検閲なしの音声合成APIをNSFW台本で比較：どれを選ぶべきか

成人向けのオーディオブック、会話相手の声、ゲームのせりふを制作していますか。このページでは、2026年9月のテストに基づき、SpicyAPIの検閲なし音声合成モデル9つのうち、台本をそのまま読み上げ、息遣いやうめき声を演じるのはどれか、完成音声1分の費用はいくらかを紹介します。

結論から: 9つすべてが露骨なテスト台本を全文読み上げ、拒否、途中で切れた音声、表現の弱化はありませんでした。そのため、選ぶ基準は演技指示の扱い、声の種類、2人の話者と音声クローンへの対応、課金単位です。角括弧の指示を演じてほしいならGemini 3.8 Flash TTS、完成音声1分の最安値ならGemini 3.8 Flash-Lite TTSまたはGrok TTSから始めてください。費用はそれぞれ約$0.013と$0.015です。Chatterboxは、使用許可のある声を再現する場合に限って選んでください。

比較一覧

Gemini 2.5 Pro TTSの価格はGoogleの定価より10%低く設定されています。Googleの音声生成ドキュメントでは、Flashが130を超える言語、Flash-Liteが100を超える言語に対応するとされています。GeminiとChatterboxの出力は24 kHzのモノラルWAVで、ほかは標準でMP3です。SpicyAPIは独自のコンテンツフィルターを追加せず、失敗したリクエストには課金しません。

各モデルでうめき声、息遣い、ささやきを出す方法

演技指示の多い台本では、Gemini 2.5 Pro、Gemini 3.8 Flash、Grok、MiniMaxはほとんどのテイクでタグを発音せずに演じます。Gemini 3.8 Flash-Liteは時々、Chatterboxは常にタグの語句を読み上げるため、この2つでは音を文字で書いてください。

音の書き方はモデルによって異なります。

• Gemini 2.5 Proと3.8 Flash: [whispering]、[sighs]、[laughing]などを、影響を与えたい語句の直前に置きます。テンポ、アクセント、雰囲気は別のフィールドに指定し、その内容は読み上げられません。
• Gemini 3.8 Flash-Lite: 台本には角括弧を入れないでください。音を単語として書き（"Mmm…", "ahh…", "ha…"）、雰囲気はinstructionsに指定します。指示の演技が重要ならFlashを使ってください。
• Grok TTS: [pause]、[laugh]、呼吸タグを台本に入れ、フレーズ全体を<whisper>…</whisper>などで囲みます。xAIの音声タグガイドによると、タグを重ねるより句読点と組み合わせた方が自然に聞こえます。
• MiniMax Speech 2.8: 音を出したい位置に(breath)、(pant)、(gasps)などの丸括弧タグを置きます。リクエストごとにemotionを1つ選び、雰囲気が変わる場合は場面を分割します。
• Chatterbox: タグは読み上げられます。音を文字で書き、劇的なせりふではexaggerationを上げます。読み方が急ぎすぎる場合はguidance_scaleを下げます。
• Seed Speech 2.0とQwen3 TTS: タグは使いません。instructionsに読み方を記述し（"breathless, close to the microphone"）、音を文字で書きます。

用途別の選び方

細かい演技指定と指示の実行。 Gemini 3.8 Flash TTSとGemini 2.5 Pro TTSは同じフィールドを持ち、どちらも角括弧の指示を演じます。Flashは1秒あたりの価格が低く、130+言語への対応が記載されています。参照音声や長い単一リクエストが必要な場合は、別のモデルを選んでください。設定はナレーションの手順と2.5 Proのテストを参照してください。

最安値での通常の読み上げ。 Gemini 3.8 Flash-Lite TTSとGrok TTSが候補です。Liteは返された音声に対して課金するため、ゆっくり読むと費用が増えます。Grokは台本の文字数で課金し、1回のリクエストで章全体を受け付けます。Grokは1人の話者のみです。通常の2人の読み上げには、dialogueとspeakersフィールドを使えるLiteを選んでください。

豊富な声と感情の制御。 MiniMax Speech 2.8です。TurboはHDより40%安いので、先に試してください。HDとTurboの比較を参照できます。参照音声が必要なら別のモデルを選んでください。どちらも対応していません。

多言語または中国語を話すキャラクター。 Seed Speech 2.0は自然言語のinstructionsに対応します（会話の手順）。Qwen3 TTSは北京・四川方言の声もありますが、テキストは2,000文字までです（話者ガイド）。

自分で用意した声。 Chatterboxには任意のMP3またはWAVの参照クリップを渡せます。読み上げはその音色を引き継ぎます。1人の声だけが明瞭に録音された数秒の音声が最適です。使用する権利がある声だけを使ってください。参照音声ガイドを参照できます。英語のみなので、ほかの言語には別のモデルを選びます。Google自身のAPIにはGemini 3.8の音声複製が記載されていますが、SpicyAPIのタスクには参照フィールドがありません。

費用

課金単位が異なるため、~270文字の段落1つと、およそ10分の章で比較します。

10分の概算は各モデルの読み上げ速度に基づくため、秒単位で課金するGeminiでは、ゆっくり読むほど費用が増えます。Seed、Qwen3、Grok、MiniMaxはタグを含む送信台本の文字数で課金するので、実行前の見積額が最終価格です。Chatterboxは1,000文字未満ならクリップの長さに関係なく$0.036です。

9つに共通する制限

9つとも非同期です（送信、ポーリング、ダウンロード）。そのため、ライブ通話よりオーディオブック、ゲームのせりふ、音声メッセージに適しています。リクエスト1回で単語ごとの時刻情報がないファイル1つが返り、14日間保存されます。1回のリクエストで2人の声を使えるのはGeminiのみです（250文字の行を最大20行）。ほかのモデルでは話者ごとに生成してファイルを結合します。台本は架空の成人キャラクターに限定してください。公開内容に関する法的義務は利用者自身が負います。

