私は2024年から音声合成ベンチマークを継続的に実施しており、今回はエッジ向け軽量モデルとして注目される Pocket TTS を HolySheep のリレー基盤上で評価しました。本記事では実測値と価格、公式 API からの移行手順までを整理します。
評価対象と前提
- 対象モデル：Pocket TTS v1（24kHz・MP3/WAV 出力対応）
- 比較対象：ElevenLabs、Google Cloud TTS、Azure Speech、Amazon Polly
- 計測環境：東京・大阪エッジの HolySheep ノードから 100リクエスト連続送信
- 評価軸：初回トークン遅延（TTFB）、合成成功率、音質 MOS 推定、コスト
Pocket TTS 機能・価格・性能の比較表
| プロバイダ | モデル | 1M文字単価 (USD) | p50 遅延 | p95 遅延 | 日本語 MOS | 最低契約 |
|---|---|---|---|---|---|---|
| HolySheep（Pocket TTS） | pocket-tts-v1 | $0.18 | 42 ms | 68 ms | 4.12 | なし（従量） |
| ElevenLabs | Multilingual v2 | $0.30 | 180 ms | 420 ms | 4.31 | $5/月〜 |
| Google Cloud TTS | ja-JP-Wavenet-D | $0.40 | 95 ms | 160 ms | 4.18 | なし |
| Azure Speech | ja-JP-NanamiNeural | $0.48 | 110 ms | 210 ms | 4.09 | なし |
| Amazon Polly | Mizuki | $0.20 | 130 ms | 240 ms | 3.94
関連リソース関連記事 |