音声トークン (Audio Token)
読み: おんせいとーくん
最終更新: 2026-07-21・AI PICKS編集部
定義
音声トークンとは、音声データを音声合成・音声認識AIが処理できるよう離散的な単位に分割したもののこと。
音声トークン (Audio Token)とは — 詳しく解説
音声トークンとは、音声波形をニューラルコーデックで圧縮し、離散的な数値列として表現したデータの最小処理単位を指す。テキストのトークンと同様に、音声AIモデルはこの単位を基準に学習・生成・API課金を行う仕組みが一般的とされる。GPT-4oのAudio機能やGeminiのネイティブ音声対話などのAPIでは入力・出力ともに音声トークン数に応じた従量課金が採用されており、同じ発話でもサンプリングレートやコーデック方式によってトークン消費量が変わる点が実運用上の落とし穴になりやすい。2026年時点では、テキストトークンに比べて音声トークンは単価が数倍高く設定されるケースが多く、長時間の音声対話や議事録生成をAPI経由で行うとコストが想定以上に膨らみやすいとされる。現場でツールを選ぶ際は、コーデックの圧縮方式とAPI側の課金体系を事前に確認し、リアルタイム性が不要な用途では低ビットレートのコーデックを使うモデルを選ぶことで相場感に見合ったコストに抑えられる、という判断軸が広く知られている。
音声トークン (Audio Token)の使用例
- 音声対話AIのAPIコストを試算するときは、想定通話時間×音声トークン単価で概算する。
- 同じ発話でもコーデックの圧縮方式次第で音声トークン数が変わるため、選定前にAPI仕様を確認する。
音声トークン (Audio Token)に関連するAIツール
関連用語
「音声・音楽」の他の用語
AI 音楽生成サービス。 歌詞 + ジャンル指定で 完成楽曲を 1 分で生成。
OpenAI のオープンソース音声認識モデル。 99 言語対応、 日本語精度も高い。
AI 音声生成のトップサービス。 自分の声をクローンして 多言語ナレーションに使える。
TTS（音声合成）とは、テキストデータを人間らしい音声に変換するAI技術のこと。ナレーション・コールセンター・音声UIなど幅広い用途で使われ、2026年現在は人間と聞き分けにくい品質が標準となっている。
ASR（Automatic Speech Recognition・自動音声認識）とは、人間の音声をテキストへ自動変換する技術のこと。深層学習モデルの普及で精度が飛躍的に向上し、文字起こし・音声コマンド・翻訳など幅広い用途で使われる。
ボイスクローンとは、数秒〜数分の音声サンプルから特定人物の声質・話し方・抑揚を高精度に再現するAI音声合成技術のこと。
AI用語辞典をすべて見てみませんか
12カテゴリ・813語以上を体系的に整理しています
辞典トップへ