elevenlabs-tts

ElevenLabs TTS 制作

音声生成は、単一の API 呼び出しではなく、キャスティング、台本の調整、演技指導、レンダリング、仕上げの工程として捉えてください。まずリスナーと配信先に最適化し、その後でレイテンシやコストを考慮します。

根拠ラベル

ラベルに従ってガイダンスを解釈してください。

• Documented — ElevenLabs のドキュメント、API リファレンス、または現行ポリシーに記載されています。
• Standard — 名称のある音声規格に記載されています。
• Production heuristic — 実用上の出発点です。実際に使用する音声、モデル、台本、配信先で検証してください。
• Inference — ドキュメントに記載された動作から導かれる結論です。頼りにする前にテストしてください。

このスキルに記載された、変更される可能性のある ElevenLabs の情報は、2026-07-09 に確認しています。重要な制作を行う前に、GET /v1/models を呼び出し、選択した音声を確認し、最新の API リファレンス、プランの利用条件、ポリシー、利用規約を再確認してください。古い音声名やモデル一覧から、現在の提供状況を推測してはいけません。

対象範囲

このスキルは、レンダリング済み音声と音声制作に使用してください。次の内容には範囲を広げないでください。

• 音楽や効果音の生成；
• 対話システムのロジック、ターンテイク、ツール、電話オーケストレーション、会話型エージェントのプロンプト；
• TTS ではない理由を説明する場合を除く、音声から音声への変換；
• 一般的な文字起こし、吹き替え、ローカライズのワークフロー；
• 法的な結論。権利に関する問題は、適切な専門家による確認が必要なものとして提示してください。

音声認識は、TTS の品質保証シグナルの一つとしてのみ使用できます。音声を聴くことの代わりにしてはいけません。

まず制作要件をまとめる

モデルを選ぶ前に、次の項目を書き出してください。

1. 対象者、言語、地域のアクセント、アクセシビリティのニーズ；
2. 媒体と用途：動画ナレーション、オーディオブック、広告、ゲームキャラクター、講座、IVR、ライブ再生など；
3. 演技：信頼感のある、親密な、控えめな、コミカルな、緊迫した、ドラマチックなものなど；
4. 目標の長さと同期の制約；
5. レイテンシモード：オフライン、テキスト全体のストリーミング、またはテキストの逐次ストリーミング；
6. テキスト量と改訂のパターン；
7. 音声の種類：既成音声／ライブラリ、設計音声、IVC、または PVC；
8. 発音リスト：人名、ブランド名、頭字語、数字、URL、数式、コード；
9. 出力形式、サンプルレート、チャンネル数、ラウドネス仕様、字幕／タイミングの要件；
10. 権利、同意、開示、プライバシー、プラン、予算の制約。

ショーケース用の文章だけで音声を承認してはいけません。実際の台本で特に難しい20～40秒の箇所を使って、最終候補を試聴してください。感情の変化、固有名詞、数字、言語の切り替えなどを含めます。

用途に応じてモデルを選ぶ

**ドキュメントで確認済み、2026-07-09時点：**現在の主要なTTSモデルIDとリクエストごとの上限は、ElevenLabsのモデルページに記載されています。実行前にモデルのエンドポイントへ問い合わせてください。

モデル	次のような場合に使用	主な制限とトレードオフ
eleven_v3	パフォーマンス、劇的な表現の幅、インラインの音声タグ、幅広い多言語対応、またはネイティブのIPA制御を重視する場合。	リクエストあたり5,000文字、70以上の言語に対応しています。TTS入力WebSocketとリクエストの連結はv3に対応していません。SSMLのブレークタグには対応していません。Speaker Boostは利用できません。表現力が高い分、ばらつきやアーティファクトのリスクが増える可能性があります。
eleven_multilingual_v2	最小レイテンシよりも、安定した長尺ナレーション、プロ品質のボイスオーバー、高忠実度の多言語コンテンツを重視する場合。	リクエストあたり10,000文字、29言語に対応しています。公式ガイダンスでは、長尺用途で最も安定したモデルとされています。このモデルはlanguage_codeに対応していません。音素タグではなく、エイリアス辞書を使用してください。
eleven_flash_v2_5	対応する32言語で、低レイテンシ、大規模な処理、または逐次的なTTSが重要な場合。	リクエストあたり40,000文字に対応しています。一般的な短い入力では、ネットワークやアプリケーションのレイテンシを除き、モデルの推論時間は約75ミリ秒です。合成前に、数値、日付、通貨、URL、略語を正規化してください。
eleven_flash_v2	音素タグへの対応が必要な、英語のみの低レイテンシ用途。	英語のみ、リクエストあたり30,000文字です。音素タグとTTS WebSocket入力ストリーミングに対応しています。

**ドキュメント記載：**ElevenLabsによると、Turbo v2/v2.5は対応するFlashモデルと機能上同等ですが、平均処理速度は遅く、Flashの使用が推奨されています。旧式のeleven_monolingual_v1とeleven_multilingual_v1は、2026-07-09に提供終了予定でした。これらを使った新規作業は開始しないでください。現在も表示される旧IDは、移行時のみ使用するものとして扱ってください。

