voice-changer

ElevenLabs ボイスチェンジャー

音声録音の声を別のターゲット音声に変換します。ボイスチェンジャー（以前は Speech-to-Speech と呼ばれていました。API エンドポイントと SDK メソッドでは引き続き speech_to_speech／speechToSpeech という名前が使われます）は、感情、ペース、イントネーション、息づかい、ささやき、笑い、泣き声など、元のパフォーマンスを保ったまま、話者だけを入れ替えます。

コードを書く前のセットアップ： このプロジェクトで ELEVENLABS_API_KEY が設定されていない場合は、まずアプリのフォルダーから npx -y @elevenlabs/cli@latest onboard init を実行し、表示される手順に従ってください。ユーザーのサインインとプロジェクト用キーの保存が行われるため、手動でキーをコピーする必要はありません。それ以外の場合は、インストールガイドを参照してください。JavaScript では、@elevenlabs/* パッケージのみを使用してください。

主な仕様

• 入力の最大長： 1 リクエストあたり 5 分です。それより長い録音は分割して、出力をつなぎ合わせてください。
• ファイルの最大サイズ： 1 リクエストあたり 50 MB です。ソースがそれより大きい場合は、MP3 に圧縮してください。
• 料金： 処理する音声 1 分あたり 1,000 文字です（テキスト量ではなく、音声の長さに基づきます）。
• 推奨モデル： eleven_multilingual_sts_v2 です。英語のみのコンテンツでも、eleven_english_sts_v2 を上回ることがよくあります。

クイックスタート

Python

from elevenlabs import ElevenLabs

client = ElevenLabs()

with open("source.mp3", "rb") as audio_file:
    audio_stream = client.speech_to_speech.convert(
        voice_id="JBFqnCBsd6RMkjVDRZzb",  # George
        audio=audio_file,
        model_id="eleven_multilingual_sts_v2",
        output_format="mp3_44100_128",
    )

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

JavaScript

import { ElevenLabsClient } from "@elevenlabs/elevenlabs-js";
import { createReadStream, createWriteStream } from "fs";

const client = new ElevenLabsClient();

const audioStream = await client.speechToSpeech.convert("JBFqnCBsd6RMkjVDRZzb", {
  audio: createReadStream("source.mp3"),
  modelId: "eleven_multilingual_sts_v2",
  outputFormat: "mp3_44100_128",
});

audioStream.pipe(createWriteStream("converted.mp3"));

CLI

elevenlabs speech-to-speech convert \
  --voice-id JBFqnCBsd6RMkjVDRZzb \
  --audio source.mp3 \
  --model-id eleven_multilingual_sts_v2 \
  --output-format mp3_44100_128 \
  --output converted.mp3

パラメーター

パラメーター	型	デフォルト	説明
voice_id	string（必須）	—	使用するターゲット音声です。既成の音声 ID、クローン音声、またはライブラリーの音声を使用できます
audio	file（必須）	—	パフォーマンス（感情、タイミング、話し方）が保持されるソース音声です
model_id	string	eleven_english_sts_v2	29 言語には eleven_multilingual_sts_v2、英語のみには eleven_english_sts_v2 を使用します
output_format	string	mp3_44100_128	下記の出力形式の表を参照してください
voice_settings	JSON string	—	このリクエストに限り、保存されている音声設定を上書きします
seed	integer	—	可能な範囲で決定的なサンプリングを行います（0～4294967295）
remove_background_noise	boolean	false	変換前に、入力音声に分離モデルを適用します
file_format	string	other	エンコード済みの音声には other、または 16 ビット PCM モノラル @ 16kHz リトルエンディアン（低レイテンシ）には pcm_s16le_16 を指定します
optimize_streaming_latency	int（query）	—	0～4。品質とレイテンシのバランスを調整します。4 が最速ですが、テキストノーマライザーが無効になります
enable_logging	boolean（query）	true	ゼロリテンションモードにするには false を設定します（エンタープライズのみ。履歴／つなぎ合わせ機能が無効になります）

モデル

モデル ID	言語	最適な用途
eleven_multilingual_sts_v2	29	あらゆる用途に推奨されます。英語の音声でも英語モデルを上回ることがよくあります
eleven_english_sts_v2	英語	API のデフォルト。英語のみのフォールバック

