最初の壁は算数の問題だ。新規のElevenLabsアカウントはFreeプランで月に10,000クレジットを受け取り、Multilingual v2モデルでは1文字が1クレジットなので、これはおおよそ10分のナレーション、英語の話し言葉で約1,500語に相当する。短い動画1本分だ。2つ目の壁はライセンスである。Freeには商用ライセンスが付かず、それはStarterプラン（月額$6で30,000クレジット）で初めて付与される（elevenlabs.io/pricing）。
2026年10月上旬時点で、この会社は依然として寛大さではなく品質で競争している。Creatorプラン以上を対象に、10月12日までの期間限定でクレジットを増量するプロモーションとともにEleven v4モデルを発表した。
文章を音読してもらうだけで十分な場合、あるいは自分が権利を持つファイルが欲しい場合、手間の少ない順に3つの方法がある。いずれも無料だ。
ElevenLabs公式サイトの画像。
ステップ1：ブラウザやOSに読み上げてもらう
Edgeの「読み上げ」、iOSとmacOSの「コンテンツの読み上げ」機能、そして数多くのブラウザ拡張機能は、ほぼあらゆるウェブページ、PDF、文書を音読してくれる。アカウントも語数カウンターも不要で、オフラインでも動作する。
ただし、音声ファイルを渡してくれるわけではない。音はデバイス内にとどまるため、動画に組み込むことはできず、出力に商用利用権も付かない。自分で読む分には問題ないが、クライアントに請求する用途には向かない。
品質の差は確かに存在するが、かつてほど大きくはない。従来のシステム音声は明らかに合成音に聞こえる。Edgeのオンライン・ニューラル音声はより良いが、それでも有料エンジンよりは平板だ。目安として、聞き手が内容を理解できれば十分ならこれで足りる。聞き手がお金を払っているなら、次に進もう。
ステップ2：単位がより有利な無料枠を使う
ベンダーごとに数え方が違う。
ElevenLabsのFreeは月10,000クレジット、およそ10分、約1,500語。Microsoft Azure Speechの無料F0枠は月50万ニューラル文字を無償で提供する。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、オーディオブック並みの枠が毎月リセットされ、Azureはその利用規約のもとで商用利用も認めている。CartesiaとFish Audioはその中間で、それぞれ月20,000と8,000クレジットを提供している（公式サイトを確認のこと。数値は変わる）。
Azureの落とし穴はクォータではなくインターフェースにある。開発者向けコンソールなので、タイムライン上でクリップをドラッグするのではなく、テキストを貼り付けてAPIを呼び出すことになる。小規模な無料枠の落とし穴は粒度だ。リクエストごとの上限、公開クローニング枠、繰り越しなしといった具合で、未使用クレジットはリセット時に消える。
契約する前に答えておく価値のある3つの問い
無料枠はElevenLabsと同等になり得るか？ 平板なナレーションなら、大半の聞き手が気づかない程度には近い。感情表現や短いサンプルからのクローニングとなると話は別だ。そこがまさに有料プランが売っているものだからである。
10,000クレジットは実際どれくらい持つのか？ 1,500語の原稿を1回通す分で、撮り直しの余裕はない。セッションではなく、サンプル分の予算として考えよう。
カード情報を登録する必要はあるか？ ElevenLabs Freeでは不要だ。Azureの無料枠は、利用が無料のままであっても、請求情報を紐付けたアカウントが依然として必要である。
ステップ3：モデルを自分で動かす
クォータが尽きても、モデルを自前でホストすれば天井はなくなる。2つのオープンプロジェクトがほぼすべてのケースをカバーする。
Kokoroは8,200万パラメータのモデルで、Apacheライセンスの重みを持ち、v1.0で8言語・54ボイスに対応し、普通のハードウェアで動作する。入力1,000文字で出力はおよそ1分、レンタルAPIなら100万文字あたり1ドル未満で提供される。Piperはもう一方のトレードオフを取る。pip install piper-tts、GPLライセンスで、発音のためにespeak-ngを内蔵し、ノートPCでリアルタイムに動かせるほど高速で、すでにHome AssistantやNVDAで使われている。二つの中ではよりロボット的で、ニュートラルなナレーションで商用品質に最も近いのはKokoroのほうだ。
どちらも、ElevenLabsの有料プランのように10秒のサンプルから特定の声をクローニングするものではないし、セットアップにはPythonで半日かかる。しかし一度動けば、毎月の請求も文字ごとのメーターもない。
無料の音声制作がたいてい失敗するポイント
クレジットを分と勘違いする。 10,000クレジットの月は10分であって、1万分ではない。計画を立てる前に、分に換算しよう。後からではなく。
ライセンスのない音声を公開する。 商用利用権を付与しない無料枠は珍しくない。サンプルは無料枠で生成し、収益を生む最初のアップロードの前に有料プランに登録しよう。
一発録りでレンダリングする。 名前を1つ読み間違えるだけで、生成全体が無駄になる。原稿を段落ごとに分けて、ダメな行だけをやり直せるようにしよう。
次にやるべきこと
用途に方法を合わせて、そこで止めればいい。聞き取り、校正、アクセシビリティなら、システム音声はすでにインストールされていて永久に無料だ。1,500語程度までの単発ファイルなら、ElevenLabs Free、あるいは出力にライセンスが必要ならAzureの50万文字。それより長いもの、繰り返し使うもの、非公開のものなら、Kokoroをインストールし、セットアップの半日を二度と払わないための代価と捉えよう。
有料プランそのものについては、ElevenLabsのツールページとElevenLabsの代替ツールガイドを参照。ライセンスの細かい注意書きは無料AI音声生成ツールまとめで扱っている。
2026年10月上旬に公開されている価格・製品ページ（elevenlabs.io、Microsoft Azure Speech、Hugging Face、GitHub）をもとに作成。価格と無料枠は変わるので、公式サイトを確認のこと。本ガイドは独立しており、掲載の対価は一切受け取っていない。