Fish AudioがDrama 3に課す料金
Drama 3は、Fish Audioの演出可能なテキスト読み上げモデルで、2026年10月13日にオープンウェイト、ウェブ・モバイルアプリ、APIで公開されました。モデルそのものについては、Drama 3の概要とDrama 3のレビューで扱っています。この記事は請求額だけを扱います。
私はeeselの連携機能を開発しており、他社のAPI課金ドキュメントを請求書が届く前に金額を予測できるほど細かく読む作業が週の大半を占めます。eesel自身も今年、料金をクレジットプランに移行したので、「クレジットか従量課金か」という議論の両側に立った経験があります。Fish AudioはDrama 3を両方の方式で同時に販売しており、2つの料金表は必ずしも一致しません。
Fish Audioが公開している情報をすべてまとめました（2026年10月14日時点で確認）。
| 支払い方法 | 価格 | 課金単位 | 出典 |
|---|---|---|---|
| API、Drama 3ローンチオファー（10月13日〜11月12日） | $10 | 100万文字あたり | ローンチ記事 |
| API、Drama 3定価 | $50 | 100万文字あたり | ローンチ記事 |
| API、S2.1 Pro | $15 | 100万UTF-8バイトあたり | API料金ドキュメント |
| API、S2.1 Pro Free | $0 | 100万UTF-8バイトあたり | API料金ドキュメント |
| ウェブアプリのプラン | 月額$0 / $15 / $100 / $999 | クレジット、S2.1 Proと同じレート | プランページ |
| セルフホストのオープンウェイト | 年間収益50万米ドル未満は無料 | ライセンス | ローンチ記事 |
まず一つ奇妙な点：公式のAPI料金表には、まだdrama-3が載っていません。現時点ではs2.1-pro、s2.1-pro-free、s2-pro、非推奨のs1が表示され、すべてUTF-8バイト単位の料金です。Drama 3の価格をFish Audioが明記しているのはローンチ記事だけです。
API自体は従量課金で、ドキュメントによれば「no subscription fees or monthly minimums」です。残高をチャージし、リクエストのたびにそこから差し引かれます。
音声1時間の本当のコスト
100万文字あたりの価格は実感しにくいものです。Fish Audioはドキュメントで換算を示しています。100万UTF-8バイトはおよそ英単語18万語、約12時間の音声に相当します。英語では1文字が1バイトなので、100万文字は音声1時間あたり約8万3,000文字になります。この比率を使うと、各支払い方法の1時間あたりのコストは次のとおりです。
目立つ点が2つあります。ローンチ期間中は、APIのDrama 3は、どのプランよりも、置き換え対象の旧モデルであるS2.1 Proよりも1時間あたりで安いことです。11月12日以降は、定価のAPIがProプランとPlusプランのちょうど中間に収まり、「APIはいつも安い」という直感は当てはまらなくなります。
ベンダー間を1時間あたりで比較する際の注意点：各社は独自の読み上げ速度を前提にしています。ElevenLabsのAPIページは1,000文字を約1分、つまり1時間6万文字と換算しますが、Fish Audioの数字は約8万3,000文字になります。下の計算ツールのように1文字あたりで比較し、1時間あたりの数字は目安として扱ってください。
11月12日の価格の崖
Fish Audioのローンチ記事には、11月12日までの2つの別々のキャンペーンがあり、挙動は大きく異なります。
- 開発者向け： APIは10月13日から11月12日まで100万文字あたり$10で、定価$50より80%安くなります。Fish Audioはこれを日付で区切られた期間と説明しているので、残高をいつチャージしたかに関係なく、11月12日以降のリクエストはすべて$50で請求されると考えるのが妥当です。
- クリエイター向け： 新規のPlus、Pro、Maxプランは、月額払いなら初月、年額払いなら初年度が50%オフです。こちらは維持されます。期限前に年額Proを購入すれば、12か月分が$900ではなく$450になります。
Fish Audioはローンチのプレスリリースで、他の音声プロバイダーから乗り換える企業は最初の3か月が無料になるとも述べています。ElevenLabsやCartesiaの大口顧客なら、自分で計算する前に営業へ相談する価値があります。
実用的な私の見立て：音声化したいスクリプトの在庫があるなら、今後4週間がDrama 3が最も安い時期です。過去分は今のうちに生成し、定常運用の予算は$50で見ておきましょう。
自分の数字で計算する
下の計算ツールはFish Audioの公開レートを使い、多くの人が見落とす2つのコスト、括弧内の演出指示と撮り直しを加えられます。スクリプトの種類も選んでください。S2.1 Proの価格が変わるためです（理由は次のセクションで説明します）。
