テキスト読み上げ製品のほとんどは、UI をかぶせた API です。テキストを貼り付けると サーバーへ送られ、音声が返ってきて、文字数で課金される。音絵は逆の作りに なっています。モデルはあなたのマシンで動きます。
この選択には実際のコストがあり、そこは正直に書いておく価値があります。
コスト：最初のダウンロード
音声モデルは大きなものです。初めて使うときはダウンロードを待つことになり、 ディスク容量も実際に消費します。これは避けられません。モデルを手元に置くための 対価です。
その代わりに得られるもの
文字数で課金されない。 モデルがディスクに載ってしまえば、9 万語のオーディオ ブックを生成するコストは、一文を生成するコストとまったく同じ——ゼロです。長尺の 仕事でいちばん効いてくる違いであり、価格ページに利用量の段階が一切ない理由でも あります。
原稿がマシンから出ない。 多くの人にとってこれは思想の話ではなく、コンプライ アンスの話です。未公開の台本、クライアントの社内研修資料、NDA 下の原稿。ローカル 合成なら、誰かに説明すべきアップロードがそもそも存在しません。
ネットワークなしで動く。 機内でも、ひどいホテルの Wi-Fi でも、電波の届かない 部屋でも。接続が劣化しても、アプリは劣化しません。
レート制限がなく、キューは自分のものだけ。 生成の速さを決めるのは、あなたの ハードウェアと、自分で決めた同時実行数だけです。
ひとつだけの例外
自動キャスティング——小説を読んでどのキャラクターにどの声を当てるか提案する機能 ——が例外で、だからこそオプトインになっています。言語モデルを呼ぶ必要があり、 その仕事をきちんとこなせる言語モデルは、まだ同じローカルの制約には収まりません。 そのため Anthropic・OpenAI・DeepSeek いずれかの API キーが必要で、実行時には該当 するテキストが、設定したプロバイダへ送られます。
この機能を一度も有効にしなければ、原稿がネットワークに触れることはありません。 この境界は意図して引いたものです。どちら側にいたいかを、あなた自身が決められる 場所に引いてあります。