Eleven v4とは

Eleven v4とは、音声合成で文章を読み上げ、せりふの間や声の調子を調整できるElevenLabsのモデルです。2026年9月28日に、品質を重視した標準版と、返答を速く返すEleven v4 Turboの2種類が公開されました。日本語を含む90以上の言語が両方の対応範囲です。

広告のせりふと、電話の返答では用途が異なる

登場人物がいる広告では、同じ「お待ちください」でも、落ち着かせる声と急いで呼び止める声では印象が違います。文章に読み方の指示を添え、対話の中で複数の声を切り替えられるのが特徴。本番用の素材を作るなら、直前のせりふから続けて試聴すると、声の調子が場面に合うか判断しやすくなります。

会話中の待ち時間を短くしたい場合はTurboが候補。ElevenLabsは標準版を制作向け、TurboをElevenAgentsなどの対話向けに案内しています。電話で返事が来るまでの時間には、こちらの発話の聞き取りや返事を考える時間も必要です。比較するときは、音声だけが出る速さと通話全体の待ち時間を分けて確認しましょう。

料金は何を基準に見る?

2026年11月時点のElevenAPI料金表では、標準版は1,000文字あたり約0.08米ドル、Turboは約0.04米ドル(いずれも税別)。音声の再生時間ではなく、読み上げさせる文字数が見積もりの基準です。何度も読み直す原稿なら、完成稿の文字数だけで費用を考えると足りなくなることがあります。

Topic同じ声でも、別の言語だと訛りの扱いが変わる

ボイスクローンで元の声を再現するとき、Eleven v4は原音と同じ言語なら元のアクセントを保ちます。異なる言語を話させる場合は、既定では生成先の言語で自然な発音に寄せる設計です。音声に付ける指示のタグで訛りを誘導する方法もありますが、結果は声によって変わると公式も注意しています。外国語でも登場人物の訛りまで残したい映像では、声質が合っているかに加え、発音も試聴する理由になります。

Eleven v4に関するよくある質問

標準版は一度に何文字まで渡せますか?
公式のモデル一覧では、1回1万文字(約10分)までとされています。ただし、Eleven v4を呼び出す対話用のAPI(Text to Dialogue)の説明では、安定して生成できる目安を1回あたり2,000文字以下としています。長い研修原稿は章や段落ごとに分けて生成し、音の継ぎ目と読み方の一貫性を確認してください。
社内で作った読み上げ音声の声も再利用できますか?
ElevenAPIの料金ページでは、ライブラリにある声をIDで指定できます。社員や出演者の声を再現する場合は、収録への同意と、生成した音声をどこで使うかを事前に分けて確認してください。

あわせて読みたい記事