3つの具体例です。すべて英語、1テイク、演出指示なし。
| 用途 | 月間文字数 | 音声 | Drama 3 ローンチ | Drama 3 定価 | S2.1 Pro | Eleven v4 API |
|---|---|---|---|---|---|---|
| 9万語のオーディオブック（1回） | 500,000 | 約6時間 | $5 | $25 | $7.50 | $40 |
| YouTubeチャンネル、1,500語の動画20本 | 約167,000 | 約2時間 | $1.67 | $8.33 | $2.50 | $13.33 |
| 5,000万文字を音声化するプラットフォーム | 50,000,000 | 約600時間 | $500 | $2,500 | $750 | $4,000 |
撮り直しが効いてくるのはオーディオブックの行です。Fish Audio自身の助言は「takes vary, so render a few and keep the one that plays」で、すべてのテイクが課金されます。1章あたり3テイクに演出指示でテキストが20%増えると、定価$25のオーディオブックは$90になります。AI動画スクリプトや長尺ナレーションを大量に制作するなら、単語数ではなくテイク数で予算を組みましょう。
文字数とバイト数：非英語の文字体系の落とし穴
音声予算を承認する前に、プロダクトマネージャーに最も知っておいてほしい点です。Fish AudioはS2.1 Proを100万UTF-8バイトあたり、Drama 3を100万文字あたりで価格設定しています。英語のテキストでは両者は同じです。他の文字体系では違います。UTF-8はほとんどのラテン文字を1バイト、キリル文字、アラビア文字、ヘブライ文字、ギリシャ文字を2バイト、中国語、日本語、韓国語、ヒンディー語、タイ語を3バイトで保存するためです。
つまり、英語圏の記事（私自身のレビューも含む）で見かける「Drama 3はS2.1 Proの3.3倍高い」という表現は、英語にしか当てはまりません。日本語や韓国語のスクリプトでは、Drama 3の定価はS2.1 Proのわずか1.1倍で、ローンチ期間中は4分の1未満です。
正直な留意点が2つあります。Fish Audioはドキュメントの表にdrama-3の行を追加していないため、課金システムが「文字」をどう数えるかは文書化されていません。また、中国語の1文字は英語の1文字より多くの発話を担うため、言語をまたいだ1時間あたりのコストは比較できません。ローカライズしたコンテンツを音声化する場合は、各言語でテストリクエストを1回送り、スケールする前に使用状況ページを確認してください。多言語QAで私が勧める言語ごとの検証の姿勢は、音声予算にも当てはまります。
その他の費目：演出指示、話者タグ、追加機能
Drama 3の目玉機能は、平易な言葉で読み方を演出できることです。Fish Audioのドキュメントは、TTSの価格は「is based on the size of input text」としており、演出指示も入力テキストです。ドキュメントの記述を見る限り、課金されます。
| 行 | 文字数 | 支払う対象 |
|---|---|---|
I'm fine. | 9 | 言葉のみ |
[barely holding it together] I'm fine. | 38 | 言葉に28文字の演出指示を加えたもの |
<|speaker:0|> | 13 | 複数の声を使う場面での、1ターンにつき1回の話者タグ |
この例は極端で、短いセリフに長い演出指示を付けるとコストが4倍になります。実際のスクリプト全体では、軽い演出で10〜25%程度の上乗せです。小さな税金ですが、パイプラインを大量に回すようになったら、演出指示を短く（「[sounding tired after a long day]」ではなく「[tired]」）書くべき理由になります。
Fish Audioが料金ドキュメントで公開しているその他のAPI価格：
- 音声認識：
transcribe-1-proとtranscribe-1は音声1時間あたり$0.36で、無音も含めて秒単位で課金されます。 - Voice Design：
voice-design-1は、複数の候補が返る場合でも、成功したリクエスト1回あたり$0.01です。 - 同時実行数は支払額に連動： 支払額$100未満は同時5リクエスト、$100以上で15、$1,000以上で50です。前払いすればすぐに段階が解放されるため、本番ローンチではスループットのためだけに$1,000をチャージすることになるかもしれません。
そしてDrama 3のドキュメントにある請求の落とし穴：modelヘッダーが欠けていたりスペルミスがあったりしても、リクエストは失敗しません。黙ってs2.1-proにフォールバックし、Drama 3の演技がまったく入っていないS2.1 Proの音声に課金されます。ローンチ期間中は、英語ではこちらのほうが高価なモデルなので、タイプミスは二重に損をします。
