ナビゲーションにスキップ
機能

テキストtoダイアログ

ElevenLabsで没入感のある自然な会話を作成する方法を紹介します。

概要

ElevenLabsのテキストtoダイアログ APIは、Eleven v4とEleven v3を使用して、テキストから自然で表現力豊かな会話を生成します。Eleven v4をおすすめします。主なユースケースは以下のとおりです。

  • ビデオゲーム向けの完璧な会話を生成する
  • ポッドキャストなどのオーディオコンテンツ向けに没入感のある会話を作成する
  • 表現力豊かなナレーションでオーディオブックに命を吹き込む

希望する結果を得るには、複数回の生成が必要になる場合があります。テキストtoダイアログをアプリケーションに統合する際は、複数の候補を生成し、ユーザーが最適なものを選べるようにしてください。

電話、カフェ、大きなホールなどのシーンに会話を配置するには、リクエストでaudio_effectsを指定します。テキスト読み上げのオーディオエフェクトと同じフィルタープリセット、環境、バックグラウンドノイズが会話全体に適用されます。会話エフェクトはAPIでのみ利用できます。

サンプルを聞く：

デベロッパー向け

テキストtoダイアログをアプリケーションに統合する方法を紹介します。

プロンプトガイド

オーディオタグを使って表現力豊かな会話をプロンプトする方法を紹介します。

APIリファレンス

テキストtoダイアログエンドポイントの完全なAPIリファレンスです。

音声オプション

ElevenLabsは、複数の作成方法を通じて数千種類の音声を提供しています。Eleven v4は90以上の言語、Eleven v3は70以上の言語をサポートしています。

音声オプションの詳細をご確認ください。

プロンプト

モデルはテキスト入力から感情的な文脈を直接解釈します。たとえば、 「彼女は興奮して言った」のような説明文を追加したり、感嘆符を使用したりすると、発話の 感情に影響します。StabilityやSimilarityなどの音声設定は一貫性の制御に役立ちますが、 根底にある感情はテキスト上の手がかりから生まれます。

詳しくはプロンプトガイドをご覧ください。

オーディオタグによる感情表現

この機能は現在も活発に開発中のため、実際の結果は異なる場合があります。

Eleven v4とEleven v3では、非音声のオーディオイベントを使用して会話の表現を調整できます。テキスト入力内でオーディオイベントを角括弧で囲んで挿入します。

テキストtoダイアログでは、各会話ターンに個別のテキストと音声があります。影響させたいターンのテキスト内にオーディオタグを追加してください。voice_idは引き続きそのターンの話者音声を選択し、タグは表現を指示します。

たとえば、ある話者はテキストを[giggling]で始めながら1つの音声を使用し、次の話者はテキストを[whispering]で始めながら別の音声を使用できます。タグとvoice_idを組み合わせたAPIの例については、テキストtoダイアログのクイックスタートをご覧ください。

オーディオタグはenumパラメータではなく、自然言語による指示です。指示を角括弧で囲み、表現を変えたい位置のテキストに配置します。以下の例は網羅的なものではありません。効果的なタグについての詳しいガイダンスは、プロンプトガイドをご覧ください。

オーディオタグにはいくつかの形式があります。

感情と表現

例： [sad]、[laughing]、[whispering]

オーディオイベント

例： [leaves rustling]、[gentle footsteps]、[applause]。

全体的な演出指示

例： [football]、[wrestling match]、[auctioneer]。

例：

"[giggling] That's really funny!"
"[groaning] That was awful."
"Well, [sigh] I'm not sure what to say."

中断など、会話の流れを示すために句読点を使用することもできます。

"[cautiously] Hello, is this seat-"
"[jumping in] Free? [cheerfully] Yes it is."

文が途切れることを示すには、省略記号を使用できます。

"[indecisive] Hi, can I get uhhh..."
"[quizzically] The usual?"
"[elated] Yes! [laughs] I'm so glad you knew!"

デフォルトのレスポンス形式はmp3ですが、pcmやulawなどの形式も利用できます。

  • MP3
    • サンプルレート：22.05kHz～44.1kHz
    • ビットレート：32kbps～192kbps
    • 22.05kHz @ 32kbps
    • 44.1kHz @ 32kbps、64kbps、96kbps、128kbps、192kbps
  • PCM（S16LE）
    • サンプルレート：16kHz～44.1kHz
    • ビットレート：8kHz、16kHz、22.05kHz、24kHz、44.1kHz、48kHz
    • 16ビット深度
  • μ-law
    • 8kHzサンプルレート
    • 電話アプリケーション向けに最適化
  • A-law
    • 8kHzサンプルレート
    • 電話アプリケーション向けに最適化
  • Opus
    • サンプルレート：48kHz
    • ビットレート：32kbps～192kbps

高品質なオーディオオプションは有料プランでのみ利用できます。詳しくは料金 ページをご覧ください。

対応言語

Eleven v4は90以上の言語をサポートしています。Eleven v3は70以上の言語をサポートしています。完全なリストはEleven v4とEleven v3をご覧ください。

FAQ

テキストtoダイアログは、Eleven v4およびEleven v3モデルで利用できます。

はい。生成したオーディオの所有権は保持されます。ただし、商用利用権は有料プランでのみ 利用できます。有料サブスクリプションでは、入力コンテンツのIP権利を保有している場合、生成したオーディオを商用目的で使用し、出力を収益化できます。

無料再生成では、以下の条件に従い、追加費用なしで同じテキスト読み上げコンテンツを再生成できます。

  • ElevenLabsダッシュボード内でのみ利用できます。
  • 各コンテンツは最大2回まで無料で再生成できます。
  • コンテンツは前回の生成と完全に同一である必要があります。テキスト、音声設定、その他のパラメータを変更すると、新たな有料生成が必要です。

無料再生成は、オーディオ出力にわずかな歪みがある場合に便利です。ElevenLabsの社内ベンチマークによると、再生成によって品質に関する問題のおよそ半分は解決され、残りの問題は通常、トレーニングデータの質の低さが原因です。

会話内の話者数に制限はありません。

モデルは非決定的です。一貫性を高めるには、任意のseed パラメータを使用してください。ただし、わずかな 差異が生じる場合があります。

信頼性の高い生成のため、リクエストごとにすべてのinputs[].text値の合計文字数を2,000文字以下にしてください。長いテキストはチャンクに分割し、生成されたオーディオをアプリケーション内で連結します。

主なポイント

  • モデル：Eleven v4およびEleven v3で利用可能
  • 話者：会話ごとの話者数に制限なし
  • リクエストサイズ：リクエストごとにすべてのinputs[].text値の合計文字数を2,000文字以下にする
  • 決定性：出力は非決定的です。より一貫した結果を得るにはseedパラメータを使用してください
  • 無料再生成：生成ごとに最大2回の無料再生成（同一コンテンツ、同一パラメータ、ダッシュボードのみ）
  • 所有権：生成したオーディオの所有権は保持されます。商用利用には有料プランが必要です