Gradium、音声生成ツール Voice Design を公開──7,627 件の比較テストで ElevenLabs を上回る勝率を記録
テキストプロンプトから合成音声を数秒で生成可能にし、全プランで無料で提供することで音声エージェント開発における調達・ライセンスコストを削減する。
リリース: 2026-09-08 · 読了 3 分記事の要約
1. 核心（What）
- テキストのプロンプト記述から数秒で完全に新規の合成音声を生成する Voice Design 機能が Studio と API でライブ公開された。
- 英語・フランス語・ドイツ語・スペイン語・ポルトガル語の 5 言語に対応し、 Québécois（ケベック・フランス語）などで 97% の勝率を記録した。
- ネイティブ話者による 7,627 件のブラインドペアワイズ比較において、Gradium は 72.6% の勝率で ElevenLabs v3（59.0%）などを上回った。
- API はプロンプトごとに最大 5 つの候補音声を返し、選択後に返される安定した voice_id を既存のストリーミング TTS エンドポイントに組み込んで利用できる。
2. 影響（Why）
- 法的・調達コストの圧縮: 実在の声優との個別の許諾契約やレベニューシェアが不要な完全合成音声のため、複数の地域アクセントを導入する際の実装負担を劇的に軽減する。
- 国内マルチリンガル展開への寄与: 国内の音声対話 SaaS 事業者は、高精度な地域アクセントを持つ音声を無料枠から直ちに組み込み、グローバル展開の検証スピードを高めることができる。
3. 根拠・詳細（How）
- ストリーミング TTS エンドポイントの統合設計: 選択した候補音声から発行される安定した voice_id を既存のストリーミング TTS エンドポイントに渡すことで、通常のカタログ音声と同一のレイテンシと出力フォーマットで動作する。
- ブラインド比較テストの検証手法: ネイティブ話者 7,627 件のペアワイズ評価および Gemini 3.1 Pro を用いた 1-5 スケールの LLM 評価により、方言アクセント保持の精度を実証している。
4. 展望・課題（Next）
- 非決定的サンプリングの注意点: 音声生成のサンプリングが非決定的であるため、選定した音声は生成時に voice_id を確実に保存しなければプロンプト単体から同一音声を再生成できない。
- 対応言語の拡張: 現在は欧州主要 5 言語に限定されているため、今後のアジア圏言語への対応が日本市場における利用拡大の鍵となる。