← 業界マップ一覧
音声・オーディオAI業界地図（TTS・リアルタイム音声エージェント・音楽生成・動画吹替）
米国/グローバル・韓国・日本・中国・欧州の音声・オーディオAI主要プレイヤー99社・プロジェクトを一つの表に集約しました。① 超低遅延・感情表現TTS＆ボイスクローン（ElevenLabs、OpenAI Audio、Cartesia、Fish Audio、Supertone、Typecast、VOICEVOX、CoeFont、Qwen3-TTS等）→ ② リアルタイム音声エージェント＆超高速STT基盤（Deepgram、AssemblyAI、LiveKit、Vapi、Retell AI、Bland AI、PKSHA、AmiVoice、Kotoba等）→ ③ AI音楽生成・歌声合成・効果音（Suno、Udio、Stability Audio、ヤマハVOCALOID6、Synthesizer V、SOUNDRAW、Pozalabs、Mureka、ACE-Step等）→ ④ 多言語動画吹き替え＆リップシンク（HeyGen、Rask AI、ESTsoft Perso.ai、Papago Dubbing、Sync Labs、CAMB.AI等）まで全バリューチェーンを網羅。地域（US/Global、KR、JP、CN、EU）・カテゴリ（cat 1〜4）・ティア（Tier 1、Tier 2、Rising、Open Source）・3段階検証バッジ（✔ 公式確認 / △ 推定・非公開 / ✘ 未確認）で即座に絞り込めます。
業界を要約する重要数値
300ms · 75ms人間らしい自然な相槌・ターンテイキングの境界線300ms — Cartesia Sonic（40〜90ms）・ElevenLabs Flash（75ms）・OpenAI Realtime S2Sが電話応答AIの実用化壁を突破 · ✔
$3.3B · $200M+ElevenLabsがシリーズCで企業価値$3.3B（約5,000億円）・推定ARR $200M超を達成 — TTS・吹き替え・効果音・対話型エージェントを垂直統合 · ✔
$0.05〜$0.15/分AI電話エージェントの1分あたり総コスト（STT＋LLM＋TTS＋WebRTC/SIP合算） — 人間のオペレーター人件費（$1.00〜$2.50/分）を85〜95%削減 · △
1,200万人+ · $500MSunoの累計クリエイターが1,200万人を突破し企業価値$500Mに到達 — RIAA著作権訴訟の渦中でもAIボーカル作曲の大衆化とオープンソース（ACE-Step・YuE）が急拡大 · ✔
90%削減 · 175言語AI動画吹き替え＆リップシンク（HeyGen・Rask AI・Perso.ai・Sync Labs）が従来のスタジオ吹き替え費用（1分$50〜$150）を$1〜$3に圧縮 · ✔
99プレイヤー · 4大領域① TTS & Voice Cloning（39）・② Real-Time Voice Agents & STT（25）・③ AI Music & SFX（19）・④ Video Dubbing（16）を日・米・韓・中・欧で完全網羅 · ✔
カテゴリの分類軸 — 「4大コア領域(cat)」×「地域(region)」×「ティア(tier)」×「データ検証(v)」
音声・オーディオAI市場は単なるテキスト読み上げから脱却し、感情豊かな声を合成・複製し（① TTS & ボイスクローン）→ 300ms以内で聞き取り・考え・電話応対し（② リアルタイム音声エージェント & STT）→ フルボーカル楽曲や著作権クリーンなBGM・効果音を作曲し（③ AI音楽 & SFX）→ 映像内の人物の口元まで合わせて175言語へローカライズする（④ 動画吹き替え & リップシンク）4大バリューチェーンへと再編されました。本社所在地に基づく5大地域（US/Global、KR、JP、CN、EU）、市場ポジション別の4大ティア（Tier 1、Tier 2、Rising、Open Source）、および3段階検証バッジ（✔ 公式確認 / △ 推定・報道 / ✘ 未確認・噂）で厳密に分類しています。
