elevenlabs-tts

belt CLI スキルをインストール： npx skills add belt-sh/cli

ElevenLabs Text-to-Speech

inference.sh CLI を介して、22 種類以上の音声を利用できるプレミアムなテキスト読み上げです。ElevenLabs の各モデルは、それぞれ個別のアプリとして同じ価格で提供されています。

クイックスタート

inference.sh CLI（belt）が必要です。インストール手順

belt login

# Generate speech with Eleven v4
belt app run elevenlabs/eleven-v4 --input '{"text": "Hello, welcome to our product demo.", "voice": "aria"}'

結果には、生成されたファイルへの audio URL が含まれます。

アプリの選び方

アプリ	モデル	用途	テキスト上限	1,000 文字あたりの価格
elevenlabs/eleven-v4	Eleven v4	最新かつ最も表現力豊か。90 以上の言語に対応し、オーディオタグを利用可能	10,000	$0.08
elevenlabs/eleven-v4-turbo	Eleven v4 Turbo	低レイテンシーの v4。リアルタイム音声エージェント向け	10,000	$0.04
elevenlabs/eleven-v3	Eleven v3	前世代モデル。70 以上の言語に対応し、オーディオタグを利用可能	5,000	$0.08
elevenlabs/eleven-multilingual-v2	Eleven Multilingual v2	安定した長尺ナレーション	10,000	$0.08
elevenlabs/eleven-flash-v2-5	Eleven Flash v2.5	最速かつ最安。長文や大量処理向け	40,000	$0.04

• すべてのアプリに run があります。テキスト全体を入力すると、音声ファイルが出力されます。
• 2 つの v4 アプリには realtime もあります。テキストをストリーミング入力すると、書き出しながら音声がストリーミングで返されます（「リアルタイム音声」を参照）。
• elevenlabs/eleven-v4 と elevenlabs/eleven-v3 には dialogue もあります。1 回の生成で複数の音声を使用できます（「ダイアログ」を参照）。
• 現在の価格は belt app pricing elevenlabs/eleven-v4 で確認できます。

elevenlabs/tts は、モデルを入力として指定する旧式のアプリです。現在も動作しますが、上記のモデル別アプリをおすすめします。

音声ライブラリ

女性の音声

音声	スタイル
aria	アメリカ英語、会話調
alice	イギリス英語、自信に満ちた話し方
bella	アメリカ英語、温かみのある話し方
jessica	アメリカ英語、表現力豊か
laura	アメリカ英語、プロフェッショナル
lily	イギリス英語、柔らかな話し方
sarah	アメリカ英語、親しみやすい話し方

男性の音声

音声	スタイル
george	イギリス英語、威厳のある話し方
adam	アメリカ英語、低い声
bill	アメリカ英語、落ち着いた声
brian	アメリカ英語、会話調
callum	大西洋横断英語、力強い話し方
charlie	オーストラリア英語、自然な話し方
chris	アメリカ英語、くだけた話し方
daniel	イギリス英語、堂々とした話し方
eric	アメリカ英語、親しみやすい話し方
harry	アメリカ英語、若々しい声
liam	アメリカ英語、明瞭な話し方
matilda	アメリカ英語、温かみのある話し方
river	アメリカ英語、自信に満ちた話し方
roger	アメリカ英語、威厳のある話し方
will	アメリカ英語、明るい声

使用例

基本的な音声生成

belt app run elevenlabs/eleven-v4 --input '{"text": "Welcome to our quarterly earnings presentation.", "voice": "george"}'

オーディオタグ（v4 と v3）

角括弧内のタグは読み上げられるのではなく、音声として演じられます。感情、話し方、アクセント、音などを自由に指定できます。

belt app run elevenlabs/eleven-v4 --input '{
  "text": "[excited] We did it! [whispers] Nobody saw this coming. [laughs] What a day.",
  "voice": "jessica"
}'

よく使われるタグ：[laughs]、[whispers]、[sighs]、[excited]、[sad]、[shouts]、[slow]、[fast]。ほかのモデルではタグも読み上げられるため、使用しないでください。

モデルを選ぶ

# Long narration, stable delivery
belt app run elevenlabs/eleven-multilingual-v2 --input '{
  "text": "Chapter one. It was a quiet morning in the harbour town.",
  "voice": "daniel"
}'

# High volume at the lowest price
belt app run elevenlabs/eleven-flash-v2-5 --input '{
  "text": "Your order has shipped and will arrive on Thursday.",
  "voice": "sarah"
}'

音声の調整

belt app run elevenlabs/eleven-v3 --input '{
  "text": "Fine-tune the voice characteristics for your use case.",
  "voice": "bella",
  "stability": 0.3,
  "similarity_boost": 0.9,
  "style": 0.4
}'

パラメーター	範囲	効果	アプリ
stability	0-1	値が高いほど一貫性が増し、低いほど表現力が増します	すべて
similarity_boost	0-1	値が高いほど元の音声の特徴に近づきます	すべて
style	0-1	値が高いほどスタイルが強調されます	v3、Multilingual v2、Flash v2.5
use_speaker_boost	true/false	話者の明瞭さを高めます	v3、Multilingual v2、Flash v2.5

Eleven v4 と v4 Turbo で設定できるのは、stability と similarity_boost の 2 つだけです。オーディオタグを使って話し方を調整してください。

