音声・オーディオAI業界地図 99社 — ElevenLabs・OpenAI・SunoからSupertone・Perso.ai・Qwen3-TTSまで

テキスト生成LLMが定着した現在、最も急速に有料課金とエンタープライズ導入が爆発している領域が音声・オーディオAI（Voice & Audio AI）です。わずか2年前までは機械音の混じるテキスト読み上げ（TTS）にとどまっていた音声AIは、今や3秒の参照音声だけで息遣いや感情の抑揚まで複製するゼロショット・ボイスクローニング、300ms（0.3秒）以内に相槌や割り込み（Barge-in）まで処理するリアルタイム電話・対話エージェント、プロンプト1行でボーカル・伴奏・マスタリング済みの完パケ楽曲を生成するAI音楽スタジオ、口の動き（リップシンク）まで多言語で同期させる動画自動吹き替えの4大産業へと分化しました。

本日公開する音声・オーディオAI業界地図は、米国・グローバル（US/Global）、韓国（KR）、日本（JP）、中国（CN）、欧州（EU）の5地域における中核プレイヤー99社を徹底調査し、△① TTS & Voice Cloning（音声合成・ボイスクローニング） △② Real-Time Voice Agents & STT（リアルタイム音声エージェント・音声認識） △③ AI Music & Sound Effects（AI音楽・ボーカル・効果音） △④ Video Dubbing & Localization（動画吹き替え・リップシンク・多言語ローカライズ）の4カテゴリおよびTier 1 / Tier 2 / Rising / Open Sourceの4ティアに分類。すべての数値に3段階の検証バッジ（✔ 公式確認 / △ 推定・非公開 / ✘ 未確認）と一次出典リンク（src）を収録しています。

• インタラクティブ業界地図はこちら: 音声・オーディオAI業界地図 (/ja/maps/voice-audio-ai/)

---

1. 市場構造：なぜ今「音声・オーディオAI」に資金が集中するのか

オーディオAI市場の収益構造は、大きくクリエイター・メディア制作ツール（月額サブスクリプション課金）と、リアルタイム通話・コンタクトセンター・インフラAPI（分単位・文字単位の従量課金）の2つのエンジンで回っています。

1. TTS＆ボイスクローニングのユニコーン独走とオープンソースの猛追: 欧米拠点のElevenLabsはシリーズCで企業価値33億ドル（約5,000億円）を達成し、ARR（年間経常収益）1億ドル超を突破しました。一方、ローカルGPU 1枚で商用APIの90%以上の品質を出すQwen3-TTS（アリババ）、VoxCPM2（OpenBMB）、GPT-SoVITS、CosyVoice 2、Fish Speech（Fish Audio）、Chatterbox（Resemble AI）などのオープンウェイトモデルが続々と登場し、大量のオーディオブックやゲームNPC音声の生成単価を10分の1以下に引き下げています。 2. リアルタイム音声エージェント（Voice Agent）の「Sub-500ms」戦争: 人間が自然な会話と感じる応答遅延の限界線は300〜500msです。従来のSTT（音声認識）→ LLM（推論）→ TTS（音声合成）の3段パイプラインは平均1.5〜3秒を要していましたが、Cartesia（Sonic・初回音声出力40〜75ms）、Deepgram（Nova-3 + Aura）、OpenAI Realtime API（Speech-to-Speech）、そしてこれらを電話網（SIP/WebRTC）に繋ぐオーケストレーション層のRetell AI・Vapi・Bland AI・LiveKit Agents・Pipecat（Daily）が結合したことで、コールセンター・クリニック予約・物流配車の電話自動化市場が最も急成長するB2B収益源となりました。日本でもPKSHA TechnologyやAmiVoice（アドバンスト・メディア）、Kotoba Technologiesがコンタクトセンター刷新を牽引しています。 3. AI音楽生成の爆発とレコード会社訴訟・ライセンス再編: SunoとUdioは月間数千万曲が生成される巨大プラットフォームへ急成長しましたが、RIAA（全米レコード協会・ユニバーサル／ソニー／ワーナー）から著作権侵害訴訟を提起されました。これを受け、商業広告・ゲーム・放送BGM市場では、ライセンス済みクリーンデータを学習したStability Audio（Stable Audio 2.0）、日本のSoundraw、韓国のPozalabs（ポザラボ）・Neutune（MixAudio）、中国・崑崙万維のMureka（SkyMusic）、そして歌声合成の標準であるVOCALOID6（ヤマハ）やSynthesizer V（Dreamtonics）が法人需要を吸収しています。 4. アニメ・VTuber・Kコンテンツ・越境ECが育てる動画吹き替え＆ローカライズ: YouTubeの多言語オーディオトラック対応以降、クリエイターやメディア企業の吹き替え需要が爆発しました。グローバルではHeyGen（Video Translate）、Rask AI、Sync Labs、ElevenLabs Dubbing Studio、Camb.aiが先行し、韓国・日本勢ではESTsoft（Perso.ai）、Supertone（HYBE傘下）、Typecast（Neosapience）、Naver（Papago Dubbing）、CoeFont、VOICEVOXがショート動画・アニメ・講義輸出の 핵심インフラとして定着しています。

