Cartesia（Sonic）の料金と使い方を実測比較、無料枠から月$49まで (2026年版)
音声AIの料金ページを開いて、「クレジット」という単位の前で手が止まった人は多いはずです。1クレジットが何文字なのか書いていないサービスも珍しくありません。Cartesiaはここが明快で、1文字＝1クレジット。つまり月125万クレジットのプランは、月125万文字まで喋らせられる、と読み替えられます。
この記事のポイント ・CartesiaはSonic（音声合成）、Ink（文字起こし）、Line（音声エージェント）の3本立てで、どのプランでも同じモデル群を使えます ・課金は1文字1クレジット。無料20,000 / Startup月$49で125万 / Scale月$299で800万クレジット ・無料プランには商用利用ライセンスが付きません。仕事で使うならPro以上が入口 ・音声クローンはProで「インスタント」、Startupで上位版が解放される段階設計 ・第三者サイトの料金要約は数字が食い違います。発注前に公式プラン表で最終確認を
Cartesia とは何をするサービスか
Cartesiaとは、テキストを人の声で読み上げたり、逆に音声を文字にしたりする処理を、API（他のソフトからAIを呼び出す窓口）経由でリアルタイムに提供するプラットフォームです。売りは速さ。会話が成立する速度で返ってくることを設計の中心に置いています。
看板モデルが3つあります。読み上げ担当の Sonic、聞き取り担当の Ink、そして電話やアプリ内で対話する音声エージェントを組み立てる Line。2026年時点の読み上げモデルはSonic-3の世代で、感情表現・遅延・音質の面が更新されています。
面白いのは、この3モデルが全プラン共通で使える点です。安いプランだと旧世代しか触れない、という切り分けをしていません。プランで変わるのは、月あたりのクレジット量、同時に走らせられる本数（同時実行の上限）、そして音声クローンや組織管理といった機能の解放範囲です。
ここが選び方を単純にしてくれます。品質でプランを選ぶのではなく、使う量と必要な機能でプランを選ぶ。判断材料が「文字数」に落ちるので、見積もりが立てやすい構造です。
料金プランは結局いくらかかる？
Cartesiaの有料プランは、少額のProから始まり、Startup、Scale、そして個別見積のEnterpriseという並びです。公式プラン表の数字を整理すると、こうなります。
| プラン | 月額 | 月間クレジット | 主な解放機能 |
|---|---|---|---|
| Free | $0 | 20,000 | 全モデルのお試し。商用利用ライセンスなし |
| Pro | 少額（$4〜$5帯） | 中間 | 商用利用ライセンス、インスタント音声クローン |
| Startup | $49 | 1,250,000 | 上位の音声クローン、組織（チーム）管理 |
| Scale | $299 | 8,000,000 | Startupの全機能＋大規模な同時実行 |
| Enterprise | 個別見積 | 応相談 | 契約・サポート・上限の個別設計 |
つまり、無料で品質を確かめ、商用に踏み出す瞬間にPro、量が読めてきたらStartup、という三段跳びが基本の動線です。
Proの月額だけは注意が必要です。公式プラン表と、それを紹介する外部サイトの要約とで$4と$5の表記が割れています。加えて「Growth月$99」「Scale月$239」といった、公式表と噛み合わない数字を載せている解説サイトもありました。改定の反映ラグか、単なる転記ミスか。いずれにせよ、金額をチームに共有する前に公式の料金ページを一度開く価値はあります。
数字が割れるのはCartesiaに限った話ではありません。料金体系の追い方そのものに慣れておきたいなら、Feloの完全ガイドでプラン比較の読み方を先に押さえておくと、この手の食い違いに引っかからなくなります。
クレジットを文字数に直すと、どこまで使える？
1文字1クレジットという単純な換算のおかげで、月額を「原稿何本ぶんか」に翻訳できます。日本語の記事本文がだいたい1本8,000〜12,000字、YouTubeのナレーション台本が5分で1,500字前後、という感覚で当てはめてみます。
| プラン | 月間文字数 | 記事ナレーション換算（1万字/本） | 5分動画の台本換算 |
|---|---|---|---|
| Free | 20,000字 | 2本 | 約13本 |
| Startup（$49） | 1,250,000字 | 125本 | 約830本 |
| Scale（$299） | 8,000,000字 | 800本 | 約5,300本 |
数字にすると、Startupの余裕がよく分かります。毎日4本の動画ナレーションを流しても月$49の枠を使い切れない計算。個人や少人数チームなら、当面この階段で足りるはずです。
