※当サイトでは、一部の記事にアフィリエイト広告を掲載しています。
Google Cloud Text-to-Speech の Chirp3-HD で、声選びに迷ったことはありませんか。
日本語だけで30種類あります。
名前は Achernar や Despina のように、星や衛星の名前ばかりです。
公式の一覧に載っているのは、名前と性別だけです。
名前を見ても、どんな声なのかは想像できません。
そこで、Chirp3-HD の30音声と旧モデルの日本語音声に、同じ原稿を読ませました。
そして、声の高さと話す速さを測りました。
高さの順に並べた一覧と、聴き比べの音声を用意しています。
Neural2 から乗り換えたい方向けに、いま使っている声と高さが近い Chirp3-HD の声も表にしました。
結論：Chirp3-HDの声は「高さ」で選ぶのが確実です
この記事の結論
- Chirp3-HD の30音声の違いは、ほとんどが声の高さです。話す速さの差は小さめです
- 表示の性別だけで選ぶと、思っていた声と違うことがあります。高さの数字で選ぶほうが確実です
- Neural2 や WaveNet から乗り換えるなら、高さが近い声を選ぶと印象が大きく変わりません
測ってみると、30音声は高さではっきり2つに分かれました。
低めのグループは100〜153Hz（ヘルツ。数字が大きいほど高い声）、高めのグループは168Hz〜で、その間に入る声はひとつもありませんでした。
一方で、話す速さは30音声とも近い値でした。
「この声は早口」「この声はゆっくり」と選び分けるほどの差はありません。
つまり、まず高めか低めかを決めて、その中で聴き比べるのがいちばん迷わない選び方です。
Neural2とChirp3-HD、まずどちらを選ぶか
声を選ぶ前に、モデル選びで迷う方もいると思います。
私の結論は、これから使い始めるなら Chirp3-HD です。
理由は、Google 自身の分類です。
公式の料金ページでは、Chirp 3: HD が「Latest TTS models」に分類されています。
Neural2・WaveNet・Standard は「Legacy TTS models」です。
日本語版のページでも、Neural2 などは「以前の TTS モデル」の見出しの下にあります。
料金と無料枠の違い
料金は次のとおりです（2026年10月時点・公式の料金ページで確認）。
| モデル | 公式の分類 | 無料枠（毎月） | 無料枠を超えたあと |
|---|---|---|---|
| Chirp 3: HD | Latest | 100万文字 | US$30 / 100万文字 |
| Neural2 | Legacy | 100万文字 | US$16 / 100万文字 |
| WaveNet | Legacy | 400万文字 | US$4 / 100万文字 |
| Standard | Legacy | 400万文字 | US$4 / 100万文字 |
Chirp3-HD は Neural2 の約1.9倍の料金です。
ただし無料枠は Neural2 と同じ100万文字なので、個人のナレーション用途なら無料枠に収まることも多いと思います。
日本語は1文字が複数バイトになりますが、課金は1文字として数えると公式に書かれています。
料金と無料枠は 2026年10月時点の値です。
古い資料には別の無料枠が書かれていることがあるので、使う前に公式の料金ページで確かめてください。
旧モデル11本の中身は実質4種類でした
測っていて驚いたことがあります。
日本語の旧モデルは、Neural2・WaveNet・Standard の計11本です（2026年10月時点）。
内訳は Neural2 が3本、WaveNet と Standard が4本ずつです。
ところが中身を比べると、名前が違っても同じ声が並んでいました。
- 女性 266Hz：Neural2-B ＝ Standard-B ＝ WaveNet-A ＝ WaveNet-B
- 男性 143Hz：Neural2-C ＝ Standard-C ＝ WaveNet-C
- 男性 150Hz：Neural2-D ＝ Standard-D ＝ WaveNet-D
- ほかと違う声は Standard-A（女性 284Hz）だけ
自分で作った音声で比べると、Neural2-B と WaveNet-A はファイルが完全に一致しました。