**本番運用上のヒューリスティック：**難しいオーディション用音声を、妥当と思われるモデルと音声の組み合わせ2種類で同じように生成します。プロバイダーの宣伝文句ではなく、ブラインドでの試聴、発音の正確さ、タイミング、修正時の安定性を基準に選択してください。

設定を調整する前に音声を選定する

**ドキュメント記載：**ElevenLabsの製品ガイドでは、モデル選択や設定よりも音声の選択を優先しています。音声には、元となるアクセント、話し方、音色、録音の特徴、演技の幅が反映されます。

次の中から選んでください。

• **Voice Library / コミュニティPVC：**本番用の音声を最も手早く用意できる方法です。言語、アクセント、カテゴリ、年齢、Studio Qualityで絞り込みます。音声の告知期間とdisable_at_unixを確認してください。共有音声は利用できなくなる場合があります。承認済みの代替音声を確保し、移行テストを用意してください。
• **Voice Design：**適切な既存音声がなく、合成音声の使用が許容される場合に使います。まず母語と方言を説明し、次に想定年齢、声の重みや音色、話す速さ、人物像、感情、録音品質を説明します。意図した演技を実際に表現できる台本の文でプレビューしてください。
• **Instant Voice Clone（IVC）：**明示的な許可を得たうえで、迅速な試作やパーソナライズに使用します。**ドキュメント記載：**明瞭で一貫性のある単一話者の音声を約1～2分用意することが推奨されています。3分を超えても効果がない場合があります。IVCは音声の特徴だけでなく、演技や録音の欠陥も模倣します。
• **Professional Voice Clone（PVC）：**厳選したデータセットの用意と検証に見合うだけの、本人性への忠実さと再現性の高い制作品質が必要な場合に使用します。**ドキュメントで確認済み、2026-07-09時点：**PVCの作成対象は自分自身の声のクローンに限られます。話者の許可を得ても、制作者が他人のPVCを作成できるわけではありません。現在の製品ガイドでは、明瞭な単一話者の音声を最低1時間、理想的には3時間近く用意することを推奨しています。PVCのトレーニングでは歌唱に対応していません。音声の所有者は、対応するフローで自分のPVCを作成して検証し、その後、利用可能な場合は承認済みの共有機能やワークスペース管理機能を使用する必要があります。

試聴マトリクス

テキスト、モデル、出力形式を固定したまま、声を比較します。以下の項目をそれぞれ1～5で評価します。

• 意味の理解しやすさ；
• 対象のアクセントと音素の正確さ；
• 役割と聴衆に対する信頼性；
• 過剰な演技にならない感情表現の幅；
• ペースと呼吸の自然さ；
• 3回の生成における声の一貫性；
• 歯擦音、破裂音、残響、ノイズ、クリック音、揺れ、歪み；
• コードスイッチングや難しい用語への対応；
• レイテンシー、アクセスの継続性、ライセンスの適合性。

元の音声の演技が指定された指示と相反する場合は、その声を不採用にします。[whispers]のようなタグを付けても、叫ぶように訓練された声を親密なささやき声に確実に変えることはできません。

読むためではなく、話すためのテキストを準備する

編集用の原稿とは別に、読み上げ用テキストを作成します。追跡可能性を保つため、原文は残しておきます。

1. 音声合成の前に、曖昧な意味を明確にします。
2. 意図する読み方、地域、文脈に応じて、トークンを展開します。
   • 01/02/2026 → 「January second, twenty twenty-six」または「the first of February, twenty twenty-six」を選びます；
   • $1.05 → 機械的な文字読みではなく、「one dollar and five cents」を選びます；
   • Dr. → 「Doctor」と「Drive」のどちらにするかを決めます；
   • IV → 「four」、「the fourth」、「I V」のどれにするかを決めます；
   • URL、メールアドレス、単位、ショートカット、製品コード → 聴き手に伝える読み方を明示します。
3. 書き言葉の複雑な文を、話しやすい節に分けます。入れ子になった括弧、スラッシュでの選択肢、表のような文章は置き換えます。
4. 句読点は飾りではなく、演技の指示として使います。
5. 発話と字幕のテキストが異なる場合は、発音と強調を字幕テキストとは別に指定します。
6. 読み上げ用テキストを声に出して読みます。人が一度で自然に読めないなら、TTSでもおそらく同じ問題が表面化します。

文書で確認済み： Multilingual v2は、複雑な数値テキストをFlash v2.5より自然に正規化するのが一般的です。APIではapply_text_normalizationをauto、on、offに設定できます。プランやモデルによって動作が異なる場合があります。曖昧な数値の業務上の意味を正規化機能が把握していると思い込まないでください。

本番環境での経験則： ブランド名、ID、価格、日付、コンプライアンスに関する文言は、アプリケーション内で一貫した方法で正規化します。表示用テキストと読み上げ用テキストの両方を保存します。