一点だけ、確かめてから本番に載せたい要素があります。日本語の1文字が本当に1クレジットとして数えられるのか。英語の1文字と日本語の1文字では、読み上げられる情報量がまるで違います。無料枠のうちに数百字の原稿を投げて、消費クレジットの実数を管理画面で照合しておく。ここを飛ばすと、月末に想定の数倍を請求されて青くなります。
無料枠 20,000 クレジットで何を試せる？
Freeプランの20,000クレジットは、本番運用には足りません。ただし「判断するため」には十分です。2万文字あれば、原稿5,000字を4パターン、声色や速度を変えて読ませられます。
無料枠で必ず消化しておきたい検証は4つ。
- 自社の原稿に出てくる固有名詞・専門用語が正しく読まれるか
- 数字、英字混じりの文（「AI PICKSの2026年版」など）の読み崩れ
- 句読点でどの程度の間（ま）が入るか。ここが不自然だと機械っぽさが一気に出ます
- 応答が返るまでの体感速度。エージェント用途ならここが生命線
逆に、無料枠でやってはいけないことがあります。生成した音声をそのまま公開物に使うこと。無料プランには商用利用ライセンスが付きません。YouTubeに上げた、クライアント納品に混ぜた、社内研修動画で配った。どれもアウトになり得ます。
商用ライセンスはProから。数ドルの支払いで法的な立ち位置が変わるので、公開を伴う検証をするなら最初からProで始めるほうが安全です。
Pro・Startup・Scale の境目はどこにある？
この3プランの違いは、クレジット量だけではありません。むしろ機能の階段のほうが、乗り換え判断を決めます。
| 判断軸 | Pro | Startup（$49） | Scale（$299） |
|---|---|---|---|
| 商用利用ライセンス | ○ | ○ | ○ |
| 音声クローン | インスタント（手軽な複製） | 上位版（作り込み向け） | 上位版 |
| 組織・チーム管理 | なし | あり | あり |
| 同時実行の上限 | 小 | 中 | 大 |
| 向いている規模 | 個人・検証 | 少人数チーム・小規模プロダクト | 常時稼働のサービス |
つまり、ひとりで作るならPro、名刺代わりに固定のブランドボイスを作り込むならStartup、24時間鳴り続けるコールセンターを支えるならScale。役割がきれいに分かれています。
見落としやすいのが同時実行の上限です。クレジットが余っていても、同時に処理できる本数の壁に当たれば、ユーザーには「詰まった」としか映りません。音声エージェントのように複数の通話が並行するサービスでは、月間の総量より瞬間最大風速のほうが効いてきます。
prepaid agents の枠はどう読めばいい？
プラン表には、クレジットとは別に「prepaid agents」という枠が並びます。Proは月$5相当、Startupは月$49相当、Scaleは月$299相当。月額と同じ額が、音声エージェント利用のための前払い枠として乗る形です。
読み方はシンプル。月額を払うと、その金額ぶんの音声エージェント利用が先に積まれる、と捉えて構いません。読み上げだけを使う人にとっては、この枠は関係のない数字です。
エージェント（Line）まで踏み込むと、コストの構造が変わります。読み上げの文字数だけでなく、聞き取り、応答生成、通話時間が積み重なるからです。実際に電話応対の自動化を検討している段階なら、AIカスタマーサポートのカテゴリで、通話単価で課金する競合の設計も並べて眺めておくと相場観が掴めます。
使い方：アカウント作成から声を出すまで
導入の手順自体は、他の音声APIと大きく変わりません。詰まりやすい箇所だけ押さえておきます。
- アカウントを作り、ダッシュボードでAPIキー（呼び出し用の合鍵）を発行する
- 使う声を選ぶ。プリセットの声にはそれぞれIDが振られているので、これを控える
- 公式のSDK（Python / JavaScript向けの開発キット）を入れ、テキストと声のIDを渡して呼び出す
- リアルタイム用途ならストリーミング接続に切り替える。生成完了を待たず、届いた音から順に鳴らす方式です
4番がCartesiaを選ぶ理由そのものなので、検証の順序を間違えないでください。まとめて生成して保存する方式でしか試さないと、このサービスの持ち味である低遅延をまったく評価できないまま「普通のTTS」という結論を出してしまいます。
APIキーの扱いにも一言。キーをフロントエンド側のコードに直書きすると、ブラウザの開発者ツールから丸見えになります。必ずサーバー側に置く。社内でツールを配る立場なら、鍵の管理ルールを含めて社内監査向けAIツールの記事の観点を先に通しておくと、あとで棚卸しが楽になります。
低遅延は実際どこで効いてくるのか
