モデル692 件のモデル

Mistral: Voxtral TTS 3

mistralai/voxtral-mini-tts-3-0

Mistral Voxtral TTS 3 は Mistral のテキスト読み上げモデルです。音声カテゴリに属し、api14 上では mistralai/voxtral-mini-tts-3-0 として識別されます。Voxtral ファミリーの他のモデルと同じプロバイダーである Mistral によって提供されており、その役割は狭く具体的です。テキストを生成または編集するのではなく、書かれたテキストを音声に変換することです。

HeyGen: HeyGen Voice

heygen/heygen-voice-1

HeyGen Voice は HeyGen のテキスト読み上げモデルで、api14 にモデル ID heygen/heygen-voice-1 として掲載されています。音声カテゴリに属し、書かれたテキストを話し言葉の音声に変換することに特化して作られています。HeyGen が提供元であり、このモデルは独自の音声パイプラインを組み立てることなく合成音声出力を必要とする開発者を対象としています。

HeyGen: HeyGen Voice Turbo

heygen/heygen-voice-1-turbo

HeyGen Voice Turbo は HeyGen のテキスト読み上げモデルで、api14 にモデル ID heygen/heygen-voice-1-turbo として掲載されています。speech カテゴリに属し、同社の中核となるテキスト読み上げモデルである HeyGen Voice の低遅延版として位置づけられています。HeyGen をアバターや動画ツールでご存じなら、これは同じベンダーの音声合成ラインであり、ここでは他のモデルと並べて呼び出せる単一の speech エンドポイントとして提供されています。

Fish Audio: Drama 3

fish-audio/drama-3

Fish Audio: Drama 3 は Fish Audio のテキスト読み上げモデルで、api14 の speech カテゴリに掲載されています。これは演出された声のパフォーマンス向けに作られています。つまり、単に言葉を渡すのではなく、セリフをどのように届けるかを記述するという考え方を中心に設計されたモデルです。Fish Audio はこのモデルの提供元であり、提供元によるリリース日は 2026 年 10 月 13 日です。

ElevenLabs: Eleven v4

elevenlabs/eleven-v4

ElevenLabs: Eleven v4 は ElevenLabs のテキスト読み上げモデルで、プロバイダーによって 2026 年 10 月 7 日にリリースされました。音声カテゴリに属し、ElevenLabs はこれを最も表現力豊かなモデルと説明しています。書かれたテキストを音声に変換する必要があるものを作るなら、ElevenLabs のラインナップの中で最初に評価すべきモデルです。

ElevenLabs: Eleven v4 Turbo

elevenlabs/eleven-v4-turbo

Eleven v4 Turbo は、音声合成の取り組みで知られる企業 ElevenLabs のテキスト読み上げモデルです。音声カテゴリに属し、Eleven v4 の低遅延版として位置づけられており、そのモデルの表現力豊かな話し方とオーディオタグを維持しつつ、より高速な生成に調整されています。書かれたテキストを音声に変換する必要があるものを構築するなら、これは最初に評価する種類のモデルです。

ElevenLabs: Eleven v3

elevenlabs/eleven-v3

Eleven v3 は ElevenLabs のテキスト読み上げモデルで、api14 にモデル id elevenlabs/eleven-v3 として掲載されています。speech カテゴリに属するため、汎用のチャットや推論モデルではありません。その役割は、書かれたテキストを音声に変換することです。アプリケーションに音声レイヤーが必要なら、これはプラットフォーム上の他の音声オプションと並べて評価する種類のモデルです。

ElevenLabs: Eleven v3 Conversational

elevenlabs/eleven-v3-conversational

Eleven v3 ConversationalはElevenLabsのテキスト読み上げモデルです。これはEleven v3の変種で、プロバイダーが一度きりのナレーション向けではなく、会話エージェントにおける自然な対話に特化して調整したものです。音声エージェント、インタラクティブアシスタント、あるいは発話出力がやり取りの一方のように聞こえる必要があるあらゆる製品を構築しているなら、これがElevenLabsがその用途に位置づけているモデルです。

ElevenLabs: Eleven Flash v2.5

elevenlabs/eleven-flash-v2.5

Eleven Flash v2.5 は ElevenLabs のテキスト読み上げモデルで、api14 の speech カテゴリに掲載されています。ElevenLabs のモデルの中でも Flash 系に位置し、プロバイダーはこれを超低遅延のテキスト読み上げと説明しており、オフラインのバッチ合成ではなく、会話型およびリアルタイムのユースケースにまっすぐ向けられています。ユーザーにすばやく話し返す必要があるものを作っているなら、まず検討すべきモデルファミリーです。

