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。