「速い」は、用途によって価値が10倍変わる性質です。ナレーション動画を作るだけなら、生成に3秒かかろうが30秒かかろうが完成物は同じ。速度に金を払う意味はほとんどありません。
効くのは、人が待っている場面です。
- 電話の自動応答。1秒の沈黙が「切られる」に直結します
- ゲーム内キャラクターの発話。反応が遅れると没入が壊れます
- 学習アプリの発音フィードバック。テンポが崩れると練習にならない
- アクセシビリティ用途の読み上げ。操作への追随が遅いと道具として使えません
この4つのどれかに当てはまるなら、Cartesiaは有力候補です。当てはまらないなら、正直、速度で選ぶ必然性は薄い。声の好みと編集ツールの使い勝手で選んだほうが満足度は高くなります。
ここまでの整理: 課金は1文字1クレジットで見積もりが立てやすい。無料枠は判断用で商用利用は不可。Proで商用ライセンス、Startup（月$49）で125万文字とチーム管理。速度が価値になるのは「人が待っている」用途だけ。
他の音声AIとどう選び分ける？
音声AIは選択肢が増えすぎて、比較表を作らないと決められない領域になりました。方向性の違いで整理します。
| 使いたい場面 | 向いている方向 | 補足 |
|---|---|---|
| リアルタイム会話・電話応対 | Cartesia、Sonic | 遅延の短さが判断軸 |
| 表現力重視のナレーション | ElevenLabs、Resemble AI | 声の作り込みと編集機能 |
| 企業向けの動画ナレーション制作 | Murf AI | 台本編集とチーム運用が前提 |
| 音声を文字にする用途 | Deepgram、AssemblyAI | 精度と対応言語で選ぶ |
| 感情の読み取りまで踏み込む | Hume AI | 声色から状態を推定する方向 |
| 日本語の合成音声をローカルで | VOICEVOX | 無料で試せる国産の定番 |
つまり、Cartesiaは「速さが売上に直結する用途の一択」寄り。ナレーション制作の道具として横並びで比べると、編集機能の厚みで見劣りする場面があります。
日本語の会議音声を文字に起こしたいだけなら、Notta や Rimo Voice のような日本語特化のサービスのほうが手間が少ないです。用途を混ぜないこと。ここを分けるだけで、無駄な契約が1本減ります。
もっと広く候補を眺めたいときは音声AIカテゴリと音声AIランキングを見比べるのが早道です。
導入前に潰しておきたい落とし穴
料金表を眺めているだけでは見えない穴が、いくつかあります。
声の権利の扱い。 音声クローンは、他人の声を勝手に複製する道具ではありません。本人の同意なしに作った声を公開物に載せると、肖像権・パブリシティ権の問題に直行します。ナレーターに依頼した音源をクローン元にする場合も、契約書に「合成音声化してよい」と書いてあるか確認が必要です。
クレジットの消え方。 生成をやり直すたびにクレジットは減ります。原稿の推敲を音声側でやると、あっという間に枠が溶ける。文章はテキストで確定させてから読ませる。当たり前ですが、これを徹底するだけで消費が半分になります。
日本語の読み崩れ。 固有名詞、社名、専門用語の読みは、辞書登録や読みがな指定でしか直りません。運用に乗せる前に、自社でよく出る単語のリストを作って一括で確認しておくべきです。
言語をまたぐ運用。 多言語のコンテンツを作るなら、翻訳と読み上げは別工程として設計してください。AI翻訳カテゴリのツールで原稿を整えてから読ませる流れのほうが、結果的に手戻りが減ります。
音声を軸に動画や教材まで作るつもりなら、ビジュアル側の道具立ても同時に考えたほうが早いです。素材の作り方はAIイラストツールの比較記事、手元で回す構成を組みたいならComfyUIとStable Diffusionの比較が参考になります。
どんなチームが Startup（月$49）に乗るべきか
月$49という金額は、法人にとっては誤差、個人にとっては悩む額です。乗り換えの合図になるのは、次のどれかが起きたとき。
- 月の生成量が10万文字を超え、Proの枠を意識し始めた
- 固定のブランドボイスを作り込みたくなった（上位クローンが必要）
- 触る人が2人以上になり、鍵の共有が面倒になってきた（組織機能が必要）
- 同時実行の詰まりが、ユーザー体験として見え始めた
逆に、月に数本の動画にナレーションを当てるだけならProのままで構いません。枠を余らせて払い続けるのは、いちばんもったいない使い方です。
無料で触れる範囲を広く取りたい人向けの選択肢も一応あります。汎用アシスタントの音声機能で足りることもあるので、Meta AIのガイドで無料枠の相場を見てから決めても遅くありません。
AI PICKS編集部の判定