---

2. 4大カテゴリ別・主要プレイヤーの分単価＆遅延時間比較

音声・オーディオAI業界地図に収録された99社のうち、各カテゴリの代表プレイヤーの技術スペックと料金体系は以下の通りです。

| カテゴリ | 代表プレイヤー（地域） | 主要指標・企業価値（検証） | 遅延時間（TTFA/往復） | 代表単価・課金モデル | |---|---|---|---|---| | ① TTS & Voice Cloning | ElevenLabs (US/Global) | 企業価値 $3.3B・ARR $100M+ (✔) | Flash v2.5 約75ms | 月額$5〜$330・約$0.06〜$0.18/分 | | ① TTS & Voice Cloning | Cartesia (US/Global) | 累計調達 $91M・SSM構造 (✔) | Sonic TTFA 約40ms | 月額$5〜$299・超低遅延ストリーミング | | ① TTS & Voice Cloning | Supertone (KR) | HYBEが450億ウォンで買収 (✔) | リアルタイム声変換 約45ms | Shift・Play購読およびB2Bエンタメ契約 | | ① TTS & Voice Cloning | CoeFont / VOICEVOX (JP) | 日本の商用・同人TTS標準 (✔) | スタジオ・ローカル即時合成 | CoeFont月額課金 / VOICEVOXキャラ別規約 | | ① TTS & Voice Cloning | Qwen3-TTS / CosyVoice (CN · OS) | アリババ公開オープンソース (✔) | ストリーミング 約150ms | Apache 2.0 セルフホスト無料（GPU費用のみ） | | ② Voice Agents & STT | Deepgram (US/Global) | 累計調達 $85M+・Nova-3 (✔) | STT <200ms・Aura TTS <150ms | STT $0.0043/分・TTS $0.015/1,000文字 | | ② Voice Agents & STT | Retell AI / Vapi / Bland (US/Global) | 月間数千万件の通話を処理 (△) | E2E対話往復 500〜700ms | 分あたり$0.05〜$0.15（STT+LLM+TTS+通信合算） | | ② Voice Agents & STT | LiveKit Agents (US/Global · OS) | シリーズB $45M・OpenAI音声基盤 (✔) | WebRTCエッジ転送 <100ms | オープンソース無料 + Cloud分単位従量課金 | | ② Voice Agents & STT | PKSHA / AmiVoice (JP) | 日本のAICC・音声認識トップ (✔) | 日本語リアルタイム通話認識 | 席数・通話時間に応じた法人エンタープライズ契約 | | ③ AI Music & SFX | Suno / Udio (US/Global) | Suno $125M調達・企業価値 $500M (✔) | 楽曲生成 15〜30秒 | 月額$10〜$30（有料プランで商用利用権付与） | | ③ AI Music & SFX | Soundraw / Dreamtonics (JP) | 日本発グローバルAI作曲・歌声合成 (✔) | トラック・歌声リアルタイム生成 | Soundraw月額サブスク / Synthesizer V買い切り | | ④ Video Dubbing | HeyGen / Rask AI (US/Global) | HeyGen企業価値 $500M・ARR $35M+ (✔) | リップシンク付き動画翻訳 数分 | 分あたり約$1〜$3クレジット消費・法人プラン | | ④ Video Dubbing | ESTsoft Perso.ai (KR) | 登録者20万人超・K吹き替え首位 (✔) | 多言語話者分離・リップシンク自動化 | 月額サブスク＋分単位クレジット・法人導入 |

---

3. スタック階層図：リアルタイム音声エージェント「1分間の通話原価」の内訳

AIコールセンターや自動電話予約サービスを構築する際、開発者や企画者が最も陥りやすい誤解が「表面上のAPI単価＝実際の分単価」と考えることです。実際の商用環境では5つのレイヤーが同時に課金されます。

• Layer 1 — 音声伝送・WebRTC / SIPトランキング（$0.004 〜 $0.015 / 分）: Twilio、Telnyx、Vonage（電話網接続）およびLiveKit、Daily、Agora（超低遅延WebRTCルーティング、ジッター補正、VAD／エコーキャンセリング）。
• Layer 2 — リアルタイムSTT 音声認識（$0.004 〜 $0.012 / 分）: Deepgram Nova-3、AssemblyAI Universal-2、Gladia、Groq Whisper、Return Zero VITO、CLOVA Speech、AmiVoice。発話終了検知（Endpointing）が100ms遅れるだけで会話のテンポが崩れます。
• Layer 3 — 対話推論LLM（$0.005 〜 $0.040 / 分）: GPT-4o-mini、Claude 3.5 Haiku、Gemini 2.0 FlashなどTTFT 250ms未満の軽量モデルが主力です。あるいはOpenAI Realtime API / Gemini Live / Kyutai Moshiのように音声トークンを直接入出力するネイティブSpeech-to-Speechモデル（分あたり約$0.06〜$0.24）でLayer 2〜4を統合する構成も増えています。
• Layer 4 — 超低遅延ストリーミングTTS（$0.015 〜 $0.060 / 分）: Cartesia Sonic、ElevenLabs Flash v2.5、PlayHT、Rime AI、OpenAI TTS。
• Layer 5 — 音声オーケストレーション基盤（$0.05 〜 $0.09 / 分 基本料＋原価パススルー）: Vapi、Retell AI、Bland AI、Synthflow。割り込み（Barge-in）制御、通話録音、関数呼び出し（予約・決済API連携）をターンキーで提供しますが、パススルー費用を合算すると実際の1分あたりの総原価は $0.09 〜 $0.22 / 分に収斂します。