① TTS & Voice Cloning（音声合成・ボイスクローン）ElevenLabs · OpenAI Audio · Cartesia · PlayHT · Fish Audio · Supertone · Typecast · Qwen3-TTS · CosyVoice 2 · GPT-SoVITS · Hume AI · Murf · Rime · CLOVA Voice · VOICEVOX · CoeFont · MiniMax Audio · Seed-TTS · Kokoro-82M 等。わずか数秒の音声から声質・抑揚を再現し、40〜90msでストリーミング出力。
② Real-Time Voice Agents & STT（リアルタイム音声エージェント・音声認識）Deepgram · AssemblyAI · LiveKit Agents · Vapi · Retell AI · Bland AI · OpenAI/Groq Whisper · Gemini Live · Gladia · Speechmatics · Pipecat · Return Zero · CLOVA Speech · PKSHA · AmiVoice · Kotoba · iFlytek · SenseVoice · Kyutai Moshi 等。割り込み発話（Barge-in）制御、SIP電話連携、超高速文字起こし。
③ AI Music & Sound Effects（AI音楽生成・歌声合成・効果音）Suno · Udio · Stability Audio · ElevenLabs SFX · Google Lyria（MusicFX） · Meta MusicGen · SOUNDRAW · AIVA · Boomy · Pozalabs · Neutune · Mubert · ヤマハVOCALOID6 · Synthesizer V · Kunlun Mureka · ByteDance海綿音楽 · 網易天音 · ACE-Step/YuE 等。4分フル楽曲から商用クリーンBGMまで。
④ Video Dubbing & Localization（動画吹き替え・リップシンク）HeyGen Video Translate · Rask AI · ESTsoft Perso.ai · NAVER Papago Dubbing · ElevenLabs Dubbing Studio · Sync Labs · CAMB.AI · Papercup · Deepdub · Dubverse · Hudson AI · Voithru · Twigfarm · CapCut AI吹き替え · Panjaya · Sieve 等。BGM分離・声質維持翻訳と4K口元（リップシンク）再合成。
フィルター＆検証バッジ（✔ / △ / ✘）ガイド· 地域 (region):
US/Global（米国・グローバル）、KR（韓国）、JP（日本）、CN（中国）、EU（英国・仏・独・ルクセンブルク・スウェーデン等の欧州）の5地域でフィルタリングできます。· ティア (tier): Tier 1（ユニコーン・ビッグテック・市場リーダー）、Tier 2（法人・領域別有力企業）、Rising（急成長スタートアップ）、Open Source（重み公開モデル・基盤）の4段階。· 3段階データ検証バッジ (v): ✔ 公式発表・決算公示・料金表・GitHubで一次確認済み / △ メディア報道・非公開企業の推定ARRや企業価値 / ✘ 未発売・噂・公式未確認の対照群。プレイヤー一覧表
地域 (Region)
カテゴリ
ティア (Tier)
データ検証
詳細領域
主要機能
アーキテクチャ
収益モデル
所有構造
並び替え
| # | 名前 | 地域 | カテゴリ | ティア | 主な用途・性能 | 代表指標・企業価値 | 収益モデル | 検証 |
|---|
行をクリックすると本社所在地・運営元・遅延性能・料金単価・著作権ライセンス・最新トレンド・一次出典(src)リンクが展開されます。
市場規模およびレイテンシ・単価ベンチマーク
| セグメント・指標 | 数値・レンジ | 定義・算出根拠（2025〜2026基準） | 検証 |
|---|---|---|---|
| 世界の音声・オーディオ生成AI市場全体 | 約$6.5B〜$9.2B（2026予測）・年平均34%+成長 | クラウドTTS、リアルタイム音声エージェント基盤、AI音楽・効果音、動画吹き替えSaaS売上合算 | △ |