ElevenLabs: Eleven Turbo v2

elevenlabs/eleven-turbo-v2

Eleven Turbo v2 は ElevenLabs のテキスト読み上げモデルで、ここではモデル id elevenlabs/eleven-turbo-v2 として配布されています。speech カテゴリに属し、プロバイダーによって、英語専用の低遅延テキスト読み上げシステムとして位置付けられており、速度が重要で英語のみが必要な開発者のユースケース向けに作られています。ElevenLabs を音声ベンダーとしてすでにご存じなら、これは汎用言語モデルではなく、同社の音声ラインナップの中でも高速なティアです。

ElevenLabs: Eleven Multilingual v2

elevenlabs/eleven-multilingual-v2

Eleven Multilingual v2 は ElevenLabs のテキスト読み上げモデルで、api14 を通じてモデル ID elevenlabs/eleven-multilingual-v2 として提供されています。speech カテゴリに属し、書かれたテキストを音声に変換するために作られています。ElevenLabs はこれを、人間らしく一貫性のある長文ナレーション向けと位置づけており、どこに適するかが分かります。短い単発のクリップではなく、持続的な読み上げです。

ElevenLabs: Eleven Turbo v2.5

elevenlabs/eleven-turbo-v2.5

Eleven Turbo v2.5 は ElevenLabs のテキスト読み上げモデルで、api14 の speech カテゴリに掲載されています。ElevenLabs によって作成され、プラットフォーム上ではモデル id elevenlabs/eleven-turbo-v2.5 で識別されます。これは Turbo ラインに属し、低レイテンシを中心に位置づけられているため、速度が問題にならないオフラインのバッチレンダリングではなく、音声をすばやく生成する必要がある開発者を対象としています。

ElevenLabs: Eleven Flash v2

elevenlabs/eleven-flash-v2

Eleven Flash v2 は ElevenLabs のテキスト読み上げモデルで、api14 の speech カテゴリに掲載されています。英語専用のモデルで、超低遅延の合成のために作られており、そのため ElevenLabs のラインナップの中でも、同社のより高忠実度な制作向け音声ではなく、リアルタイムおよび会話向けの部分に位置づけられています。

Microsoft AI: MAI-Voice-2.1-Flash

microsoft/mai-voice-2.1-flash

MAI-Voice-2.1-Flash は Microsoft AI のテキスト読み上げモデルで、MAI-Voice ファミリーの一部です。音声カテゴリに属し、低遅延の合成向けに作られており、Microsoft はこれをリアルタイム応答性に最適化されていると説明しています。すでに Microsoft AI のモデルを利用しているなら、これは同社のテキストモデルに対応する音声生成の相棒であり、カタログの残りと同様に api14 を通じて提供されます。

Microsoft AI: MAI-Voice-2.1

microsoft/mai-voice-2.1

MAI-Voice-2.1は、Microsoftのテキスト読み上げモデルで、Microsoft AIという名前で掲載されています。音声カテゴリに属し、プロバイダーの説明によれば、Microsoftで最も高忠実度かつ最も表現力豊かなテキスト読み上げモデルです。アプリケーションで書かれたテキストを音声に変換する必要がある場合、これがMicrosoftがその用途に位置付けるモデルファミリーであり、他の音声モデルと同様にapi14で利用できます。

ByteDance Seed: Seed Audio 1.0

bytedance-seed/seed-audio-1-0

ByteDance Seed: Seed Audio 1.0 は、ByteDance の Seed モデルファミリーを支える研究部門である ByteDance Seed による音声生成モデルです。これは speech カテゴリに属し、プロバイダーによって非ストリーミング音声生成モデルと説明されています。言い換えれば、音声を文字起こししたり音声会話を行ったりするためではなく、テキストを音声に変換するために作られています。評価する場合、最初に理解しておくべき重要な点は、これが生成モデルであり、音声認識モデルやチャットモデルではないということです。

Google: Gemini 3.8 Flash Lite TTS

google/gemini-3.8-flash-lite-tts

Google: Gemini 3.8 Flash Lite TTSは、Googleのテキスト読み上げモデルです。これはGemini 3.8 TTSファミリーに属し、その中で高速で高スループットのメンバーとして、Gemini 3.8 Flash TTSと並んで位置づけられています。主なカテゴリはspeechで、プロバイダーによって2026-09-23にリリースされました。

Google: Gemini 3.8 Flash TTS

google/gemini-3.8-flash-tts

Google: Gemini 3.8 Flash TTS は Google のテキスト読み上げモデルであり、Gemini 3.1 Flash TTS Preview の後継です。これは 3.8 TTS ファミリーのクリエイティブ層に位置し、つまり Google はこれを文字起こしや一般的なテキスト処理ではなく、表現力豊かな音声生成向けに位置づけています。すでに他の Google モデルを api14 経由でルーティングしている場合、このモデルは同じプロバイダー関係を音声出力へと拡張します。

