変更される場合があります。最新の公式情報をご確認ください。

元の出典:elevenlabs.io