壊れにくい方法を優先して発音を制御する

以下の手順で段階的に対応します。

1. 読み上げ用テキストを、曖昧さのない表現に書き換えます。
2. 対象の言語とアクセントに合ったネイティブ音声を試します。
3. 発音辞書にエイリアスルールを設定します。
4. モデルがサポートする音声表記による制御を使います。
5. 音声のつなぎ目が聞こえないように編集できる場合に限り、単語やフレーズを単独で生成して修正します。

モデル固有の発音指定

• Eleven v3： 文書で確認済み： 標準IPAを、必要に応じて強勢記号も含め、スラッシュで囲んでテキストに直接記述します。例：The enzyme /ˌrɪbəʊnjuːˈkleɪeɪs/ breaks the bond. V3のIPA指定は完全には決定的でないため、正確さが重要な場合は複数回生成して試聴してください。
• Flash v2： 文書で確認済み： SSML風の<phoneme>タグは、個々の単語に対するCMU ArpabetまたはIPAに対応しています。英語では、一貫性の観点からCMU Arpabetを使うことが文書で推奨されています。
• Multilingual v2およびFlash v2.5： 発音辞書のエイリアス、または読み上げ用テキストでの置き換えを使います。非対応の場合、音素ルールは無視されます。
• 辞書： 文書で確認済み： PLSファイルでは大文字と小文字が区別されます。APIリクエストでは、最大3つのpronunciation_dictionary_locatorsを指定でき、順番に適用されます。生成マニフェストには、辞書IDとバージョンIDの両方を固定して記録してください。

未対応のXMLを貼り付けて、解釈されると思い込まないでください。正しい辞書であっても、文脈によっては不自然に聞こえることがあります。辞書は、実際に使う音声とモデルの組み合わせでテストしてください。

モデルごとにペースと表現を直接制御する

V2 と Flash ファミリー

• 音声に保存されている設定を基準にし、コントロールを一度に 1 つずつ変更します。
• ドキュメント記載: stability の範囲は 0～1 です。値が低いほど感情表現の幅が広がり、値が高いほど変化が抑えられて単調になる場合があります。
• ドキュメント記載: similarity_boost の範囲は 0～1 で、元の音声への忠実度を調整します。値が非常に高いと、元の音声の欠点が再現される可能性があります。
• ドキュメント記載: style は元の音声のスタイルを強調しますが、レイテンシーや不安定さが増す場合があるため、通常は 0 から始めてください。
• ドキュメント記載: use_speaker_boost は、レイテンシーが増える代わりに、話者の同一性への類似度をわずかに高めることができます。
• ドキュメント記載: speed は 0.7～1.2 に対応し、1.0 が標準です。極端な値では品質が低下する場合があります。
• <break time="1.2s" /> は、ブレークタグに対応するモデルでのみ使用してください。ドキュメント記載: ブレークの長さは最大 3 秒です。タグを過剰に使うと、速度の変化やアーティファクトが生じる場合があります。

制作上のヒューリスティック: キャスティングの失敗を極端な設定で補わないでください。保存されている音声設定の周辺で小規模なグリッドテストを行い、選んだ設定をマニフェストに固定します。

Eleven v3

• 利用可能なインターフェースで、Creative、Natural、Robust の安定性の動作を選択します。Creative は表現力が高い一方、失敗しやすくなります。Natural は元の音声への忠実度と指示のバランスが取れています。Robust は安定性が高い一方、反応性は低くなります。
• [whispers]、[sighs]、[curious]、[excited] などの短く聞き取りやすいインライン指示は、音声やシーンに合う場合にのみ使用します。
• 重みを出すには省略記号を使い、強調に大文字を使うのは控えめにし、フレーズの区切りには一般的な句読点を使います。
• SSML のブレークタグは使用しないでください。句読点、行構成、または適切な v3 オーディオタグでポーズを指定します。
• TTS のみの制作では、環境音の SFX タグを追加しないでください。音声ステムをクリーンに保ち、非音声素材は適切なワークフローで作成します。

制作上のヒューリスティック: タグは演技の提案であり、決定論的なコマンドではありません。複数のバリエーションを生成し、テイクを選んで、正確なテキスト、音声、モデル、設定、シード、リクエスト ID を記録します。シードは再現性を高めるための最善努力による手段にすぎず、API は決定性を保証しません。

多言語音声とコードスイッチング

ドキュメント記載: 最も自然なアクセントにするには、対象の言語と地域でトレーニングされた音声を使用します。トレーニング対象の言語以外で音声を使用すると、元のアクセントが残ったり、元のアクセントに近づいたりする場合があります。ウェブサイトの言語検出は、1 つのプロンプトに複数の言語が含まれると誤判定することがあります。API の任意指定である ISO 639-1 の language_code を使うと、対応モデルや正規化における曖昧さを解消できますが、Multilingual v2 には対応していません。

対象言語が 1 つの場合：

1. ネイティブの音声、または対象言語向けに適切にトレーニングされた音声を使用します。
2. 単語だけでなく、意味、数字の読み方、丁寧さ、文のリズムをローカライズします。
3. ロケール固有の発音リストを作成します。
4. 対象の配信端末で、ネイティブのリスナーに試聴してもらいます。