| リアルタイム音声エージェント（AIコールセンター・AICC）市場 | 約$2.4B〜$3.8B（2026予測）・1分あたり原価$0.05〜$0.15 | Deepgram・LiveKit・Vapi・Retell AI・Bland AIおよび法人AICC導入推計 — 従来のIVRや有人BPOを急速に代替 | △ |
| 超低遅延ストリーミングTTS 初回バイト遅延（TTFB） | 40ms〜90ms（SSM / Flashモデル基準） | Cartesia Sonic（40〜90ms）・ElevenLabs Flash v2.5（75ms）・Rime Mist（<100ms）公式ベンチマーク | ✔ |
| 超高速STT（音声認識）文字起こし単価＆精度 | 1分あたり$0.0007〜$0.0077・英語WER約5% / 日本語・韓国語CER 4〜6% | Groq Whisper Turbo（$0.04/時間）・Deepgram Nova-3（$0.0043/分）・AmiVoice・CLOVA Speech公式単価 | ✔ |
| AI音楽生成プラットフォーム 生成規模＆月額料金 | 月間数千万曲生成・個人Pro月額$10〜$30 | Suno（累計1,200万ユーザー・企業価値$500M ✔）・Udio・SOUNDRAW・Mureka公式料金 — 4分フル楽曲1曲あたり約$0.02〜$0.05 | ✔ |
| AI動画吹き替え＆リップシンク コスト削減率 | 1分あたり$1.00〜$3.50（従来スタジオ比90%以上削減） | HeyGen・Rask AI・Perso.ai・Sync Labs・ElevenLabs公式単価 — 従来の声優スタジオ収録（1分$50〜$150）を数分で自動化 | ✔ |
ビジネスモデル — 音声・オーディオAIの6大収益モデル
| 収益モデル | 代表プレイヤー・課金単位 | 構造的特徴および収益性トレンド |
|---|---|---|
| ① 文字数・クレジット従量制TTSサブスク＆API | ElevenLabs（月$5〜$330・1,000文字$0.05〜$0.18）・OpenAI Audio（$15/1M文字）・Typecast・Supertone Play | 最も一般的な音声生成課金。オープンソース（Kokoro・Fish Speech・Qwen3-TTS）の台頭による単価下落圧力を、声質クローン枠や感情制御・スタジオ機能でカバー |
| ② 音声エージェント1分単位オーケストレーション課金 | Vapi・Retell AI・Bland AI・Synthflow（基本$0.05〜$0.09/分＋STT/LLM/TTS/通信費パススルー合算で$0.09〜$0.18/分） | 複雑なWebRTCやSIP電話網連携、割り込み検知をAPI化。人間のオペレーター人件費（$1〜$2/分）と比較されるため法人の支払意欲が非常に高い |
| ③ ネイティブSpeech-to-Speech（S2S）オーディオトークン課金 | OpenAI GPT-4o Realtime API（入力$40/1M・出力$80/1Mトークン、Miniは1/4）・Google Gemini 2.0 Live API | STT→LLM→TTSを単一モデルに統合し笑い声や感情を保持。対話品質は最高峰だが、長時間の通話では文脈蓄積によりトークン費用がかさむためVAD最適化が必須 |
| ④ AI音楽クリエイターサブスク vs 著作権クリーンB2Bライセンス | Suno・Udio・Mureka（月$10〜$30）↔ Stability Audio・SOUNDRAW・Pozalabs・AIVA（著作権安全B2B契約） | Suno・Udioが大衆市場を席巻する一方、RIAA訴訟リスクを避けたい放送局・ゲーム会社・広告代理店は100%自社制作/正規許諾データ学習モデルと法人契約を締結 |
| ⑤ 動画吹き替え・4Kリップシンク1分単位クレジット課金 | HeyGen（月$29〜$39）・Rask AI（月$60〜$750）・ESTsoft Perso.ai・Sync Labs（$1.50〜$3.00/分）・Sieve | 音声のみの吹き替え（約$0.50/分）に4Kリップシンク再合成（+$1.50〜$2.50/分）を上乗せして高粗利を確保。一方CapCut Pro（月$10〜$20）のバンドル攻勢が脅威に |