Fish Audioのプラン：クレジット、分数、どれが得か
APIを呼ぶ代わりにfish.audioのウェブアプリで作業したいなら、クレジット制の月額プランを支払います。Fish Audioによれば、Drama 3はS2.1 Proと同じクレジットを消費します。
| プラン | 月額 | 年額、通常 | 年額、11月12日前の初年度 | 月間クレジット | プランカード上の分数 | 1時間あたりのコスト（月額） | 知っておくべき点 |
|---|---|---|---|---|---|---|---|
| Free | $0 | $0 | $0 | 8,000 | 最大7 | 該当なし | 1回の生成は500文字、音声クローンなし、商用利用不可 |
| Plus | $15 | $132 | $66 | 250,000 | 最大200 | $4.50 | 1回の生成は15,000文字、商用利用可、Voice Design、プロ用ボイス枠1つ |
| Pro | $100 | $900 | $450 | 2,000,000 | 最大1,620 | $3.70 | チーム席3、1回の生成は30,000文字、プロ用ボイス枠5つ、7日間返金保証 |
| Max | $999 | $8,988 | $4,494 | 25,000,000 | 最大6,250 | $9.59 | チーム席10、プロ用ボイス枠15 |
| Enterprise | カスタム | ボリューム、年額請求 | 該当なし | カスタム | カスタム | 該当なし | ゼロデータ保持、オンプレミス導入、SOC 2 |
プランFAQによれば、未使用のクレジットは繰り越されません。
ここが、ページを3回読み返した部分です。同じFAQは、生成1分あたり「roughly 600 to 625 credits」かかるとしています。1分625クレジットなら、Plusは400分、Proは3,200分、Maxは40,000分になります。プランカードは200分、1,620分、6,250分です。2つは一致せず、差が最も大きいのがMaxです。クレジットで見れば1時間あたり最安のプラン（約$1.50）、カードの分数で見れば最も高いプラン（$9.59）になります。
Drama 3でどちらの数字が正しいかは外から判断できません。私のアドバイスは、予算はカードに記載された分数で立て、FAQはうれしい誤算として扱い、Maxを契約する前にFish Audioの営業に確認することです。カードの記載どおりに見れば、Proが最適で、11月12日前に購入した年額Proなら初年度は1時間あたり約$1.39になります。
セルフホスト：無料のウェイト、ただし収益の上限あり
3つ目の支払い方法は、払わないことです。Drama 3は、Fish Audio Community License v1.0のもと、Hugging Faceでオープンウェイトとして公開されています。ローンチ記事によれば、研究と非商用利用は無料で、本人と関連会社の年間収益が50万米ドル未満なら商用利用も無料です。クライアント向けに完成した音声を作ることは明示的に認められています。上限を超える場合や、Drama 3をTTS、音声クローン、推論APIとして他者に提供する場合は、Fish Audioのライセンスが必要です。
Fish AudioはDrama 3のライセンス料を公表していません。以前のオープンモデルについては、開発者ページがセルフホストをEnterprise契約の月額$10,000として掲載し、「effective floor」は年間$120,000〜$150,000とされています。Drama 3が同じ価格だとは仮定しませんが、桁感はつかめます。
ライセンスに対するコミュニティの反応は賛否ありつつも現実的でした。
"License is a bit lame but I understand they need to make money too lol"
セルフホストのコストのもう半分はハードウェアです。Drama 3は350億パラメータのMixture-of-Expertsモデルで、トークンあたり約30億が有効です。あるRedditユーザーはClaude Opus 5.5の助けを借りて、RTX 3090を2枚、約39GBのVRAMで動かし、他の人たちは量子化版がもっと小さなカードに収まると見ています。
"it's a 35A3B, it will probably run on way smaller cards at the cost of some quality (quants)"
私の経験則：ローンチ価格の$10なら、$100で1,000万文字、英語音声で約120時間が買え、ひと月分ではどのセルフホスト構成もこれには勝てません。定価の$50では、月に数百時間を音声化する、すでにGPUを持っている、音声を自社サーバーに留める必要がある、といった場合にセルフホストが意味を持ち始めます。オープンモデルの運用が初めてなら、代わりにホスト型推論がいくらかかるかを、Hugging Faceの料金ガイドで解説しています。
