MiniMax Audio（ミニマックス・オーディオ）

従量課金制。読み上げは1,000文字あたり約0.06ドル（Turbo版）〜0.1ドル（HD版）。声のクローンは1声あたり1.5ドルです。

MiniMax Audioは、前作の音声生成AIチャプターでも紹介した中国MiniMax社の音声合成のAPI版です。

日本語を含む40以上の言語に対応し、約10秒の音声サンプルから声のクローンを作れる手軽さも特徴です。

通常、声のクローンには数十分の音声データが必要とされてきたことを考えると、この手軽さは驚異的と言えます。

笑い声やため息といった感情表現をタグで指定できる最新モデルも投入されており、「棒読みではない音声」を作れる点が支持されています。

料金は読み上げが1,000文字あたり約0.06ドル（高速版）〜0.1ドル（高品質版）、声のクローンが1声あたり1.5ドル。

ElevenLabsのAPI（1,000文字あたり約0.04〜0.08ドル）と比べると、同じくらいか、やや高い水準です。MiniMax社は動画生成のHailuoも手がけており、音声と動画を1社で揃えられる利点もあります。

日本語の品質評価が高いため、日本向けのアプリでも実用的な選択肢になります。なお、同じMiniMax社が提供していた音楽生成のAPIは、2026年8月20日をもって新規の利用申し込みを終了しました。すでに使っている人は継続できます。これから組み込む場合も、Chapter 5で紹介したfal.ai経由なら、MiniMaxが2026年8月に公開した音楽モデル「MiniMax Music 3」（歌声入りで最長5分）を、1秒あたり0.002ドル（3分の曲で約0.36ドル）で使えます。ただし、日本語の歌詞にどこまで対応しているかは公式の説明に書かれていませんので、まず短い曲で試してください。

日本の検証記事では「日本語環境では現時点で最も性能の高い音声AIの一つ」と評価されており、日本語読み上げアプリの有力な対抗馬になっています。

音声で会話するAIアプリの基盤としての採用実績も増えており、コストを抑えつつ実用品質を確保したい開発者から支持を集めています。

大量のナレーションを生成する用途では「ElevenLabsだと予算が持たないが、MiniMaxなら成立する」という声もありました。ただし2026年9月下旬にElevenLabsが値下げしたため、今は料金だけで選ぶほどの差はありません。

注意点は2つあります。

1つは、声のクローンに厳格な本人確認の仕組みがないため、他人の声を無断で複製することのないよう、権利面の配慮はあなた自身の責任になること。

もう1つは、中国系サービスとしてのデータの取り扱いです。この2点を許容できる用途であれば、日本語の品質を重視するあなたにとって有力な選択肢です。

まずは短い文章で日本語の品質を確かめ、ElevenLabsとの差が許容範囲かどうかを判断してみてください。