Google の公式の音声一覧ページにあるサンプルでも、同じ組み合わせになりました。
なぜこうなっているのか、Google の説明は見つかっていません。
ここでは「測ったらこうだった」という事実だけ書いておきます。
以前、自分の動画で各モデルを聴き比べたとき、Standard は機械っぽいと感じました。
見直すと、機械っぽかったのは Standard-A でした。
Standard-B・C・D は WaveNet と同じ声なので、料金も同じなら差はありません。
Neural2・WaveNetからの乗り換え案内
いま Neural2 や WaveNet を使っている方向けに、高さが近い Chirp3-HD の声を並べました。
左の列には、同じ声の別名もまとめています。
| いま使っている声 | 高さ | 抑揚の幅 | 高さが近い Chirp3-HD の声 |
|---|---|---|---|
| Neural2-B（＝Standard-B／WaveNet-A／WaveNet-B）女性 | 266.3Hz | 4.8半音 | Despina 268.6Hz（+0.1）／Achernar 237.2Hz（−2.0）／Sulafat 235.9Hz（−2.1） |
| Neural2-C（＝Standard-C／WaveNet-C）男性 | 143.1Hz | 5.6半音 | Achird 143.1Hz（±0.0）／Puck 141.1Hz（−0.2） |
| Neural2-D（＝Standard-D／WaveNet-D）男性 | 150.3Hz | 7.4半音 | Zubenelgenubi 152.1Hz（+0.2）／Orus 152.9Hz（+0.3） |
| Standard-A（参考・ほかと別の声）女性 | 283.8Hz | 5.1半音 | Despina 268.6Hz（−1.0）。これより高い声はありません |
かっこの中は、元の声との高さの差を半音で表したものです。
耳は高さを比率で感じるので、Hz の差ではなく半音で比べました。
差が1半音以内なら、高さはほぼ同じと見てよいと考えています（目安です）。
表から分かることは3つあります。
- 男性の2本（C・D）は、高さがほぼ同じ Chirp3-HD の声が2本ずつあります
- 女性の Neural2-B に高さが近いのは Despina だけです。次に近い Achernar でも2半音低くなります
- 旧モデルは抑揚の幅が4.8〜7.4半音で、Chirp3-HD（5.5〜11.2半音）より狭めです
高さをそろえても、Chirp3-HD に替えると抑揚は大きくなるのがふつうです。
Neural2-B の方で抑揚も近づけたいなら、Sulafat も候補になります。
Chirp3-HD でいちばん平板な声で、高さは2半音下がります。
この表で使ったのは、高さと抑揚の2つだけです。
最後は、次の章の音声を聴いて決めてください。
Chirp3-HDの声をどうやって測ったか
ここからは測り方です。
数字の意味が分かると、一覧が読みやすくなります。
全部の声に同じ原稿を読ませて、WAV で保存しました。
原稿は、以前の記事と動画で使ったセリフです。
新しいプロジェクトの開始日は、来月15日を予定しております。詳細はメールにてご確認ください。
読みは「あたらしいプロジェクトのかいしびは、らいげつじゅうごにちをよていしております。しょうさいはメールにてごかくにんください。」です。
数えると54モーラになります。
測ったのは次の4つです。
- 声の高さ：声の基本周波数（F0）を推定し、その中央値を Hz で出しました。推定には Python の librosa（音声解析のライブラリ）にある pyin を使いました
- 話す速さ：原稿のモーラ数（54）を、音声全体の長さで割りました。単位はモーラ/秒です
- 抑揚の幅：声の高さが上下する幅を、半音で表しました
- ポーズの割合：音声全体のうち、無音の部分が占める割合です
モーラは、日本語の音の長さの単位です。
「サンダー」なら「サ・ン・ダ・ー」で4モーラと数えます。
同じ原稿なのでモーラ数が決まっていて、話す速さを正確に比べられます。
高さは、声の中でいちばん低いところや高いところに引っぱられないよう、真ん中あたりの値を使いました。
話す速さは、息つぎの間（ポーズ）を含めた長さで計算しています。
聴いたときの「速い・遅い」の感覚に近いのは、間を含めたほうだと考えたためです。