Deepgram: Flux TTS

deepgram/flux-tts

Deepgram: Flux TTS は、音声とオーディオのインフラストラクチャで知られるプロバイダー、Deepgram のテキスト読み上げモデルです。これは音声カテゴリに属し、書き言葉の英語テキストを話し言葉の音声に変換することに特化して構築されています。すでに他の Deepgram モデルを api14 経由でルーティングしている場合、これも同じベンダーから提供されており、同じ一般的な使用パターンに従います。

Fish Audio: S1

fish-audio/s1

Fish Audio: S1 は Fish Audio による多言語テキスト読み上げモデルです。Fish Audio はこのモデルの提供元であり、S1 は api14 の speech カテゴリに位置しています。幅広い感情表現を必要とする音声アプリケーション向けに設計されており、対応言語全体で話し方のスタイルを導くために括弧による制御を使用します。話されるデリバリーが言葉そのものと同じくらい重要となるものを作っているなら、これがこのページで説明されている種類のモデルです。

Fish Audio: S2 Pro

fish-audio/s2-pro

Fish Audio: S2 Pro は、Fish Audio によるテキスト読み上げモデルです。これは speech カテゴリに属し、プロバイダーでのリリース日は 2026 年 7 月 29 日です。書き起こされたテキストを音声に変換する必要があるものを作っているなら、これがまず検討する種類のモデルであり、その背後にある企業が Fish Audio です。

Fish Audio: S2.1 Pro Free (free)

fish-audio/s2.1-pro-free:free

Fish Audio: S2.1 Pro Free は、Fish Audio の音声合成モデルで、Fish Audio S2.1 Pro の無料版として提供されています。テスト、プロトタイピング、小規模なアプリケーションを対象としており、有料モデルと同じ合成機能を提供しますが、本番環境でのレイテンシや可用性の保証はありません。Fish Audio の音声技術を評価している場合や、小規模なものを構築している場合には、まずここから始めるのが適切です。

Fish Audio: S2.1 Pro

fish-audio/s2.1-pro

Fish Audio: S2.1 Pro は Fish Audio のテキスト読み上げモデルで、api14 の speech カテゴリに掲載されています。プロバイダーはこれを本番向けと説明しており、実験ではなく実際に運用される音声アプリケーションを対象とした Fish Audio ラインナップの一部に位置づけられます。すでに他のモデルを api14 経由でルーティングしている場合、これは同じプロバイダーの音声生成オプションとしてそれらと並ぶものです。

Microsoft AI: MAI-Voice-2-Flash

microsoft/mai-voice-2-flash

MAI-Voice-2-Flash は、Microsoft AI によるテキスト読み上げモデルで、プロバイダーによって 2026 年 7 月 23 日にリリースされました。これは音声カテゴリに属し、低レイテンシの音声生成のために特別に構築されているため、汎用のテキストやビジョンの領域ではなく、音声エージェント、アシスタント、コールセンター、アクセシビリティツール、ナレーションと同じワークロード群に位置づけられます。書かれた入力をリアルタイムで音声出力に変換する必要があるものを構築しているなら、これは Microsoft が手に取ることを想定している種類のモデルです。

Qwen: Qwen-Audio-3.0-TTS Plus

qwen/qwen-audio-3.0-tts-plus

Qwen-Audio-3.0-TTS Plus は、Alibaba のモデルファミリーである Qwen のテキスト読み上げモデルです。音声カテゴリに属し、Alibaba のより高品質なテキスト読み上げモデルとして説明されており、同じラインの標準ティアより上位に位置づけられています。テキストから音声を生成し、通常は Alibaba 側の DashScope Speech Synthesizer API を通じて利用します。プロバイダーによって 2026-07-23 にリリースされました。

Qwen: Qwen-Audio-3.0-TTS Flash

qwen/qwen-audio-3.0-tts-flash

Qwen-Audio-3.0-TTS Flash は、Alibaba のモデルファミリーである Qwen のテキスト読み上げモデルです。音声カテゴリに属し、プロバイダーによって高速でコスト効率の高いテキスト読み上げシステムとして説明されています。このモデルはプロバイダーによって 2026-07-23 にリリースされました。すでに Qwen エコシステム内で作業している場合、または OpenAI スタイルのクライアントに適合するホスト型 TTS オプションが必要な場合、これは評価すべきモデルです。