コードスイッチングの場合：

1. 意図する基本言語と、切り替える正確な境界を特定します。
2. 声の同一性を保つことが重要な場合は、まず 1 つの多言語音声をテストします。
3. 言語検出、アクセント、またはリズムが揺らぐ場合は、言語ごとに自然な節の境界でレンダリングします。
4. 音声をそろえたもの、または検証済みの同じ多言語音声を使用し、ルームトーンに一貫性のある無音部分とラウドネスのマッチングを用いて編集します。
5. 実際に複数言語が混在するテキスト全体に、単一の language_code を無理に適用しないでください。
6. ある言語の中で、意図的に別の言語で発音される固有名詞を確認します。

推論: v3 の幅広い言語対応により、一部の多言語パフォーマンスを分割する必要性が減る可能性はありますが、表現のばらつきが大きいため、アクセントやタイミングに不連続が生じる場合があります。実際の組み合わせをテストしてください。

長文ナレーション

段落単位の生成履歴、ロック、タイミング編集、発音辞書、共同作業、章やプロジェクトのエクスポートが必要な編集者には、ElevenCreative Studio を優先してください。パイプラインで決定性のあるマニフェスト、自動バッチ処理、プログラムによる再試行、カスタムな組み立てが必要な場合は、API を使用してください。

API で長文を扱う場合：

1. 分割する際は、段落または文の境界を使い、モデルの上限を超える文がある場合を除いて、任意の文字数で分割しないでください。
2. 可能であれば、シーンやまとまりのある修辞的な区切りを一緒にしてください。
3. 同じ音声、モデル、設定、辞書のバージョン、出力形式、テキスト正規化ポリシーを維持してください。
4. 境界の文脈として previous_text と next_text を含めるか、対応している場合は以前のリクエスト ID を使ってリクエストをつなげてください。
5. ドキュメントに記載： v3 ではリクエストの連結は利用できません。リクエスト ID は完全に処理済みである必要があり、2 時間以内のものを使用してください。ゼロ保持モードで履歴が削除される場合は利用できません。
6. 問題のある中間チャンクを再生成する際は、前後の文脈またはリクエスト ID の両方を指定してください。
7. チャンク境界には編集用のハンドルを残し、子音やタイミングがにじまない場合に限ってクロスフェードしてください。
8. 通常の速度で、ヘッドフォンを使ってすべての継ぎ目を確認してください。

制作上の経験則： 段落は便利な編集単位ですが、すべてに適したチャンクサイズではありません。チャンクが短すぎると韻律の文脈が失われ、長すぎると修正コストが高くなり、ずれが生じる可能性があります。談話の構成と修正リスクに基づいてチャンクを選んでください。

API の動作を意図的に選択する

完全なレスポンス（POST /v1/text-to-speech/{voice_id}）

テキスト全体が決まっており、シンプルさを重視し、レスポンス全体が返るまで再生を待てる場合に使用してください。

HTTP ストリーミング（.../{voice_id}/stream）

テキスト全体が決まっているものの、レンダリングの完了前にリスナーが音声を聞けるようにする場合に使用してください。これは最初の音声が届くまでの時間を変えるものであり、テキストの文脈が必要であることに変わりはありません。

入力 WebSocket（.../{voice_id}/stream-input）

テキストが段階的に届く場合に使用してください。ドキュメントに記載： eleven_v3 はサポートしていません。auto_mode を優先してください。そうでない場合は、測定結果に基づいて変更が正当化されるまで、デフォルトの chunk_length_schedule を維持してください。テキストのしきい値を小さくするとレイテンシーを抑えられますが、十分な文脈が得られる前に韻律が確定します。対応している場合はターンの境界で flush: true を送信してください。空のテキスト文字列は接続を閉じますが、単一のスペースなら接続を維持できます。現在のガイドでは、アイドル状態の接続は 20 秒後に閉じるとされています。

タイミングエンドポイント

字幕、単語のハイライト、リップシンク用ガイド、編集時の位置合わせが必要な場合は、タイムスタンプ付き音声またはタイムスタンプ付きストリーミングを使用してください。レスポンスには、base64 音声と、元のテキストおよび正規化後のテキストに対する文字のアラインメントが含まれます。テキストと音声の最終編集後にタイミングを検証してください。

出力形式

• プランの利用条件とストレージが許す場合は、編集時のサンプルレートに合わせた PCM/WAV を選び、不可逆な形式への再エンコードを繰り返さないでください。
• 送信先で受け入れられる場合は、確認や配信用に容量の小さい MP3 を使用してください。
• 8 kHz μ-law または A-law は、それらが必要な電話回線経路でのみ使用してください。
• ドキュメントに記載： エンドポイントのデフォルトは mp3_44100_128 です。高音質フォーマットには上位プランが必要な場合があります。プランの利用権は変更される可能性があるものとして扱ってください。