| ⑥ 声優・アーティストIPマーケットプレイス＆印税分配 | ElevenLabs Voice Library・Supertone（HYBE IP）・CoeFont・Synthesizer V / VOCALOIDボイスバンク・Respeecher | 実在の声優・歌手・著名人が声を登録し、合成されるたびにロイヤリティを受け取るかボイスバンクとして販売する合法的エコシステム |
スタック比較 — リアルタイム音声エージェント構築の4大アーキテクチャ
AI電話オペレーターや対話型アバターを構築する際の4つの技術スタックにおける遅延時間（Latency）・分単価・特徴の比較です。
| 構築アーキテクチャ | 代表的な組み合わせ（スタック） | 往復遅延 (E2E Latency) | 1分あたり総コスト | 強みとトレードオフ |
|---|---|---|---|---|
| ① モジュール型パイプライン（STT + LLM + TTS 組み合わせ） | LiveKit Agents / Pipecat + Deepgram Nova-3 + GPT-4o-mini/Claude + Cartesia Sonic / ElevenLabs Flash | 約350ms〜600ms | 約$0.04〜$0.08/分 | テキストログ監査、関数呼び出し（Tool Use）、ハルシネーション制御、ベンダー差し替えが最も自在で法人本番導入シェア1位 |
| ② マネージド音声エージェント基盤（ターンキーAPI） | Retell AI / Vapi / Bland AI（最高性能のSTT・LLM・TTSおよびTwilio/SIP電話網を内部統合） | 約400ms〜700ms | 約$0.09〜$0.18/分 | 電話網連携や割り込み処理、CRM Webhookが構築済みで、個人開発者やスタートアップが1日でAIコールセンターを立ち上げ可能 |
| ③ ネイティブSpeech-to-Speech（単一S2Sモデル） | OpenAI GPT-4o Realtime API / Google Gemini 2.0 Live / Kyutai Moshi（オープンソース） | 約200ms〜350ms | 約$0.06〜$0.30+/分 | テキスト変換を介さず声のトーンやささやきまで即座に反映。最も人間らしい相槌が可能だが、長時間通話のコスト制御には工夫が必要 |
| ④ フルオープンソース自社GPUホスティング | LiveKit + Faster-Whisper / SenseVoice + vLLM (Llama/Qwen) + Fish Speech / Kokoro-82M / Orpheus | 約400ms〜800ms（GPU依存） | 約$0.01〜$0.02/分（計算原価） | 外部クラウド送信が禁止された金融・防衛・医療機関のオンプレミス環境および大量コール処理で限界費用を極小化 |
主要投資・M&A・オープンソース年表（2024〜2026）
| 時期 | プレイヤー・出来事 | 規模・戦略的意味 | 検証 |
|---|---|---|---|
| 2022-01 | HYBE → Supertone（スーパートーン）買収 | 約450億ウォン（$32M+）出資・子会社化 — K-Popアーティストの多言語歌唱・音声AI技術を内製化 | ✔ |
| 2024-05 | Suno シリーズB $125M大型調達 | Lightspeed・Nat Friedman等が出資し企業価値$500M — フルボーカルAI作曲の大衆化を牽引 | ✔ |
| 2024-06 | RIAA（全米レコード協会）、Suno・Udioを著作権侵害で提訴 | ユニバーサル・ソニー・ワーナーの3大メジャーが1曲最大$150,000の損害賠償を求め提訴 | ✔ |
| 2024-06 | HeyGen シリーズA $60M調達（企業価値$500M） | Benchmark主導 — 175言語動画翻訳と高精度リップシンクが世界的にバイラルヒット | ✔ |
| 2024-07 | 欧州Kyutai、フルデュプレックス音声モデル『Moshi』公開 | 200ms遅延のネイティブSpeech-to-Speechモデルのオープン重みを公開 | ✔ |
| 2024-10 | OpenAI Realtime API & Advanced Voice 正式公開 | GPT-4oネイティブ音声入出力APIの解放によりリアルタイム音声エージェント開発が爆発的普及 | ✔ |
