Eleven v4 and Eleven v4 Turbo

Eleven v4 と Eleven v4 Turbo とは

Eleven v4 は ElevenLabs の最新音声モデルで、2026 年 9 月 28 日に公開された第 4 世代のテキスト読み上げシステムだ。台本を読むとき、誰が話しているのか、直前の場面で何が起きたのか、その一行をどう落とすのかを踏まえる。段落全体を同じ調子で平坦に読むのではなく、間合い、強調、息継ぎを文章に合わせて動かす。

Turbo は同じ音声合成の低遅延版である。感情の幅はそのままに、速度を優先した。ElevenLabs の公表値では推論遅延の中央値が約 100 ミリ秒、最初の音声までが約 150 ミリ秒。電話口の相手が間を意識する前に、エージェントは話し始める。

どちらもチャットボットではない。台本を用意し、声を選び、演技を指示するのは利用者側だ。ElevenLabs は Artificial Analysis の音声ランキングで Eleven v4 を 1 位に置き、ブラインドテストで約 75% の聴取者が好んだとしている。これは提供元の主張なので、自分の素材で確かめたほうがいい。

制約は現実的だ。1 回の生成は 10,000 文字まで、課金はクレジット制、ボイスクローンには声の持ち主の確認済み同意が要る。v4 の公開前に作ったクローンは、再学習させないと本来の品質にならない。同意は省略できない。

はじめかた

1. ElevenLabs のアカウントを作る。無料枠は月 10,000 クレジットで、音声はおよそ 10 分。
2. Text to Speech を開き、制作物なら Eleven v4、稼働中のエージェントなら Eleven v4 Turbo を選ぶ。API では eleven_v4 か eleven_v4_turbo のモデル ID に切り替える。
3. 17,500 以上のライブラリから声を選ぶか、短い録音からクローンするか、文章で説明して生成する。
4. 台本を書き、演技を変えたい位置に [whispers]、[laughs]、[long pause] のような指示を角括弧で入れる。
5. 生成して、用途に合わせて MP3、WAV、PCM、µ-law で書き出す。