本番環境での統合ルール

• ELEVENLABS_API_KEY はシークレットストアから読み込み、ログに記録したり、クライアントに送信したりしないでください。
• 事前チェック時にモデルと音声を照会してください。表示名を識別子としてハードコードせず、voice_id を固定してください。
• 音声テキスト、音声 ID、モデル ID、設定、辞書／バージョン、言語／正規化フラグ、出力形式など、出力に影響するすべての入力のハッシュをキーとしてキャッシュしてください。
• プライバシーモードで禁止されていない限り、リクエスト ID とレスポンスのメタデータを保持してください。
• 並列実行数は現在のプランの同時実行数上限より低く抑え、current-concurrent-requests／maximum-concurrent-requests ヘッダーを確認してください。
• 429 が発生した場合は、レート制限エラーと同時実行数上限エラーを区別し、ジッターを加えた指数バックオフを使うか、実行中の処理が完了するまで待ってください。一時的な 5xx は再試行しますが、認証エラーや無効なペイロードをむやみに再試行しないでください。
• optimize_streaming_latency は非推奨として扱ってください。
• 追加されるレスポンスフィールドは寛容に解析し、週次の変更履歴を監視してください。

例 1 — オフラインで完結する解説ナレーション

例であり、必須の定型ではありません。

目的： ブランド名 2 つ、価格、字幕のタイミングを含む、洗練された 45 秒の英語の製品解説を作成します。レイテンシは重要ではなく、安定した納品とスムーズな修正を優先します。

選定： 難易度の高い段落で、地域に合ったネイティブのナレーション音声を試聴し、安定したプロフェッショナルなナレーションを実現するために eleven_multilingual_v2 を選びます。Multilingual v2 は音素タグを使用しないため、ブランド名にはエイリアス辞書を使います。

音声テキスト：

Meet Auralis. It turns a forty-nine-dollar monthly workflow into one clear production board.

Import the brief, approve each voice take, and export a review link—without renaming files by hand.

エイリアス辞書の抜粋（auralis-brand.pls）：

<?xml version="1.0" encoding="UTF-8"?>
<lexicon version="1.0"
  xmlns="http://www.w3.org/2005/01/pronunciation-lexicon"
  alphabet="ipa"
  xml:lang="en-US">
  <lexeme>
    <grapheme>Auralis</grapheme>
    <alias>aw RAL iss</alias>
  </lexeme>
</lexicon>

レンダリングマニフェストの抜粋：

provider: elevenlabs
model_id: eleven_multilingual_v2
voice_id: <auditioned-native-narration-voice-id>
output_format: mp3_44100_128
voice_settings:
  stability: 0.62
  similarity_boost: 0.76
  style: 0.0
  use_speaker_boost: true
  speed: 0.97
pronunciation_dictionary:
  id: <dictionary-id>
  version_id: <pinned-version-id>
text_normalization: auto

Python 呼び出しの全体：

import os
from elevenlabs import VoiceSettings
from elevenlabs.client import ElevenLabs
from elevenlabs.play import PronunciationDictionaryVersionLocator

client = ElevenLabs(api_key=os.environ["ELEVENLABS_API_KEY"])

audio = client.text_to_speech.convert(
    voice_id=os.environ["ELEVENLABS_VOICE_ID"],
    model_id="eleven_multilingual_v2",
    output_format="mp3_44100_128",
    text=(
        "Meet Auralis. It turns a forty-nine-dollar "
        "monthly workflow into one clear production board.\n\n"
        "Import the brief, approve each voice take, and export a review link—"
        "without renaming files by hand."
    ),
    voice_settings=VoiceSettings(
        stability=0.62,
        similarity_boost=0.76,
        style=0.0,
        use_speaker_boost=True,
        speed=0.97,
    ),
    pronunciation_dictionary_locators=[
        PronunciationDictionaryVersionLocator(
            pronunciation_dictionary_id=os.environ["ELEVENLABS_DICT_ID"],
            version_id=os.environ["ELEVENLABS_DICT_VERSION"],
        )
    ],
)

with open("narration.mp3", "wb") as f:
    for chunk in audio:
        f.write(chunk)

理由： テキストでは価格を読み上げ用に展開し、発話表現に合わせてハイフンを入れています。辞書を使うことでブランド名を再利用できます。適度な安定性を設定すれば、活気を保ちながら、修正が混乱を招くのを防げます。スタイルはゼロから始めます。

期待される結果： 価格とブランド名が一貫した発音になる、信頼感のある控えめなナレーションです。使用中の SDK のインターフェイスで別のメソッドが必要な場合は、タイムスタンプ付きバージョンを別途生成してください。

起こりやすい問題と修正方法：

• 「Auralis」の発音がまだ不自然 → エイリアスを文脈の中で試し、その後、別のネイティブ音声と比較します。
• 最初の段落が宣伝調になりすぎる → テキストの誇張表現を減らし、安定性を上げる前に落ち着いた音声を試聴します。
• ダッシュによって間が長くなりすぎる → コンマに置き換えるか、文を分けます。
• 字幕と読み上げ用に展開した内容が一致しない → 表示用テキストを別に保持し、タイムスタンプを読み上げ用のテキストに対応付けます。