測った範囲は、日本語（ja-JP）の音声です。
調べたのは 2026年10月で、Google が後から声を直す可能性もあります。
Chirp3-HDの声の高さ一覧（高い順）
ここがこの記事の中心です。
Chirp3-HD の30音声に、Neural2 の3本と Standard-A を加えて、高い順に並べました。
| 声 | モデル | 表示の性別 | 高さ（Hz） | 抑揚の幅（半音） |
|---|---|---|---|---|
| Standard-A | Standard | 女性 | 283.8 | 5.1 |
| Despina | Chirp3-HD | 女性 | 268.6 | 8.13 |
| Neural2-B | Neural2 | 女性 | 266.3 | 4.8 |
| Achernar | Chirp3-HD | 女性 | 237.2 | 8.25 |
| Sulafat | Chirp3-HD | 女性 | 235.9 | 5.50 |
| Erinome | Chirp3-HD | 女性 | 232.5 | 7.15 |
| Laomedeia | Chirp3-HD | 女性 | 222.6 | 6.50 |
| Leda | Chirp3-HD | 女性 | 220.7 | 6.88 |
| Aoede | Chirp3-HD | 女性 | 217.6 | 7.30 |
| Callirrhoe | Chirp3-HD | 女性 | 215.1 | 7.48 |
| Zephyr | Chirp3-HD | 女性 | 211.4 | 6.35 |
| Kore | Chirp3-HD | 女性 | 210.1 | 8.90 |
| Vindemiatrix | Chirp3-HD | 女性 | 210.1 | 10.10 |
| Autonoe | Chirp3-HD | 女性 | 189.4 | 6.60 |
| Gacrux | Chirp3-HD | 女性 | 167.8 | 11.20 |
| Orus | Chirp3-HD | 男性 | 152.9 | 7.80 |
| Zubenelgenubi | Chirp3-HD | 男性 | 152.1 | 8.60 |
| Neural2-D | Neural2 | 男性 | 150.3 | 7.4 |
| Achird | Chirp3-HD | 男性 | 143.1 | 8.27 |
| Neural2-C | Neural2 | 男性 | 143.1 | 5.6 |
| Puck | Chirp3-HD | 男性 | 141.1 | 8.60 |
| Fenrir | Chirp3-HD | 男性 | 132.4 | 8.78 |
| Umbriel | Chirp3-HD | 男性 | 129.4 | 6.15 |
| Rasalgethi | Chirp3-HD | 男性 | 124.6 | 9.37 |
| Iapetus | Chirp3-HD | 男性 | 123.2 | 10.08 |
| Enceladus | Chirp3-HD | 男性 | 120.7 | 10.30 |
| Pulcherrima | Chirp3-HD | 女性 | 120.0 | 7.08 |
| Charon | Chirp3-HD | 男性 | 118.6 | 7.35 |
| Sadaltager | Chirp3-HD | 男性 | 117.6 | 7.70 |
| Schedar | Chirp3-HD | 男性 | 117.3 | 8.35 |
| Sadachbia | Chirp3-HD | 男性 | 116.6 | 10.23 |
| Algenib | Chirp3-HD | 男性 | 109.4 | 11.13 |
| Algieba | Chirp3-HD | 男性 | 108.8 | 8.70 |
| Alnilam | Chirp3-HD | 男性 | 99.7 | 8.30 |
表示の性別は、Google の API が返す値をそのまま載せています。
表の見方：まず高さの列で、高めの声（160Hz より上）か低めの声（160Hz より下）かを決めてください。
そのあと、近い高さの声を2〜3本聴き比べると選びやすくなります。
4つのグループで聴き比べ
高めと低めの中を、さらに2つずつに分けて、4つのグループにしました。