| 2024-12 | Cartesia シリーズA $64M調達 | Index・Lightspeed等が出資 — Mamba SSM基盤で40〜90ms超低遅延を実現した『Sonic』が急拡大 | ✔ |
| 2025-01 | ElevenLabs シリーズC $180M調達（企業価値$3.3B） | a16z・ICONIQ主導で企業価値約5,000億円に — TTS王者から対話型AIエージェント基盤へ拡張 | ✔ |
| 2025-02〜 | Qwen3-TTS・CosyVoice 2・Kokoro-82M・ACE-Step オープンソースラッシュ | アリババやStepFun、OSSコミュニティが商用SaaS級の軽量TTS・フル楽曲生成モデルをApache 2.0で相次ぎ公開 | ✔ |
音声・オーディオAI 7大コアトレンド（2025〜2026）
- 「朗読（Reading）」から「演技（Acting）」と「300msリアルタイム対話（Conversing）」へ: 単なるテキスト読み上げTTSはオープンソース（Kokoro-82M等）で完全にコモディティ化し、有料市場の付加価値は笑い・ためらい・感情演技（Hume、ElevenLabs、Supertone、Hudson AI）と300ms以内の電話対話（Cartesia、OpenAI Realtime）へ移行しました。
- モジュール型パイプライン（STT+LLM+TTS）とネイティブS2Sの共存: GPT-4o RealtimeやGemini Liveが登場したものの、企業のコールセンターでは依然として監査ログ（Audit Trail）管理やハルシネーション抑止、コスト最適化に優れるモジュール型（Deepgram + LLM + Cartesia/ElevenLabs on LiveKit/Vapi/Retell）が主流を占めています。
- SSM（状態空間モデル）アーキテクチャの台頭: スタンフォード大Mamba開発陣が創業したCartesiaが証明した通り、長時間音声ストリーミングではTransformerよりもメモリ効率と初回音声遅延（40〜90ms）が安定するSSMハイブリッドモデルが音声エージェントの新標準となりました。
- AI音楽の二極化 — 「大衆向けヒット生成（Suno・Udio）」vs「著作権クリーンB2B（Stability・SOUNDRAW・Pozalabs）」: RIAA訴訟が長期化する中、個人クリエイターはSuno・Udio・Murekaでボーカル曲を作り、放送局・ゲーム会社・広告代理店は100%正規許諾/自社音源で学習したクリーンモデルを採用する棲み分けが定着しました。
- オープンソース音声・音楽モデルの猛追: アリババ（CosyVoice 2、SenseVoice、Qwen3-TTS）、Fish Speech、GPT-SoVITS、Kokoro-82M、フル楽曲生成のACE-StepなどがApache 2.0/MITで公開され、ローカルGPU 1枚で商用APIに匹敵するクローンや音楽生成が可能になりました。
- 動画吹き替えの終着点は「全身ビジュアル同期（リップシンク＆身振りリタイミング）」: 音声の差し替えだけでなく、口元（HeyGen、Sync Labs、Perso.ai）、呼吸と身振りのテンポ再同期（Panjaya BodyTalk）、スタジアム歓声を残したスポーツ実況同時吹き替え（CAMB.AI）が実用化されました。
- 音声ディープフェイク防御と非可聴透かし（ウォーターマーク）の義務化: 特殊詐欺や著名人なりすましを防ぐため、Google SynthID、Meta AudioSeal、Resemble Detectなどの高速透かし・検知技術と本人同意認証（KYC）が全商用プラットフォームの必須要件となっています。
地域・領域別の注目プレイヤー6選
米国 / グローバル — ElevenLabs & Cartesia
- ElevenLabs（企業価値$3.3B）：感情表現TTS・吹き替え・効果音・対話エージェントを統合した絶対王者
- Cartesia（Sonic）：Mamba SSM基盤の40〜90ms超低遅延ストリーミングで音声エージェント市場を席巻
あわせて注目: OpenAI Audio · Deepgram · LiveKit · Suno · HeyGen
日本 (JP) — VOICEVOX · Synthesizer V · PKSHA · SOUNDRAW