Deepgram: Aura-2

deepgram/aura-2

Deepgram: Aura-2 は Deepgram のテキスト読み上げモデルで、api14 の speech カテゴリに掲載されています。Deepgram はこのモデルを提供するプロバイダーであり、Aura-2 は音声合成のための Deepgram の正規の Aura-2 音声カタログを中心に構築されています。すでに Deepgram の音声ラインナップを利用している場合、これは別個の、あるいは名前を変えた派生版ではなく、api14 を通じて公開された同じ音声ファミリーです。

MiniMax: Speech 2.8 HD

minimax/speech-2.8-hd

MiniMax: Speech 2.8 HD は MiniMax のテキスト読み上げモデルです。speech カテゴリに属し、書かれたテキストを音声に変換するために作られています。モデルは MiniMax が提供しており、api14 ではモデル id minimax/speech-2.8-hd で提供されます。MiniMax の speech ラインナップをすでにご存じなら、これは Speech 2.8 の HD 版であり、生成された音声が副産物ではなく製品そのものであるアプリケーション向けに位置づけられています。

MiniMax: Speech 2.8 Turbo

minimax/speech-2.8-turbo

MiniMax: Speech 2.8 Turboは、MiniMaxのテキスト読み上げモデルです。speechカテゴリに属し、書かれたテキストを音声に変換する必要があるアプリケーション向けに作られています。MiniMaxがこのモデルのプロバイダーであり、api14上のモデルIDはminimax/speech-2.8-turboです。

Microsoft AI: MAI-Voice-2

microsoft/mai-voice-2

MAI-Voice-2 は、Microsoft AI による表現力豊かなテキスト読み上げモデルで、プロバイダーによって 2026 年 6 月 2 日にリリースされました。これは音声カテゴリに属するため、その役割はテキスト自体を生成または編集することではなく、書かれたテキストを音声に変換することです。合成音声が必要なものを構築している場合、これは他のテキスト読み上げオプションと並べて評価する種類のモデルです。

SpaceXAI: Grok Voice TTS 1.0

x-ai/grok-voice-tts-1.0

SpaceXAI: Grok Voice TTS 1.0 は xAI のテキスト読み上げモデルで、api14 の speech カテゴリに掲載されています。書き起こされたテキストを受け取り、それを音声に変換します。そのため、すでにテキストがあり、テキスト応答ではなく音声トラックが必要なあらゆるワークロードに適しています。モデル id は x-ai/grok-voice-tts-1.0 で、プロバイダーによって 2026-05-15 にリリースされました。

Google: Gemini 3.1 Flash TTS Preview

google/gemini-3.1-flash-tts-preview

Google: Gemini 3.1 Flash TTS Preview は Google のテキスト読み上げモデルです。音声カテゴリに属し、プレビュー版であるため、安定版が登場するまで挙動や音声セットが変更される可能性があります。Google はこれを Gemini 2.5 Flash TTS からの大幅な世代交代と説明しているので、そのモデルを使ったことがあるなら、これが評価すべき新しい世代です。

Sesame: CSM 1B

sesame/csm-1b

Sesame: CSM 1B は Sesame の会話音声モデルです。これは speech カテゴリに属し、api14 上ではモデル id sesame/csm-1b で識別されます。プロバイダーはこれを 1B パラメータモデルと説明しており、書き起こされたテキストから音声を生成するための比較的小規模な選択肢となっています。

Canopy Labs: Orpheus 3B

canopylabs/orpheus-3b-0.1-ft

Canopy Labs: Orpheus 3B は、Canopy Labs によるテキスト読み上げモデルです。英語の音声合成に合わせてファインチューニングされた 3B パラメータのモデルで、自然な韻律と表現力豊かな話し方に重点を置いています。このモデルはプロバイダーによって 2026 年 4 月 23 日にリリースされました。主なカテゴリは音声であり、汎用言語モデルではなく専門特化型モデルとして位置づけられています。

hexgrad: Kokoro 82M

hexgrad/kokoro-82m

hexgrad: Kokoro 82M は hexgrad による軽量なオープンウェイトのテキスト読み上げモデルです。音声カテゴリに属するため、その役割は狭く明確です。書かれたテキストを音声に変換します。ウェイトがオープンであるため、クローズドなホスト型音声サービスよりもデプロイとホスティングについて自由に検討できます。また、82M というパラメータ数は、大規模な汎用モデルではなく小規模なモデルであることを示しています。

Mistral: Voxtral Mini TTS

mistralai/voxtral-mini-tts-2603

Mistral Voxtral Mini TTS は Mistral のテキスト読み上げモデルで、api14 の speech カテゴリに掲載されています。入力はテキストのみ、出力は音声のみであるため、音声パイプラインの認識側ではなく合成側に位置します。すでに他の Mistral モデルを api14 経由でルーティングしている場合、これも同じプロバイダーのモデルであり、同じアクセスパターンに従います。