Verbatik

• AIテキスト読み上げ
  1,700以上の既製音声と、150以上の言語・アクセントを提供しています。記事、台本、そのほかのテキストを素早く音声へ変換できます。
• AI音声クローン
  短い音声サンプルをアップロードして自分の声をトレーニングし、その後はテキストを入力するだけで、似た声質の音声を生成できます。
• Voice Design
  実在する人物の録音を使わず、年齢、性別、話し方、アクセントなどをテキストで指定して、新しい音声を生成します。
• AIデジタルヒューマン動画
  写真、台本、AI音声を組み合わせて、デジタルヒューマンによるトーキングヘッド動画を生成します。基本的なリップシンクも自動的に処理されます。
• AI音楽・効果音
  テキストによる説明から、BGMや効果音を生成します。ショート動画、ポッドキャスト、そのほかのコンテンツに利用できます。
• 画像・動画ツール
  AI画像生成と一部の動画生成機能を提供しています。ナレーション以外の素材も、同じプラットフォーム上で処理できます。
• MCP連携
  MCPを通じて、ClaudeやCursorなどの対応クライアントからVerbatikの音声機能を直接呼び出せます。
• UGCテンプレート
  既製の動画テンプレートを使い、台本、音声、デジタルヒューマンを組み合わせて、SNSコンテンツを素早く作成できます。

Verbatikを初めて開いたとき、最も強く感じたのは、予想以上に機能が多いことです。

もともとはTTSを試すつもりでしたが、左側にはVoice Clone、Music、Avatar、Image、UGCなどの項目もありました。

まず、中国語の原稿を使って、複数の既製音声を試しました。

全体的に発音は明瞭で、一般的なナレーションには十分に使えます。通常の間や話す速度に大きな問題はありません。ただし、中国語特有の軽声、児化音、複雑なアクセントが含まれる場合は、機械的に聞こえることがあります。

英語の音声は、明らかに選択肢が多くなっています。

そのため、英語のポッドキャスト、YouTube、海外向けマーケティングが中心であれば、音声ライブラリの強みをより活用しやすいでしょう。

音声クローンの品質は、元の録音に大きく左右されます。

約15秒のノイズが少ない音声で試したところ、生成された声から元の話者の特徴を感じ取ることができました。ただし、完全なコピーではありません。

背景ノイズがある素材へ変更すると、類似度と安定性は明らかに低下しました。

そのため、最初のトレーニングで、メッセージアプリの音声を適当にアップロードするのはおすすめできません。静かな環境で、適切な距離と自然な速度を保ちながら十数秒間録音するほうが、後から何度もトレーニングし直す手間を減らせます。

音声のトレーニング自体にもクレジットが必要です。素材の品質が悪く、再トレーニングする場合は、その分のコストが再度発生します。

Proの主な価値は、高頻度のTTS利用にあります。

Starterには毎月数万クレジットが含まれ、時々ナレーションを作る程度なら十分です。しかし、記事、講座、台本を毎日音声へ変換する場合は、すぐに利用上限へ達します。

その段階で、Proの大きな利用枠や無制限設計が意味を持ちます。

ただし、Verbatikのクレジット制度は、あまり直感的ではありません。

TTS、音声クローン、音楽、画像、Avatarは、それぞれ消費量が異なります。特にデジタルヒューマン動画は、1回のタスクで利用枠の大部分を消費する可能性があります。

そのため、「毎月何クレジット付与されるか」だけで判断すべきではありません。

実際のタスクを先に整理してください。1か月あたりのTTS文字数、トレーニングする音声の数、制作するAvatar動画の本数を計算し、そこから必要なプランを逆算するほうが、実際のコストに近くなります。

MCPは一般ユーザーにとってそれほど重要ではありませんが、開発者には確かに便利です。

普段からClaudeやCursorで台本を扱っている場合は、AIから音声ツールを直接呼び出して音声を出力できます。Verbatikを開き、テキストを貼り付け、完成したファイルを再度ダウンロードする一連の作業を省けます。

良いところ

• TTS音声が豊富： 1,700以上の音声と、150以上の言語・アクセントを利用でき、対応範囲が広いです。
• 音声機能が集約されている： TTS、音声クローン、Voice Designをひとつのプラットフォームで行えます。
• 料金のハードルが低い： Starterは月額数ドルから利用でき、個人でも気軽に試せます。
• 音声以外も制作できる： Avatar、音楽、効果音、画像もまとめて処理できます。
• APIとMCPを提供している： 開発者や自動化ワークフローに適しています。

気になるところ

• クレジット制度が複雑： 機能によって消費量に大きな差があります。
• 中国語音声の選択肢が英語より少ない： 一部の発音やイントネーションには、機械的な印象が残ります。
• 音声クローンが素材品質に依存する： ノイズや録音環境が結果へ直接影響します。
• すべての個別機能が最高水準ではない： デジタルヒューマン、画像、動画などは補助的な機能に近いです。
• サブスクリプションとAPIが別の料金体系になっている： 初めて料金を確認する場合、混同しやすくなっています。

向いている人 / あまり向いていない人

向いている人

• コンテンツクリエイターやポッドキャスター： 大量のナレーションが必要で、何度も自分で録音したくない人に適しています。
• YouTube・ショート動画チーム： 台本の完成後、すぐにナレーションを生成し、そのままほかのメディア素材を制作できます。
• 海外向けマーケティング： 多言語対応と豊富な英語音声が実用的です。
• 研修・教育分野のユーザー： 講座のテキストを音声やデジタルヒューマンによる説明動画へ素早く変換できます。
• 開発者： APIとMCPを使って、製品や自動化フローへ機能を組み込めます。

あまり向いていない人

• 最高品質の中国語TTSだけが必要な人： 中国語音声に特化したプラットフォームのほうが適している可能性があります。
• 配音を1～2回しか使わない人： 無料ツールで十分な場合があります。
• クレジットの仕組みを調べたくない人： 音声クローン、音楽、Avatarを併用する場合は、自分で利用枠を計算する必要があります。
• 最高水準のデジタルヒューマンだけが必要なチーム： Verbatikの強みは統合性であり、Avatarに特化しているわけではありません。
• 実在する人物の声を完全に再現する必要があるプロジェクト： AI音声クローンには、話し方や細部の違いが残る可能性があります。

Verbatikが最も適しているのは、一度だけナレーションを作る人ではなく、テキスト、音声、動画の間を頻繁に行き来する人です。

テキストを直接音声へ変換し、自分の声をクローンした後、Avatar、音楽、そのほかの素材と組み合わせられます。これらの工程をひとつの管理画面でつなげられるため、ツールを切り替える手間をかなり減らせます。

一方、機能が多いことで、クレジットの計算も複雑になります。

TTSを低頻度で使うだけなら、Starterで効果を確認するには十分です。ナレーションを毎日大量に制作する場合は、Proを検討できます。

開発者の場合は、サブスクリプションについて悩むより、APIの使用量に応じて料金を計算するほうが一般的に簡単です。

初めて使うときは、最初からすべての機能を試す必要はありません。

実際に使用する台本をひとつ用意し、複数の音声を選んで生成してみてください。さらに、ノイズの少ない人間の音声を録音し、Voice Cloneをテストします。音声品質が要件を満たしていることを確認してから、ほかの機能も移行するか判断するとよいでしょう。