ここで使用できるのは、can_do_voice_conversion プロパティが true のモデルのみです。ボイスチェンジャーには現在、低レイテンシの「flash/turbo」ティアはありません。必要な場合は、入力に pcm_s16le_16、出力に opus_*／低ビットレートの mp3_* を使用し、optimize_streaming_latency の値を上げてください。

対応言語（eleven_multilingual_sts_v2）

英語（US、UK、AU、CA）、日本語、中国語、ドイツ語、ヒンディー語、フランス語（FR、CA）、韓国語、ポルトガル語（BR、PT）、イタリア語、スペイン語（ES、MX）、インドネシア語、オランダ語、トルコ語、フィリピン語、ポーランド語、スウェーデン語、ブルガリア語、ルーマニア語、アラビア語（SA、AE）、チェコ語、ギリシャ語、フィンランド語、クロアチア語、マレー語、スロバキア語、デンマーク語、タミル語、ウクライナ語、ロシア語。

ターゲット音声

既成の音声、クローン音声、または音声ライブラリーの任意の音声 ID を使用できます。

人気の音声：

• JBFqnCBsd6RMkjVDRZzb — George（男性、ナレーション）
• EXAVITQu4vr4xnSDxMaL — Sarah（女性、柔らかい声）
• onwK4e9ZLuTAKqWW03F9 — Daniel（男性、権威のある声）
• XB0fDUnXU5powFXDhCwa — Charlotte（女性、会話調）

voices = client.voices.get_all()
for voice in voices.voices:
    print(f"{voice.voice_id}: {voice.name}")

URL から変換する

import requests
from io import BytesIO
from elevenlabs import ElevenLabs

client = ElevenLabs()

audio_url = "https://storage.googleapis.com/eleven-public-cdn/audio/marketing/nicole.mp3"
response = requests.get(audio_url)
audio_data = BytesIO(response.content)

audio_stream = client.speech_to_speech.convert(
    voice_id="JBFqnCBsd6RMkjVDRZzb",
    audio=audio_data,
    model_id="eleven_multilingual_sts_v2",
    output_format="mp3_44100_128",
)

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

音声設定のオーバーライド

保存済みのデフォルト設定を変更せずに、1 回のリクエストに限ってターゲット音声を微調整します。

from elevenlabs import VoiceSettings

audio_stream = client.speech_to_speech.convert(
    voice_id="JBFqnCBsd6RMkjVDRZzb",
    audio=audio_file,
    model_id="eleven_multilingual_sts_v2",
    voice_settings=VoiceSettings(
        stability=0.5,
        similarity_boost=0.75,
        style=0.0,
        use_speaker_boost=True,
    ),
)

• 安定性：低いほど感情表現の幅が広がり（ソース音声により忠実に従い）、高いほど安定した話し方になります。
• 類似性ブースト：高いほどターゲット音声の音色に近づきますが、ソース音声のアーティファクトが強調される場合があります。
• スタイル：ターゲット音声の独自の特徴を強調します（v2 以降のモデル）。
• スピーカーブースト：ターゲット音声の明瞭さを高めるポストプロセスです。

ノイズの多いソース音声のクリーンアップ

入力録音にノイズがある場合は、voice-isolator スキルで前処理するか、remove_background_noise=True を渡すことで、1 回の呼び出しで処理できます。

audio_stream = client.speech_to_speech.convert(
    voice_id="JBFqnCBsd6RMkjVDRZzb",
    audio=audio_file,
    model_id="eleven_multilingual_sts_v2",
    remove_background_noise=True,
)

よりクリーンな入力は、ほぼ常に変換品質を向上させます。モデルは音素と韻律を一致させようとするため、バックグラウンドノイズは妨げになります。

低レイテンシ PCM 入力

16-bit PCM モノラル、16kHz の生データがある場合は、file_format="pcm_s16le_16" を渡すとデコードがスキップされ、レイテンシが低下します。

audio_stream = client.speech_to_speech.convert(
    voice_id="JBFqnCBsd6RMkjVDRZzb",
    audio=pcm_bytes,
    model_id="eleven_multilingual_sts_v2",
    file_format="pcm_s16le_16",
)