---

4. 商用API vs オープンソース（Open Weights）損益分岐点とライセンスの落とし穴

ここ1年で中国・グローバルのオープンソース音声モデルの躍進は目覚ましいものがありますが、コードのライセンス（Apache/MIT）とモデル重み（Weights）の商用利用条件が異なるケースが多いため、導入前の確認が不可欠です。

1. 商用利用が自由な（Apache 2.0 / MIT）主要オープンソース:

• Qwen3-TTS / CosyVoice 2（アリババ FunAudioLLM）: 日・英・中・韓を含む多言語ゼロショットクローニングと感情ストリーミング合成に対応し、Apache 2.0で商用サービスへの組み込みが可能です。
• GPT-SoVITS（RVC-Boss）: わずか5秒〜1分の音声ファインチューニングで日・英・中・韓トップクラスの声質複製力を発揮するMITライセンスモデルです。
• Chatterbox（Resemble AI）＆ F5-TTS ＆ Kokoro-82M: MIT / Apache 2.0ベースで、ローカルのRTX 4090 / L40S 1枚で数十本の同時ストリームを処理します。
• VOICEVOX（ヒホ氏）: エンジン自体はLGPLですが、キャラクターボイス（ずんだもん等）ごとに商用利用・クレジット表記規定が個別設定されているため、キャラクター別の規約確認が必須です。

2. 非商用制限（CC-BY-NC）または別途法人契約が必要なモデル:

• Fish Speech（Fish Audio）: コードはオープンソースですが、最新モデル重みの一部にCC-BY-NC-SA 4.0（非商用）が適用されており、商用展開には公式APIまたは商用ライセンスが必要です。
• Meta AudioCraft（MusicGen / AudioGen）およびStability Stable Audio Open: コード（MIT）とは異なりモデル重みはCC-BY-NC 4.0（非商用）のため、自社サーバーに載せて有料顧客に音源を販売する行為は規約違反となります（商用利用はStability Audio公式API等が必要）。

---

5. ディープフェイク規制・声優のパブリシティ権・プラットフォーム規約の安全線

• 無断ボイスクローニング禁止と本人認証（Voice Captcha）の義務化: 米国FTCの執行やテネシー州ELVIS法（2024年施行 — アーティストの声の無断AI複製までパブリシティ権保護を拡大）、欧州AI法の透明性義務を受け、ElevenLabs、OpenAI Audio、Supertone、Typecast、CoeFontなどの主要商用プラットフォームは、第三者の声をクローニングする際にリアルタイムの指定文読み上げ（Voice Captcha）による本人同意確認と非可聴電子透かし（AudioSeal / C2PA）を義務付けています。日本でも日本俳優連合（日俳連）などが生成AIによる声優の声の無断学習・無断利用に対するガイドライン整備と権利保護を強く求めています。
• YouTube・TikTok・SpotifyのAI音声・音楽ラベリングと収益化ポリシー: YouTubeは実在の人物の声や顔を合成したコンテンツに対し「改変または合成されたコンテンツ」ラベルの表示を義務化しており、SpotifyやApple Musicなどの音楽配信プラットフォームはボットを用いたAI音源のストリーミング水増しやアーティストなりすましトラックを即時削除・収益凍結しています。
• 無料プラン生成物の商用利用禁止条項: Suno、Udio、ElevenLabs、Typecastなど大半の生成オーディオサービスは、無料プラン（Free tier）で生成した音源・音声に商用利用権（YouTube収益化、広告配信、クライアント納品）を付与していません。必ず有料サブスクリプション期間中に生成されたアセットである証拠（領収書・生成ログ）を保管しておく必要があります。

---

6. 音声・オーディオAI業界地図の使い方

今回の音声・オーディオAI業界地図では、以下のフィルタとソート機能をそのままお使いいただけます。

• カテゴリフィルタ（cat）: ① TTS & Voice Cloning · ② Real-Time Voice Agents & STT · ③ AI Music & Sound Effects · ④ Video Dubbing & Localization（サブカテゴリを含むチェックボックス対応）
• 地域フィルタ（region）: US/Global · KR · JP · CN · EU
• ティアフィルタ（tier）: Tier 1 · Tier 2 · Rising · Open Source
• 検証バッジ（v）と詳細展開: 各行をクリックすると、設立年・運営会社・累計調達額／企業価値・遅延時間・分単価／月額料金・オープンソース／ライセンス条件・一次出典リンク（src）が展開されます。

👉 音声・オーディオAI業界地図（全99社）を今すぐ見る