- VOICEVOX & CoeFont：ずんだもん解説動画ブームを支える無料OSSと、声優権利保護型マーケットプレイスの双璧
- Synthesizer V（Dreamtonics）& ヤマハVOCALOID6：J-Pop制作や重音テトSV等のメガヒットを生むAI歌声合成の最高峰
- PKSHA & AmiVoice & Kotoba：日本の金融コールセンターAICC・議事録STT・同時通訳モデルを牽引
あわせて注目: SOUNDRAW（日本発・世界展開の倫理的AI音楽） · CeVIO AI
韓国 (KR) — Supertone · Typecast · Return Zero · Perso.ai
- Supertone（HYBE）& Typecast：K-Pop多言語歌唱合成と感情豊かなキャラクター演技TTSの二大巨頭
- Return Zero（VITO）& NAVER CLOVA：韓国語STT・AI議事録（CLOVA Note）およびPapago吹き替え基盤を主導
- ESTsoft（Perso.ai）& Pozalabs：Kコンテンツの4Kリップシンク動画翻訳と100%著作権クリーンAI音楽
あわせて注目: NC AI VARCO Voice · ActionPower（Daglo） · Hudson AI · Voithru
中国 (CN) — Fish Audio · CosyVoice 2 · MiniMax · CapCut
- Alibaba（CosyVoice 2 / SenseVoice / Qwen）& GPT-SoVITS：世界のオープンソース音声クローン・認識コミュニティを支える中核
- Fish Audio & MiniMax Audio：世界トップクラスの多言語ゼロショットTTSとして開発者・オーディオブック市場で急成長
- CapCut（ByteDance）& Mureka（崑崙万維）：MAU 5億人の動画編集アプリ内蔵吹き替えとフル楽曲生成モデル
あわせて注目: iFlytek · ACE-Step / YuE · IndexTTS（Bilibili）
欧州 (EU) — Kyutai · Gladia · Speechmatics · Stability Audio
- Kyutai（フランス）：200msフルデュプレックス音声モデル『Moshi』をオープン公開した欧州AI研究所
- Speechmatics（英国）& Gladia（フランス）：50〜100言語超のコードスイッチングに強い法人向け高精度STT
- Stability Audio（英国）・Papercup（英国）・AIVA（ルクセンブルク）：クリーン音源生成・放送局向け吹き替え・MIDI作曲
あわせて注目: Synthflow AI（ドイツ） · Soniox · Acapela
オープンソース — Whisper · LiveKit · Pipecat · Kokoro-82M
- OpenAI Whisper & SenseVoice：あらゆる音声パイプラインの出発点となったオープン重みASR標準
- LiveKit Agents & Pipecat（Daily）：リアルタイム音声エージェントを構築する2大オープンソースWebRTCフレームワーク
- Kokoro-82M・F5-TTS・Orpheus：わずか8,200万〜30億パラメータで商用APIに迫る品質を実現したローカルTTS革命
あわせて注目: GPT-SoVITS · Meta AudioCraft · Dia-1.6B
変更点
- 公開初版（日・米・韓・中・欧の4大カテゴリー99社・3段階データ検証バッジ ✔/△/✘ および1次出典リンク・分単価/遅延時間/オープンウェイトライセンス/規約安全線比較・トキ新規スタジオカバー適用・4言語同時公開）。
※ 一部のツールリンクにはアフィリエイトリンクが含まれており、追加費用なしで報酬を受け取る場合があります。
事業者情報
- 商号
- Abover Co., Ltd.
- 所在地
- 302-1128 (Sejong Plaza), 25 Jangcha-ro 13beon-gil, Gochon-eup, Gimpo-si, Gyeonggi-do, Republic of Korea
- 事業者登録番号
- 361-86-03930
- 規約・ポリシー
- 利用規約 · プライバシーポリシー
© 2026 ainewground · 発行 Abover Co., Ltd.