テキスト読み上げ
ElevenLabsでテキストを生き生きとした音声に変換する方法を紹介します。
概要
ElevenLabsのテキスト読み上げ（TTS） APIは、抑揚、ペース、感情を細かく捉えた自然なオーディオへテキストを変換します。モデルは32言語と複数の音声スタイルにわたるテキスト上の手がかりに適応し、次の用途に使用できます。
- グローバルなメディアキャンペーンや広告をナレーションする
- 複雑な感情表現を含む多言語のオーディオブックを制作する
- テキストからリアルタイムオーディオをストリーミングする
サンプルを聞く：
ボイスライブラリで、プロジェクトに最適な音声を見つけてください。
音声品質
リアルタイムアプリケーション向けには、Flash v2.5が超低遅延の75msを提供します。一方、Multilingual v2はより繊細な表現による最高品質のオーディオを実現します。
音声オプション
ElevenLabsは、複数の作成方法を通じて32言語で数千種類の音声を提供しています。
- コミュニティで共有された10,000以上の音声を含むボイスライブラリ
- 最高忠実度の複製を実現するプロフェッショナルボイスクローン
- 手軽に音声を複製できるインスタントボイスクローン
- テキストによる説明からカスタム音声を生成するボイスデザイン
音声オプションの詳細をご確認ください。
オーディオエフェクト
オーディオエフェクトは生成した音声を後処理し、後から編集しなくても特定の場所で録音されたような音にします。次の任意の組み合わせを設定できます。
- フィルタープリセット：電話回線、古いラジオ、ロボットなどのように音声の音色を変えます。
- 距離：話者をマイクから遠ざけます。
- 環境：小さな部屋やホールなど、残響のある空間に音声を配置します。
- バックグラウンドノイズ：カフェの環境音やキーボード入力音などを、音声の下でループ再生します。
- パン：左右のチャンネル間で音声を配置します。
エフェクトは、ストリーミングおよびタイムスタンプ付きリクエストを含むテキスト読み上げとテキストtoダイアログのエンドポイントで、audio_effectsパラメータを通じて利用できます。利用可能なフィルタープリセット、環境、バックグラウンドノイズは、オーディオエフェクトカタログで一覧表示できます。エージェントにも音声フィルターを適用できます。詳しくはオーディオ環境をご覧ください。アプリでは、テキスト読み上げプレイグラウンドからエフェクトを追加できます。
エフェクトによってリクエストの料金が変わることはありません。
リバーブ（send_levelが0より大きいenvironment_id）およびゼロ以外のpanはステレオ
オーディオを生成します。これらをモノラルのpcm_*、ulaw_*、alaw_*出力形式と組み合わせたリクエストは、
400エラーで拒否されます。
対応する出力形式
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
Multilingual v2モデルは、29言語に対応しています。
英語（米国、英国、オーストラリア、カナダ）、日本語、中国語、ドイツ語、ヒンディー語、フランス語（フランス、カナダ）、韓国語、ポルトガル語（ブラジル、ポルトガル）、イタリア語、スペイン語（スペイン、メキシコ）、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（サウジアラビア、アラブ首長国連邦）、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。
Flash v2.5は、v2モデルのすべての言語に加え、以下を含む32言語に対応しています。
ハンガリー語、ノルウェー語、ベトナム語
対応言語のいずれかでテキストを入力し、ボイスライブラリから一致する音声を選択するだけです。最も自然な結果を得るには、対象の言語と地域に合ったアクセントの音声を選択してください。
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。
説明文はモデルによって読み上げられます。必要に応じて、オーディオから手動でトリミングまたは削除してください。
FAQ
自分の声をクローンできますか？
はい。短いオーディオクリップから、自分の声のインスタントボイスクローンを作成できます。 高忠実度のクローンについては、プロフェッショナルボイス クローン機能をご確認ください。
オーディオ出力の所有権はありますか？
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。
無料再生成の対象は何ですか？
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。
- 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。
リアルタイム用途の遅延を減らすにはどうすればよいですか？
出力が不安定になることがあるのはなぜですか？
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。
長いテキストを変換する際のベストプラクティスは何ですか？
長いテキストはセグメントに分割し、リアルタイム再生と効率的な処理にはストリーミングを使用してください。 チャンク間で自然な韻律の流れを維持するには、前後のテキストまたは前後の リクエストIDパラメータを指定してください。
主なポイント
- 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 - オーディオエフェクト：
audio_effectsを使用して、フィルタープリセット、距離、リバーブ、バックグラウンドノイズ、パンニングを追加料金なしで追加できます - 無料再生成：生成ごとに最大2回の無料再生成（同一コンテンツおよびパラメータのみ）
- 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
- 低遅延ユースケース：Flashモデル（
eleven_flash_v2またはeleven_flash_v2_5）を使用してください。詳しくは遅延最適化ガイドをご覧ください - 長いテキスト：長いテキストはセグメントに分割し、
previous_text／next_textパラメータを使用してチャンク間で自然な韻律を維持します