バリエーション： ライブプレビューでは、同じモデル／音声を維持したまま HTTP ストリーミングを使います。スクリプト全体がすでにわかっているため、入力 WebSocket には切り替えません。

例 2 — 表現力豊かな v3 のキャラクタービート

例であり、必須の定型ではありません。

意図： 機密性の高い雰囲気から喜びへと移り変わる、15秒のゲーム予告編のセリフを作成し、架空の名前を正確に発音します。

選定： ささやき声と興奮した声の両方に対応できる声域をすでに備えた、使用許諾を得たデザイン音声を選びます。インラインの演技指示とネイティブの IPA に対応する eleven_v3 を選択します。

完全な入力：

[whispers] They told us the vault beneath /keɪˈlɔːrə/ was empty...

[restrained excitement] They were VERY wrong. [soft laugh]

パラメーター： model_id=eleven_v3、選択した v3 対応音声、HTTP 完了または HTTP ストリームのエンドポイント、v3 の Natural 安定性動作、speed=1.0、比較を補助するためのベストエフォートとしての固定シードのみを使用します。SSML のブレークや Speaker Boost は送信しないでください。

理由： キャストは意図した声域にすでに対応しています。タグで聞こえ方を指示し、IPA は必要な箇所にのみ使用し、句読点で間を作ります。

期待される結果： 制御されたささやき声、重みのある間、そして話者のアイデンティティを変えない抑制された興奮が表現されます。

よくある失敗と修正方法：

• 単語やタグが文字どおりに読み上げられる → v3 のモデル ID と正確な構文を確認します。
• ささやき声が弱まる、または耳障りな音になる → より適した音声を選ぶか、指示を極端でないものにします。
• 笑い声がセリフを覆い隠す → 笑い声を削除するか、より明瞭なテイクを生成します。単語が隠れる場合、トリミングだけに頼らないでください。
• 発音にばらつきがある → 強勢記号を確認して複数の候補を生成するか、読み上げ用の別名を使用します。

バリエーション： 安定した20分間のナレーションには、v3 を長尺コンテンツ向けの安定性モデルのように動作させようとせず、制作設計を Multilingual v2 と段落単位のチャンクに切り替えます。

例 3 — バイリンガルのコードスイッチングにおける代替プラン

例であり、必須の定型ではありません。

意図： ひとりのナレーターとしてのアイデンティティを維持しながら、スペイン語の顧客の引用を含む英語のチュートリアルをナレーションします。

入力： ネイティブレベルのバイリンガル音声の試聴、英語のベーステキスト、レビュー済みのスペイン語の引用、ロケールごとの発音、48 kHz の編集タイムライン。

ワークフロー：

1. バイリンガル音声を使い、段落全体を v3 と Multilingual v2 でテストします。
2. 切り替えが自然なら、ひとつの生成結果を採用し、最適なモデルを記録します。
3. スペイン語の部分が不自然になる場合は、節の境界で分割します。
   • 英語：「The customer described the setup in one sentence:」
   • スペイン語：「Por fin, todo está en un solo lugar.」
   • 英語：「That is the entire promise.」
4. ネイティブに発話できる範囲では、各節を同じ音声で生成します。混在した段落全体にひとつの language_code を無理に適用しないでください。
5. 意図した間を入れて組み立て、統合ラウドネスを合わせ、両方のつなぎ目を通して聴きます。

期待される結果： 意図せず戯画化されたアクセントやアイデンティティの急変を避けながら、聞き取りやすく言語が切り替わります。

よくある失敗： 言語検出器が短い引用の言語を誤って選ぶ、英語の固有名詞がスペイン語の音韻で発音される、分割したクリップ間で部屋の響きや声の勢いが変わる。文脈となるテキストを増やす、本当にバイリンガルの音声を選ぶ、またはアイデンティティの継続性よりネイティブな発話を優先する場合は、別の話者を起用してその旨を明示することで修正します。

ポストプロダクション

1. 未加工のソースレンダーと、元に戻せる編集セッションを保持します。
2. 破裂音や単語の語尾を切らずに、冒頭・末尾の無音、意図しない息遣い、読み上げられた指示文、クリック音、失敗テイクを取り除きます。
3. 局所的に修正します。承認済みの章全体を再レンダリングするのではなく、前後の文脈を含めた、意味の通る最小単位のフレーズを再生成します。
4. 必要に応じて、ゼロクロッシングで穏やかなクロスフェードを適用します。不一致のあるパフォーマンスを長いクロスフェードで隠してはいけません。
5. 補正用の EQ やディエッサーは、問題が一貫して見られる場合に限って適用します。欠陥のある音声やレンダーは、過度な処理を施すよりも上流工程で修正する方が適切です。
6. コンプレッションは控えめに適用し、役割にふさわしい音声のダイナミクスを保ちます。
7. ITU-R BS.1770 に対応したメーターでラウドネスとトゥルーピークを測定します。インターネット上の「万能な LUFS 値」ではなく、納品先の仕様に合わせます。
8. 標準： EBU R 128 は、放送用途における番組ラウドネスを −23 LUFS と定め、ラウドネスレンジと最大トゥルーピークの指標を用いています。この納品条件に該当する場合にのみ使用します。
9. 高品質なマスターを書き出し、そこから納品用のエンコードを作成します。最終的な音声レンダーの後に、字幕と同期を再確認します。