Drama 3の料金は他とどう比べるか
ここでは、Drama 3を、比較対象になりやすい音声APIと並べます。使うのは各ベンダー自身のページの価格だけです。
| モデル | 100万文字あたりの価格（英語） | オープンウェイト | 無料APIオプション | 詳細 |
|---|---|---|---|---|
| Fish Audio Drama 3、ローンチ（11月12日まで） | $10 | あり、収益上限付き | なし | Drama 3のレビュー |
| Fish Audio Drama 3、定価 | $50 | あり、収益上限付き | なし | Drama 3の概要 |
| Fish Audio S2.1 Pro | $15（100万バイトあたり） | S2ファミリー、研究用ライセンス | あり、S2.1 Pro Free | この記事 |
| Eleven v4 | $80 | なし | 無料プランのクレジット | Eleven v4の料金 |
| Eleven v4 Turbo | $40 | なし | 無料プランのクレジット | ElevenLabsの料金 |
定価でも、Drama 3は1文字あたりEleven v4より約38%安く、表の中でダウンロードできるのはこれだけです。Artificial Analysisの発音テストでもスコアは上でした（93.2%対91.7%）が、音声の好みでは10位で、リスナーが耳で声を選ぶ場合はそこが重要です。価格と品質の意外さを、Xのある返信がこう要約していました。
"open weights beating eleven on pronunciation is wild"
そのほかの選択肢については、Gemini 3.8 Flash TTSの料金、Hume AIの料金、Cartesia Sonic 3を別記事で解説しています。
OpenAIのスタックを使っているなら、OpenAIの音声APIとより広いOpenAI API料金ガイドが基準になります。
ここで価格を調べていないベンダーについては、ElevenLabsの代替サービスのまとめとAI音声企業の一覧で扱っています。
Drama 3の支払い方法の選び方
まとめると、状況ごとに私ならこうします。
- 音声化したい在庫がある： 11月12日前にAPIを使いましょう。1時間あたり約$0.83は、Drama 3が最も安くなる価格です。
- ウェブアプリを使う個人クリエイター： 期限前に年額のPlusかProを購入しましょう。初年度50%オフは、11月12日を越えて残る唯一の割引です。
- 英語の素朴なナレーションを大量に音声化する： 100万バイトあたり$15のS2.1 Proが、11月12日以降もお得です。使わない演技のために3.3倍を払うことになります。
- 中国語、日本語、韓国語を音声化する： 定価のDrama 3は1文字あたりS2.1 Proより約11%高いだけなので、アップグレードはほぼ無料です。先に請求のテストをしてください。
- 年間収益50万米ドル未満でGPUが手元にある： オープンウェイトをセルフホストし、APIは溢れた分に使いましょう。
- ライブの音声サポートを作っている： これは不向きなモデルで、価格の問い方も違います。Fish Audioは、Drama 3が最も力を発揮するのは、一度生成して保存するスクリプト済みのセリフだと述べています。代わりに専用設計のAI音声エージェントとGrok Voice Think Fast 2の料金解説を見てください。サポートの観点では、難しいのは美しい声ではなく正しい回答だという点も忘れずに。音声サポートのまとめでさらに詳しく扱っています。
テキスト読み上げモデルと音声認識モデルがどう組み合わさるかを整理したいなら、Whisper vs TTS APIが良い入門です。
音声の前のスクリプトにeesel
この記事のすべての数字は、スクリプト1文字あたりの価格です。Drama 3は渡されたものを読み上げ、すべての単語、すべての演出指示、すべての撮り直しに課金されます。音声の請求額を減らす最も安い方法は、テイク数が少なくて済む、より引き締まった良いスクリプトです。
それがeeselのAIブログライターの役目です。一次情報からトピックを調べ、ブランドの声で長文記事を書き、画像を生成し、公開できる、または音声への再利用やポッドキャストスクリプトにできる下書きを渡すAIチームメイトです。eeselは数か月間、これを自社のコンテンツエンジンとして運用しており、AI電話サポートのスタートアップにいる顧客のSEOコンテンツ責任者は、こう端的に語っています。
"this is definitely the best seo tool I've used so far"
ローンチ期間の予算をコンテンツの在庫の音声化に使おうとしているなら、先にその在庫をしっかり書きましょう。費用は料金ページで確認し、正直な評価はAIブログライターのレビューで読んでから、eeselを試してみてください。