各グループから「いちばん低い声」と「真ん中あたりの声」を1本ずつ選んでいます。
数字だけでは分からないので、ぜひ音声で聴いてみてください。
低めの声1（100〜123Hz）
低めの声2（120〜153Hz）
高めの声1（168〜236Hz）
高めの声2（211〜284Hz）
グループの範囲が少し重なっているのは、高さ以外の数字（話す速さや抑揚）も使って分けたためです。
正直に書くと、グループの境目はあいまいでした。
声はかたまりになっているのではなく、高さの順になだらかに並んでいます。
はっきり分かれるのは「高めか低めか」の2つだけで、その中の違いは少しずつです。
だからこそ、グループの名前で選ぶより、高さの数字で近い声を探すほうが確実です。
Chirp3-HDは話す速さがほぼ同じ
次は話す速さです。
Chirp3-HD の30音声は、間を含めて6.59〜7.87モーラ/秒の範囲に収まりました。
いちばんゆっくりなのは Laomedeia（6.59）、いちばん速いのは Callirrhoe（7.87）です。
差はありますが、高さの差に比べると小さく、聴いていて「速すぎる」と感じる声はありませんでした。
旧モデルは6.18〜7.01モーラ/秒で、Chirp3-HD より少しゆっくりです。
乗り換えても、話す速さが大きく変わることはないと思います。
違いが出たのは、抑揚とポーズです。
- 抑揚の幅は、Sulafat の5.5半音から Gacrux の11.2半音まで、2倍の開きがありました
- ポーズの割合は、Sulafat の8.3%から Algieba の23.0%までありました
速さを変えたいときは、声を替えるより、API の読み上げ速度の設定で調整するほうが早いと思います。
散布図でChirp3-HDの声の全体を見る
数字を1枚の図にまとめました。
横軸が話す速さ、縦軸が声の高さです。
点が上と下の2つにきれいに分かれているのが分かります。
横方向（話す速さ）は、上の群も下の群もほぼ同じ範囲に重なっています。
「違いはほとんどが高さ」という結論は、この図が根拠です。
図をよく見ると、女性と表示されている声がひとつ、下の群に入っています。
Pulcherrima です。
Pulcherrima は女性と表示されていますが、高さは120Hzで、男性と表示された声と同じくらい低い声でした。
私は数字を見る前に名前の ABC 順で聴いていて、そのときも男性の声だと感じていました。
英国英語（en-GB）の公式サンプルでも、Pulcherrima は同じように低く聞こえます。
表示の性別だけで選ぶと、こういう声に当たることがあります。
高さの数字で選ぶほうが確実だと考えたのは、これが理由です。
確かめたのは日本語（ja-JP）と英国英語（en-GB）だけです。
調べたのは 2026年10月時点で、Google が後から表示や声を直す可能性があります。
もう1枚は、ポーズの割合と抑揚の幅の散布図です。
こちらは高さほどはっきり分かれません。
同じくらいの高さの声で迷ったときに、「間が多めか」「抑揚が大きめか」を見る補助にしてください。
用途別のおすすめ（私が聴いた感想）
ここからは、私が全部の声を聴いてメモした感想です。
測定値ではなく、1人の耳で聴いた印象なので、参考程度に読んでください。
聴くときは、数字を見ないように名前の ABC 順で聴きました。
数字を先に見ると、印象が引っぱられるためです。
解説動画のナレーション
クセが少なく、長く聴いても気にならない声が向いていると感じました。
- Iapetus（123Hz）：クセがない若い男性の声に聞こえました
- Charon（119Hz）：クセがない、少し年配の男性の声に聞こえました
- Gacrux（168Hz）：落ち着いた女性の声に聞こえました
- Laomedeia（223Hz）：少し落ち着いた若い女性の声で、話す速さもいちばんゆっくりです
- Sulafat（236Hz）：若い女性の声ですが、落ち着きがあります。抑揚もいちばん平板です
アナウンス・案内
はきはきしていて、アナウンサーのように聞こえた声です。
- Kore（210Hz）：クセがない女性の声でした
- Autonoe（189Hz）：中堅からベテランの女性アナウンサーのように聞こえました
- Enceladus（121Hz）：中堅の男性アナウンサーのように聞こえました