試聴と QA ゲート

自動チェックで欠陥を検出し、音声が伝わるかどうかはリスナーが判断します。

技術的チェック

• ファイルをデコードできること、再生時間が妥当であること、想定したサンプルレート／チャンネル数／コーデックが使用されていること；
• クリッピング、途切れ、音声の重複、意図しない長い無音、破損した境界がないこと；
• 測定したラウドネス／トゥルーピークが納品先の仕様を満たしていること；
• 指定された単語が順番どおりに含まれていること；
• 編集後もタイムスタンプの同期が保たれていること；
• マニフェストにテキストハッシュ、音声／モデル／設定、辞書のバージョン、出力形式、リクエスト ID、編集バージョンが記録されていること。

言語的チェック

• 単語、名前、頭字語、数値、通貨、日付、URL が正確であること；
• 対象言語、方言、アクセント、強勢、コードスイッチの境界が適切であること；
• 音声が追加、欠落、繰り返し、または幻覚によって生成されていないこと；
• 字幕テキストが意図した表示テキストを反映しつつ、読み上げ時の展開形も追跡可能であること。

パフォーマンスのチェック

• 役割と感情に説得力があること；
• 強調が意味にかなっていること；
• 話す速さ、間、息遣い、文末が自然に感じられること；
• チャンクをまたいでも、声のアイデンティティとエネルギーが一貫していること；
• 合成音声特有のうねり、ブザーのような倍音、位相の乱れ、金属的な残響、口のノイズ、過度な歯擦音、不安定なピッチがないこと；
• ルームトーン、抑揚、ラウドネス、音色に継ぎ目が聞こえないこと。

評価プロトコル

標準： 正式なテストを行う場合は、管理された試聴に ITU-T P.800 スタイルの手法を使用するか、クラウドソーシングによる試聴には ITU-T P.808 のガイダンスを使用します。テスト条件と指示を一貫させ、実用上可能な場合はサンプルをランダム化し、ブラインド化します。

制作上の目安： 対象言語を母語とするリスナーを少なくとも 1 人、制作担当のリスナーを少なくとも 1 人用意し、次の項目を評価してもらいます。

1. 自然さ；
2. 明瞭さ；
3. 発音の正確さ；
4. 役割／感情表現との適合性；
5. アイデンティティの一貫性；
6. アーティファクトの有無；
7. 全体的な許容度。

1～5 の尺度を使い、欠陥のタイムコードを記録します。以前に承認されたテイクと比較し、ライセンスがある場合は人間の音声によるリファレンスとも比較します。重大な誤発音や権利上の問題を平均化して見過ごしてはいけません。

ASR の書き起こしや単語誤り率の比較で、欠落や置換を検出できる場合がありますが、演技、アクセントの適切さ、韻律、微妙なアーティファクトは評価できません。

障害からの復旧

パラメーターを変更する前に診断します。

障害	最初に確認する項目	修復の順序
単語や数字が間違っている	読み上げテキストの正規化、ロケール、辞書のサポート／バージョン	書き換え → サポートされている場合は別名／IPA／音素を指定 → 別のネイティブ音声／モデルを使用
抑揚が乏しい	キャスト、元の音声のパフォーマンス、安定性が高すぎないか、テキストの手がかりが弱くないか	キャスト／テキストを改善 → 安定性を慎重に下げる → 適切なタグを付けて v3 を使用
過剰な演技／幻覚による音	v3 のタグ、Creative の動作、安定性が低すぎないか、音声が合っているか	タグを削除 → Natural／Robust の動作を使用 → より落ち着いた音声／モデルを選択
話者の一貫性が崩れる	チャンクの長さ、音声品質、類似度、モデル／設定の変更	固定のマニフェストに戻す → コンテキスト／スティッチングを追加 → 一貫性を慎重に高める → キャストを変更
継ぎ目が聞こえる	不適切な分割、コンテキストの欠落、音量／部屋鳴りの不一致	節で分割 → 前後のコンテキストまたはリクエスト ID を使用 → ローカルで編集／クロスフェード
Flash で数字を間違える	テキストが正規化されていない、正規化ポリシー	読み上げ用の表記に決定的に展開 → サポートされている正規化を有効化 → Multilingual v2 を使用
レイテンシーが高い	TTFA の各要素を測定、モデル、プロトコル、バッファー、音声の種類、地域	既知のテキストには HTTP ストリーム → テキストを逐次送信する場合は WebSocket → Flash／音声／バッファーを調整
429	レート制限と同時実行数に関するコードおよびレスポンスヘッダー	同時実行数を削減／キューに追加 → ジッターを加えた指数バックオフ
ペイロード／認証に関する 4xx	モデルへのアクセス、音声へのアクセス、キー、上限、形式	リクエストを修正し、無条件の再試行はしない
5xx が続く	プロバイダーのステータス、リクエスト ID、最小限の再現例	上限を設けてバックオフしながら再試行 → 障害のメタデータを保持 → エスカレーション