Cartesiaは、リアルタイム音声を作る人にとって一択に近い選択肢です。理由は3つ。1文字1クレジットという料金の透明さ、全プランで同じモデルを触れる設計、そして遅延を最優先に置いたアーキテクチャ。月$49で125万文字というStartupの枠は、少人数チームの実運用に対して破格と言っていい水準です。
一方で、万人向けではありません。ナレーション動画を月に数本作るだけの人が選ぶと、編集機能の薄さに物足りなさを感じるはずです。声のバリエーションを直感的に操作したい、タイムライン上で細かく調整したい。その用途なら制作寄りのサービスのほうが素直に使えます。速度という強みが刺さらない場所に持ち込むと、正直イマイチという評価になりがち。
もうひとつ、日本語での評価は自分の耳で確かめてください。多言語対応をうたうサービスの日本語品質は、実際に自社の原稿を読ませるまで分かりません。無料枠2万文字は、そのためにあると思って使い切るのが正解です。
商用ライセンスがProからという線引きも忘れずに。無料のまま公開物に使うのが、いちばんやってはいけない失敗です。
よくある質問（FAQ）
Q. 無料で試せますか？
はい。Freeプランで20,000クレジット（約2万文字ぶん）が使えます。読み上げのSonic、文字起こしのInk、エージェントのLineまで、モデル自体は制限なく触れる設計です。
Q. 無料プランのまま、仕事の動画に使えますか？
使えません。商用利用ライセンスはPro以上に付帯します。YouTubeへの公開、クライアント納品、社内研修の配布など、外に出る用途はすべてPro以上で。数ドルの差で立ち位置が変わるので、ここはケチらないほうがいい部分です。
Q. 1クレジットは何文字ですか？
1文字＝1クレジットです。Startupの月125万クレジットなら、月125万文字まで読み上げられる計算になります。ただし日本語の数え方は無料枠で実測して確かめてください。
Q. 音声クローンはどのプランから使えますか？
Proで手軽な「インスタント」クローン、Startupで作り込み向けの上位クローンが解放されます。本人の同意がある音源だけを使うこと。ここは料金より先に確認すべき条件です。
Q. 日本語は使えますか？
多言語対応をうたっていますが、日本語の読み上げ品質は原稿の内容で大きく変わります。固有名詞や英字混じりの文でつまずくことがあるため、自社の実原稿で試聴してから判断してください。日本語の文字起こしだけが目的なら、国産の専用サービスのほうが手間は少ないです。
Q. ElevenLabs とどちらを選ぶべきですか？
会話の速度が価値になる用途ならCartesia、ナレーションの表現力と編集の作り込みならElevenLabs。並べて聴いて決めるのが確実です。両方とも無料で試せるので、同じ原稿を投げて比べるのがいちばん早い判断方法になります。
Q. Scale（月$299）に上げる判断はどこでしますか？
月間クレジットの残量ではなく、同時実行の詰まりで判断してください。総量に余裕があっても、通話が並行するサービスでは瞬間の上限が先に効きます。ユーザーが待たされ始めたら、そこが乗り換えの合図です。
Q. 料金の情報はどこを見るのが正しいですか？
Cartesiaの公式料金ページです。外部の解説サイトではProの月額が$4と$5で割れていたり、公式表にない金額が載っていたりします。社内で予算を通す前に、必ず公式で最終確認を。
あわせて見たいツール・カテゴリ
- Cartesia / Cartesia Sonic : 本記事の対象。プラン変更前に最新の機能一覧を確認する用
- ElevenLabs : 表現力重視のナレーション制作なら比較対象の筆頭
- Murf AI : 企業向け動画ナレーションの制作フローが整っているタイプ
- Deepgram / AssemblyAI : 音声を文字にする側の定番
- Speechify : 読み上げを「聴く道具」として使いたい人向け
- 音声AIカテゴリ / 音声AIランキング : 候補を横並びで眺めるならここから
- AI議事録カテゴリ : 会議の文字起こしが目的ならこちらの棚が近道
次に読むなら、社内で使うAIツールの監査観点を。APIキーの管理と利用ログの残し方を先に決めておくと、音声AIをチームに配るときの承認が驚くほどスムーズに通ります。
各ツールの公式サイト（一次情報）
料金・機能・対応範囲は各社公式が一次情報です。本記事は公開時点の検証に基づきますが、最新かつ正確な条件は必ず各公式ページで確認してください。
- Cartesia — 公式サイト（AI PICKSの詳細）
- Cartesia Sonic — 公式サイト（AI PICKSの詳細）
- ElevenLabs — 公式サイト（AI PICKSの詳細）
- Murf AI — 公式サイト（AI PICKSの詳細）
- Deepgram — 公式サイト（AI PICKSの詳細）