品質が多少低下する代わりに、クエリパラメーターとして optimize_streaming_latency（0～4）を組み合わせると、さらにレイテンシを低減できます。

出力形式

形式	説明
mp3_44100_128	MP3 44.1kHz 128kbps（デフォルト）— Web／アプリに適しています
mp3_44100_192	MP3 44.1kHz 192kbps（Creator+）— 高品質です
mp3_44100_64	MP3 44.1kHz 64kbps — ファイルサイズが小さくなります
mp3_22050_32	MP3 22.05kHz 32kbps — 最小サイズの MP3 です
pcm_16000	生 PCM 16kHz — リアルタイムパイプライン向けです
pcm_24000	生 PCM 24kHz — ストリーミングのバランスに優れています
pcm_44100	生 PCM 44.1kHz（Pro+）— CD 品質です
pcm_48000	生 PCM 48kHz（Pro+）— 最高品質です
ulaw_8000	μ-law 8kHz — Twilio／電話向けです
alaw_8000	A-law 8kHz — 電話向けです
opus_48000_64	Opus 48kHz 64kbps — 効率的なストリーミング向けです

決定論的な出力

seed を渡すと、同じ入力を繰り返し変換した際に、ベストエフォートで同一の音声が返されます。テストや A/B 比較に便利です。

audio_stream = client.speech_to_speech.convert(
    voice_id="JBFqnCBsd6RMkjVDRZzb",
    audio=audio_file,
    model_id="eleven_multilingual_sts_v2",
    seed=12345,
)

入力音声のベストプラクティス

変換品質は入力録音の品質に左右されます。モデルが変更できるのは音色だけで、質の悪いソース音声を修復することはできません。実践的なルールをいくつか紹介します。

• 表情豊かに話しましょう。 ささやき、叫び、笑い、泣きなどの表現はすべてモデルに引き継がれます。平坦な入力では、出力も平坦になります。
• マイクのゲインに注意しましょう。 小さすぎるとモデルが音素を検出しにくくなり、大きすぎるとクリッピングが変換結果に混入します。クリッピングを避け、適切なピークレベルを目指してください。
• アクセントと話すテンポは、ターゲットではなくソース音声から引き継がれます。 アメリカ英語のアクセントで読み上げて、イギリス英語の「George」をターゲットにすると、George の音色でアメリカ英語のアクセントになります。別のアクセントや言語に吹き替えるには、そのターゲットのアクセント／言語で話す人の録音を用意し、クローン音声またはライブラリ音声に変換してください。
• まずノイズを除去しましょう。 remove_background_noise=True を渡すか、変換前に voice-isolator スキルでソース音声を処理してください。ノイズは TTS よりもこの処理に大きな影響を与えます。
• 長い録音は分割しましょう。 5 分を超える録音は分割する必要があります。自然な間で区切り、各部分を変換してから、生成された音声を連結してください。

よくあるワークフロー

• ナレーションの声を差し替える — 仮録音の演技を保ったまま、別のナレーターの声に差し替えます。
• ローカライズ／吹き替え — ナレーションを、別の言語で話す同じ話者のクローン音声に変換します（eleven_multilingual_sts_v2 を使用）。
• キャラクターボイスを作成する — 自分でセリフを演じ、その声をゲームやアニメーション向けの特徴的なキャラクターボイスに変換します。
• 話者を匿名化する — 話した内容と話し方を保ちながら、認識可能な声をニュートラルな既製音声に置き換えます。
• voice-isolator と組み合わせる — ノイズの多い現場録音を変換する前に、ソース音声の声を分離するか、remove_background_noise=True を設定します。
• ボイスクローニングと組み合わせる — 短いサンプルからターゲット音声をクローンし、その voice_id を変換先としてここで使用します。

エラー処理

try:
    audio_stream = client.speech_to_speech.convert(
        voice_id="JBFqnCBsd6RMkjVDRZzb",
        audio=audio_file,
        model_id="eleven_multilingual_sts_v2",
    )
except Exception as e:
    print(f"Voice changer failed: {e}")

よくあるエラー：

• 401：API キーが無効です
• 422：パラメーターが無効です（voice_id、model_id、または指定した音声に対する file_format を確認してください）
• 429：レート制限を超過しました

参考資料

• インストールガイド