- Sadaltager（118Hz）：落ち着いていて、聴いていて安心する声でした。男性の声では、いちばんアナウンサー向きだと感じました
ショート動画
テンポよく流したいショートには、若く聞こえる声が合いそうだと感じました。
- Callirrhoe（215Hz）：若く聞こえる女性の声で、話す速さもいちばん速い声です
- Alnilam（100Hz）：男性ではいちばん低い声ですが、私には明るく若めに聞こえました。テンポも速めで、男性の声ならショートにいちばん合いそうです
- Erinome（233Hz）：少し若い感じの女性の声でした。ただ、話す速さはゆっくりめなので、テンポより声の若さを出したいときに向いています
キャラクターっぽい声
特徴がはっきりしていて、キャラクターの声に使えそうなものもありました。
- Despina（269Hz）・Leda（221Hz）：明るく若い女性の声で、アイドルや声優のような印象を受けました
- Fenrir（132Hz）：アニメの主人公を演じるベテラン声優のような声に聞こえました
- Puck（141Hz）：今回のモデルの中では個性が強めで、キャラクターに向いていると感じました
どの声も、原稿によって聞こえ方が変わります。
気になる声が見つかったら、自分の原稿で一度試してみてください。
「明るい・落ち着いた」は高さでは決まりませんでした
聴いた印象を「明るい〜落ち着いた」の5段階で付けて、測った数字と比べてみました。
ところが、高さ・話す速さ・抑揚・ポーズのどれとも、はっきりした関係は見つかりませんでした。
たとえば、男性と表示された中でいちばん低い Alnilam（100Hz）は、私には「やや明るい・若め」に聞こえます。
逆に、高めの女性の声である Laomedeia や Sulafat は「やや落ち着いた」に聞こえました。
聴いたのは私1人で、声も30本と少ないので、「関係がない」とまでは言えません。
今回の測り方では説明できなかった、というのが正確なところです。
高さで「高めか低めか」は決められますが、明るさや落ち着きは、最後は耳で聴いて決めるのがよさそうです。
自分で声を作って測る手順
自分の原稿で聴き比べたい方向けに、流れを紹介します。
Google Cloud で Text-to-Speech API を有効にして、認証を設定します
同じ原稿を、比べたい声すべてで WAV に書き出します
書き出した WAV を聴き比べます。数字を見る前に聴くと、先入観なく選べます
気になる声が見つかったら、本番の原稿で読み上げて確かめます
1と2の手順は、以前の記事でコード付きで解説しています。
Google Cloud TTS で日本語の音声サンプルを確認する記事はこちらです。
ナレーションを MP3 にまとめて作る方法はこちらです。
Chirp3-HDの声選びでよくある質問
Chirp3-HDは料金が高いですか？
1文字あたりの料金は Neural2 の約1.9倍、WaveNet の7.5倍です（2026年10月時点）。
ただし毎月100万文字の無料枠があるので、個人の動画ナレーションなら無料枠で収まることも多いと思います。
使った文字数は、Google Cloud の請求レポートで確かめられます。
性別で選んではいけませんか？
性別で選んでも大きく外れることは少ないですが、Pulcherrima のように、表示と聞こえ方がずれる声があります。
「高めの声がほしい」「低めの声がほしい」と決まっているなら、高さの数字で選ぶほうが確実です。
英語の声も同じ傾向ですか？
今回測ったのは日本語の声だけです。
英語は Pulcherrima の公式サンプルを聴いただけなので、全体の傾向は分かりません。
同じ手順で測れるので、英語で使う方は自分の原稿で確かめてみてください。
Neural2から乗り換えると声の印象は変わりますか？
高さが近い声を選べば、高さの印象は大きく変わりません。
ただし Chirp3-HD は旧モデルより抑揚が大きめなので、少し表情が豊かに聞こえると思います。
上の乗り換え案内の表から候補を選んで、聴き比べてみてください。
まとめ：Chirp3-HDの声は高さで選べば迷いません
名前から想像できない声も、高さの数字があれば候補を2〜3本に絞れます。
あとは聴いて、自分の原稿に合う声を選んでみてください。
次回は、今回うまく説明できなかった「明るい・落ち着いた」「若い・年配」の印象を、別の数字で当てられるかに挑戦します。