カスタム音声

クローン音声またはデザイン音声を使用するには、voice_id を指定します（elevenlabs/voice-clone または elevenlabs/voice-design から取得）。指定すると voice は上書きされます。

belt app run elevenlabs/eleven-v4 --input '{"text": "This is my own voice.", "voice_id": "YOUR_VOICE_ID"}'

出力形式

# High-quality MP3
belt app run elevenlabs/eleven-v4 --input '{
  "text": "High quality audio output.",
  "voice": "daniel",
  "output_format": "mp3_44100_192"
}'

形式	説明
mp3_44100_128	44.1kHz、128kbps の MP3（デフォルト）
mp3_44100_192	44.1kHz、192kbps の MP3
pcm_16000	16kHz の Raw PCM
pcm_22050	22.05kHz の Raw PCM
pcm_24000	24kHz の Raw PCM
pcm_44100	44.1kHz の Raw PCM

その他の言語

話させたい言語でテキストを書いてください。

# Spanish
belt app run elevenlabs/eleven-v4 --input '{
  "text": "Hola, bienvenidos a nuestra presentación.",
  "voice": "aria"
}'

# French
belt app run elevenlabs/eleven-v4 --input '{
  "text": "Bonjour, bienvenue à notre démonstration.",
  "voice": "alice"
}'

対話

dialogue は会話を一度に読み上げ、1つのファイルを返します。各行にはそれぞれ独自の音声が割り当てられます。

belt app run elevenlabs/eleven-v4 --function dialogue --input '{
  "segments": [
    {"text": "[excited] Did you hear? The release went out last night.", "voice": "jessica"},
    {"text": "[surprised] Already? I thought that was next week.", "voice": "george"},
    {"text": "[laughs] Nope. Everything shipped.", "voice": "jessica"}
  ]
}'

最大10種類の音声を使用できます。1つの対話は約2,000文字以内に収め、長い台本はシーンごとに分割してください。料金はアプリの文字単価に基づき、すべての行の文字数を合計して計算されます。

リアルタイム音声

elevenlabs/eleven-v4-turbo と elevenlabs/eleven-v4 の realtime は、テキストを書き込むそばから（たとえば LLM のトークンを）ストリーミングで送信し、生成中に音声を受け取るライブ機能です。ソケット経由で動作するため、SDK またはアプリのページから呼び出してください。belt app run では呼び出せません。

# pip install "inferencesh[async]"
import asyncio
from inferencesh import async_inference

async def main():
    client = async_inference(api_key="...")
    task, session = await client.live({
        "app": "elevenlabs/eleven-v4-turbo",
        "function": "realtime",
        "input": {"voice": "george"},
    })

    async def speak():
        for piece in ["Hello there. ", "This is spoken ", "while it is being written. "]:
            await session.send({"events": {"type": "text", "text": piece}})
        await session.send({"events": {"type": "end"}})   # finish speaking, then end

    asyncio.create_task(speak())
    async for frame in session:
        if isinstance(frame, bytes):
            play(frame)            # raw PCM, 16-bit mono, 24 kHz
        else:
            print(frame)           # {"characters": 54, "seconds": 3.9}

asyncio.run(main())

送信する内容は {"events": {...}} です。

イベント	意味
{"type": "text", "text": "..."}	読み上げるテキストです。届いたら分割して送信してください。
{"type": "flush"}	追加を待たず、ここまでに送信した内容を読み上げます
{"type": "end"}	テキストの送信は終了です。読み上げを完了してからセッションを終了します

• 約40文字、8単語が届くと読み上げが始まります。短い行の場合は flush を送信してください。
• ソケットを閉じるとセッションはすぐに終了します。残りを先に聞きたい場合は end を送信してください。
• 音声（voice または voice_id）、stability、language_code はセッション開始時に設定します。
• テキストが届かない状態が idle_minutes（デフォルトは2）続くと、セッションは自動的に終了します。
• 料金は送信した文字数に応じて、アプリの文字単価で計算されます。

音声＋動画のワークフロー

# 1. Generate voiceover
belt app run elevenlabs/eleven-v4 --input '{
  "text": "Introducing the future of AI-powered content creation.",
  "voice": "george"
}' > voiceover.json

# 2. Create talking head video
belt app run bytedance/omnihuman-1-5 --input '{
  "image": "https://portrait.jpg",
  "audio": "<audio-url-from-step-1>"
}'

ユースケース

• ナレーション：製品デモ、解説動画、コマーシャル
• オーディオブック：一貫した音声による長編ナレーション
• ポッドキャスト：自然な話し方の AI ホスト
• E ラーニング：複数の言語での講座ナレーション
• アクセシビリティ：高品質なスクリーンリーダー用コンテンツ
• IVR：プロフェッショナルな電話システムのメッセージ
• 音声エージェント：realtime を使って、LLM の回答が書き込まれている間に読み上げます
• 動画ナレーション：ドキュメンタリーやソーシャルメディア向けコンテンツ

関連スキル

# ElevenLabs multi-speaker dialogue
npx skills add inference-sh/skills@elevenlabs-dialogue

# ElevenLabs voice changer
npx skills add inference-sh/skills@elevenlabs-voice-changer

# ElevenLabs sound effects
npx skills add inference-sh/skills@elevenlabs-sound-effects

# All TTS models (Kokoro, DIA, Chatterbox, Inworld TTS, and more)
npx skills add inference-sh/skills@text-to-speech

# Full platform skill (all apps)
npx skills add inference-sh/skills@infsh-cli

すべての音声アプリを表示するには、belt app list --category audio を実行してください。