診断用の音声を生成する際は、一度に変更する変数を 1 つにしてください。失敗した音声とそのマニフェストを保存し、問題を再現できるようにしてください。

権利、同意、安全性、プライバシーに関するゲート

識別可能な音声をクローンまたはデプロイする前に、次の事項を実施してください。

1. 作成、意図された用途、地域、期間、配布、編集、モデル／音声の共有、撤回／通知に関する期待を網羅した、明示的かつ文書化された許可を取得します。
2. 話者の身元と権限を確認します。公開されている音声を許可とみなしてはいけません。
3. 無許可、欺瞞的、または有害ななりすましを禁止し、音声認証を回避してはいけません。
4. 政治候補者や選挙で選ばれた公職者になりすましてはいけません。現行ポリシーでは、選挙に関する場面で許可を得ている場合も禁止されています。
5. 必要な場合は、合成音声／AIとのやり取りであることを開示します。文書で確認済み： ElevenLabsを使用してAIエージェントを稼働させる組織は、ユーザーがAIとやり取りしていることを明確かつ目立つ形で伝える必要があります。
6. 音声 ID と用途にひも付けた同意台帳を維持し、同意または音声へのアクセスが失効した場合は、新たな生成を停止します。
7. リリース前に、最新の利用規約、禁止利用ポリシー、プライバシーポリシー、ボイスライブラリー補遺、および適用法を確認します。
8. 実際のプランと機能に対する商用利用権を確認します。文書で確認済み、2026-07-09 に検証： 無料プランの出力は非商用であり、公開時にはクレジット表記が必要です。有料プランの出力は、権利、規約、ポリシー、およびベータ版でないことを条件として商用利用できます。ベータ版の出力は、商用利用または本番利用には使用できません。
9. 機密性の高い台本や音声データをアップロードする前に、現行の地域別コンテンツ条項を適用します。文書で確認済み、EEA 域外の規約を 2026-07-09 に検証： 公開されている規約では、サービスの提供、改善、および製品開発のために、コンテンツとユーザー音声モデルに対する永続的、取消不能、全世界的、サブライセンス可能なライセンスが ElevenLabs に付与されます。アカウント設定で、今後のコンテンツをトレーニングに使用しないようオプトアウトできますが、過去の使用が取り消されるわけではありません。他の地域では規約が異なる場合があります。アカウントに適用される契約を確認してください。
10. 台本と音声データを保護します。文書で確認済み： API の enable_logging=false は、対象となる Enterprise のお客様に限り Zero Retention Mode を有効にします。また、リクエストの連結など、履歴に依存する機能は無効になります。それ以外のデフォルト処理は、適用されるプライバシーポリシーと規約に従います。機密性と履歴に依存する継続性のどちらを優先するか、明示的に決定してください。
11. 検出結果を真正性の証明として宣伝してはいけません。ElevenLabs のログイン後に利用できる Audio Detector は、SynthID がある場合はそれを確認し、ない場合は統計的分類器を使用します。検出対象はすべての音声を網羅するわけではなく、変更された音声は統計的検出を回避する可能性があります。

権利または安全性のゲートを通過できない場合は、作業を中止してください。技術的に優れた音声を生成できても、許可なしに公開することはできません。

出典一覧

以下の ElevenLabs の変更される可能性がある出典は、すべて 2026-07-09 に確認しました。

ElevenLabs の公式ドキュメントと参考資料

• モデルと現在のモデル ID、言語、制限、非推奨化、同時実行数
• 音声を作成する API
• 音声をストリーミングする API
• タイミング情報付きで音声をストリーミングする API
• TTS のベストプラクティス：ポーズ、発音、正規化、v3 のプロンプト
• デフォルトの音声設定に関するリファレンス
• 発音辞書ガイド
• リクエストの接続ガイド
• 音声ストリーミングについて
• リアルタイム TTS WebSocket ガイド
• API エラー
• テキスト読み上げ製品ガイド
• Voice Library
• Voice Design
• インスタント音声クローニング
• プロフェッショナル音声クローニング
• ElevenCreative Studio
• ゼロ保持モード
• Audio Detector
• 禁止されている使用に関するポリシー
• EEA 以外の地域向け利用規約
• EEA、スイス、英国向け利用規約。該当する場合はリンク先の地域別規約を使用してください
• 商用利用に関するヘルプ記事
• Voice Library 付属文書

音声とオーディオの規格

• ITU-T P.800：伝送品質を主観的に判定する方法
• ITU-T P.808：クラウドソーシングによる音声品質の主観評価
• ITU-R BS.1770：番組ラウドネスとトゥルーピークの測定アルゴリズム
• EBU R 128：放送ラウドネスの正規化