3つの課金方式は動作が異なります。Geminiは返された音声の秒数で課金するため、タスク実行中は長いクリップを想定した金額（Flashで約$0.21、2.5 Proで$0.30）を仮押さえし、音声を計測した後に実際の金額まで仮押さえを減らします。Grok、MiniMax、Seed、Qwen3は台本の文字数で課金するので、実行前の表示額が最終価格です。Chatterboxはリクエストごとの定額です。

まずPlaygroundで試す

1. Gemini 3.8 Flash TTSのページを開き、PlaygroundタブのForm表示に留まります。実行するには残高のあるアカウントでログインしてください。
2. Textに台本を貼り付けるか、Sample scriptを押します。[whispers]や[sighs]などの角括弧の指示を、対象の語句の直前に置きます。
3. Voiceを選びます（標準はKore）。必要に応じてStyle、Pace、Accentを指定します。Delivery instructionsとSceneは読み方に影響しますが、読み上げられません。
4. モデルを実行し、Previewを再生して、Downloadでファイルを保存します。

Grok TTSも手順は同じですが、設定はVoice、Language、Speedで、<whisper>…</whisper>などのタグはTextに書きます。再試行のたびに変更するフィールドは1つにしてください。

次にコードで実行する

Python SDKをインストールし（pip install spicyapi）、環境変数にSPICY_API_KEYを設定して実行します。

import uuid
from spicyapi import SpicyClient, output_assets

client = SpicyClient()  # reads SPICY_API_KEY from the environment

task = client.create_task(
    model="google/gemini-3.8-flash-tts/text-to-speech",
    input_data={
        "text": "[whispering] You made it. I was starting to think you had changed your mind. [sighs] Stay a little longer.",
        "voice_id": "Kore",
        "instructions": "Quiet and warm, speaking to one adult listener.",
    },
    idempotency_key=str(uuid.uuid4()),
)

print("Resume task:", task["taskId"], flush=True)
final = client.wait_for_terminal(task["taskId"])
if final["state"] != "succeeded":
    raise RuntimeError(f"{task['taskId']} ended as {final['state']}: {final.get('errorCode')}")
assets = output_assets(final)
if not assets or any(a.get("pending") or a.get("unavailable") or not a.get("url") for a in assets):
    raise RuntimeError(f"Task {task['taskId']} has no ready output; check this task before a new run")
print(assets[0]["url"])  # copy the audio to your own storage now

Grok TTSを使うには、modelをxai/grok-tts/text-to-speechに、入力を{"text": "<whisper>You made it.</whisper> [pause] I was starting to think you had changed your mind. [sigh] Stay a little longer.", "voice_id": "eve", "language": "en"}に変更します。作成、待機、ダウンロード、再試行はタスクガイドとPython SDKリファレンスで説明しています。

Agentに実行を任せる

アシスタントに台本を音声化させる場合、3つの公式ツールはいずれも価格を表示し、有料呼び出しの前に確認を求めます。

• CLI. inputオブジェクトをinput.jsonに入れ、次を実行します。

``bash spicyapi tasks create --model google/gemini-3.8-flash-tts/text-to-speech --input-file input.json --wait ``

CLIドキュメントを参照してください。npx @spicyapi/cliはインストールなしで使えます。

• MCPサーバー。 アシスタントにMCPサーバーを追加し、"Read this script with Gemini 3.8 Flash TTS in the Kore voice."と頼みます。spicyapi_task_createを呼び出して価格確認で停止し、その後spicyapi_task_waitを呼び出します。
• Skill. npx skills add spicyapi-ai/spicy-skillでAgent Skillをインストールします。コーディングアシスタントがフィールドを推測せず、現在のモデルスキーマを読むようになります。

よくある質問

露骨な台本を拒否したり表現を弱めたりするモデルはありますか？

ありません。9つすべてが露骨なテスト台本を全文読み上げました。

英語以外の台本でも使えますか？

英語のみのChatterboxを除き、使えます。Gemini FlashとFlash-Liteは130+と100+の言語を検出します。MiniMaxは40、Grokは20、Seed SpeechとQwen3はそれぞれ10の言語を挙げています。

[moaning]などの指示を最も安定して演じるのはどれですか？

Gemini 2.5 Pro TTS、Gemini 3.8 Flash TTS、Grok TTS、MiniMax Speech 2.8は、ほとんどのテイクでタグを音として演じます。Gemini 3.8 Flash-Lite TTSは時々、Chatterboxは常にタグの語句を読むため、この2つでは音を文字で書いてください。

最も安いのはどれですか？

完成音声1分ではGemini 3.8 Flash-Lite TTS（約$0.013）とGrok TTS（約$0.015）が最安です。課金単位が異なるので、表示単価だけでなく上の費用表で比較してください。

音声クローンや、1つのクリップで2人の声を使えますか？

音声クローンはChatterboxのみで、使用する権利のある短い参照クリップから作成します。1回のリクエストで2人の声を使えるのは3つのGeminiのみです。ほかでは話者ごとに生成してファイルを結合します。

内蔵の声が1つで英語のみでもChatterboxを選ぶ価値はありますか？

使用許可のある声を再現したい場合や、クリップの長さに関係なく1回$0.036の定額で表情豊かな英語の声を使いたい場合にはあります。

まとめると、指示の演技はFlash、価格重視ならFlash-LiteかGrok、声の選択肢ならMiniMax、用意した参照音声を使うならChatterboxです。

生成結果を顔に合わせて話させたいですか。リップシンクの手順をご覧ください。Grokを使う方にはGrok音声の手順もあります。