テキスト読み上げ
更新日：2026年10月28日 · 7 分で読めます
長い記事、メール、マニュアル、SNS の投稿。それを「読み上げ」れば、テキストをじっくり読まない人にも届く。Resona は文章をそのまま音声に変える。書いたテキストを貼り付け、声を選び、生成するだけ。プロのナレーターを手配することも、アプリをインストールすることもない。
このページでは、読み上げが何をして・何をしないか、いくらかかるか、どこで品質が決まるかを、ふつう他社が書かない「できないこと」も含めて説明する。
「読み上げ」と「クローン」のちがい
よく混ざる二つだが、役割は別だ。
- 読み上げ（テキスト→音声）：文章から音声を作る。声は「ライブラリの既成音声」か「あらかじめクローンした自分の声」から選ぶ。声を一から作る必要はない。
- クローン（声→モデル）：自分や特定の人の声をモデル化し、あとで読み上げやナレーションに使えるようにする。クローン自体は別の工程で、1 回 100 クレジットかかる。
つまり、日本語ユーザーにとっての入り口は「クローン」より「読み上げ」のほうが近い。まずは文章を声にする体験を、既成の高品質な声で試すのが最短だ。
使い方
1. テキストを入力する
読み上げたい文章を貼り付ける。句読点と改行はそのまま「間」と「抑揚」になるため、読みやすく書くことがそのまま聞きやすさになる。長文は 1 リクエストでまとめてもよいが、場面ごとに分割すると後からの修正が楽になる。
2. 声を選ぶ
20 万以上の公開音声ライブラリから選ぶか、あらかじめクローンしておいた自分の声を指定する。どちらもブラウザのコンソールから選べる。日本語を含む 80 以上の言語に対応している。
3. 生成して確認する
生成された音声はブラウザでその場に再生し、ダウンロードできる。MP3 と WAV に対応。本番に使う前に、実際に届けるデバイス（スマホのスピーカー、車内、イヤホン片耳）で聞くのが確実だ。
何に使えるか
- 記事・ブログの読み上げ。同じ原稿から音声版を作り、聴覚で消費する読者にも届ける。文字と音声、両方の形で届けたいときの基本用途。
- 動画・配信のナレーション。解説動画やショート動画の語り。毎回ナレーターを手配せず、同じ声で量産できる。
- 学習・語学。外国語の文章をそのまま発音確認できる。自分の学習ノートを音声にして通勤中に聞く、といった使い方も。
- アクセシビリティ。視覚情報を音声化し、目を使わずに内容へアクセスできるようにする。
- 社内ドキュメント・マニュアル。長い手順書を音声にすることで、手を使いながら聞ける。
いくらかかるか
音声合成は「文字数」ではなく「UTF-8 バイト数」で課金される。基本単価は 4,200 クレジット / 100 万バイト。1 クレジット = 0.02 ドル、1 ドル = 50 クレジットだ。
| 目安 | バイト数 | クレジット | 目安価格 |
|---|---|---|---|
| 英語 1,000 文字 | 約 1,000 | 約 4.2 | 約 0.08 ドル |
| 英語 1 万字 | 約 10,000 | 約 42 | 約 0.84 ドル |
| 日本語 1 万字（3 バイト/文字） | 約 30,000 | 約 126 | 約 2.52 ドル |
| 日本語 10 万字 | 約 300,000 | 約 1,260 | 約 25.20 ドル |
重要な点：日本語は 1 文字 3 バイトなので、同じ文字数でも英語の約 3 倍のバイト数になる。英語メインの原稿なら 1 時間分のナレーションが数ドルで済むが、日本語の長文はその分だけ単価が上がる。クローンした声を使う場合は、クローン自体が別途 100 クレジット / 回かかる（一度作れば同じ声を何度でも使える）。
クレジットは前払いで購入：1 ドル = 50 クレジット、パックは $9 から。月額料金はなく、使わなかったクレジットは無期限で有効だ。詳しい単価表は料金ページを参照。
品質を決めるもの
- 句読点と改行がそのまま韻律になる。読点は一呼吸、句点は下降、感嘆符は強め——これらはモデルよりも「書き方」で決まる。読み上げが平板に感じたら、まず句読点を整えるのが最短の改善だ。
- 1 リクエストの長さ。章ごとに分割すると、場面ごとに別のトーンを設定でき、1 か所のミスが章全体ではなくその場所だけの再生成で済む。
- 言語と読み。対応言語内のテキストであれば安定する。固有名詞や専門用語は、人間が最終チェックするのが確実だ。
- 感情タグ（対応モデル）。声のニュアンスを指定できるモデルもある。どのモデルが対応しているかはコンソールで確認できる。
できないこと
- 複数キャラクターの演技。1 つの声は 1 つの人格。小説のように登場人物ごとに声を変えるには、1 人ずつ別の声を用意し、行ごとに切り替える演出が必要になる。それは「ナレーション」より「演出」に近く、作業量は人間のナレーターを立てるのと変わらない。
- 文脈を理解した「間」の演出。生成は与えられたチャンクを読むだけで、次に何が来るかは知らない。ジョークの着地や、次の段落で裏切るための抑えなどは、人間のナレーターが全体を読んで初めて効く。
- 固有名詞の 100% 正解は保証しない。珍しい氏名や専門用語、略語は、聞き直しで見つかる種類の誤りになる。公開する音声は必ず最終チェックを。
- 短いサンプルだけで「その人の全表現」を再現するわけではない。クローンは声の特徴を捉えるが、その人のすべての表現を網羅するわけではない。
プライバシー
入力されたテキストは、処理のために技術パートナーに送信される。データを販売したり、モデルの学習に使ったりすることはない。何が保存され、いつまで残るか、どの権利があるかはプライバシーポリシーに記載している。他人の声をクローンする場合、利用権限・同意は利用者の責任だ。
よくある質問
どの音声形式で出力できますか？
MP3 と WAV に対応しています。動画のナレーションや配信用には MP3、後編集を想定する場合は WAV を選ぶのが一般的です。
料金はどう計算されますか？
音声合成は文字数ではなく「UTF-8 バイト数」で課金されます。4,200 クレジット / 100 万バイトが基本単価で、1 クレジット = 0.02 ドル、1 ドル = 50 クレジットです。日本語は 1 文字 3 バイトのため、同じ文字数でも英語の約 3 倍のバイト数になります。クローンした声を使う場合は、クローン自体が別途 100 クレジット / 回かかります。
自分の声（クローン）も使えますか？
はい。あらかじめ自分の声をクローンしておけば、読み上げにその声を使えます。クローンは 100 クレジット / 回で、一度作れば同じ声を繰り返し使えます。
日本語と英語で同じ文字数でも料金が違うのはなぜですか？
課金の単位が「文字数」ではなく「バイト数」だからです。英語は 1 文字 1 バイトですが、日本語は 1 文字 3 バイト（UTF-8）です。そのため日本語 1 万字は約 3 万バイト、英語 1 万字は約 1 万バイトとなり、同じ文字数でも日本語のほうが約 3 倍のコストになります。
続きを読む：声とクレジットのよくある質問、詳しい料金、またはそのままコンソールを開く。
関連機能：音声クローンの作り方、音声をテキストに書き起こす方法。