Eleven v4
最新かつ最先端のテキスト読み上げモデルです。
Eleven v4は、最新かつ最も高度なテキスト読み上げモデルであり、新世代モデルの最初のモデルです。Eleven v3と比べて、出力品質、音声の精度、一貫性、感情表現、話し方、オーディオタグ、対応言語が向上しています。
一般に、Eleven v4はEleven v3の正統なアップグレードであり、ほぼすべてのケースでより優れた結果を提供します。v4への切り替えを強くおすすめします。ご自身の音声とコンテンツで試し、その違いを確認してください。別のモデルが適するエッジケースも一部ありますが、ほとんどのユーザーにはv4がより適した選択肢となるでしょう。
タグ、句読点、対話形式のプロンプトについては、Eleven v4のプロンプトを参照してください。
ボイスクローン
Eleven v4では、ボイスクローンの精度が大きく向上しました。クローン音声は、声質、話すリズム、話し方といった元の音声の特徴を、これまでのどのモデルよりも忠実に再現します。
Eleven v4では、インスタントボイスクローン（IVC）の精度がこれまで以上に向上しています。元の音声を特徴づける要素をより忠実に捉えるため、短い音声サンプルからでも説得力のあるクローンをすばやく作成できます。
インスタントボイスクローンはEleven v4で大幅にアップグレードされ、全体的な精度が明らかに 向上しました。まだ試していない場合は、ご自身の 音声で試す良い機会です。
プロフェッショナルボイスクローン（PVC）はEleven v4で完全にサポートされています。同じ音声精度の向上を基盤としており、最高レベルの一貫性と制御が必要なワークフロー向けに、元の音声をより忠実に再現します。
この大幅な精度向上により、Eleven v4はEleven v3とかなり異なる音に聞こえる場合があります。Eleven v3は話し方と精度に重点を置き、Eleven v4の基盤となりました。Eleven v4はその基盤の上に、音声精度を大幅に向上させています。そのためEleven v4は元の音声をより忠実に捉えるよう設計されていますが、Eleven v3での音声の聞こえ方を好む場合もあるでしょう。精度と個人の好みは必ずしも同じではないため、ご自身のコンテンツで両方のバージョンを比較し、ユースケースに最適なものを選ぶことをおすすめします。
Eleven v4は、アクセント、話し方、音量、その他の特徴的な性質を含む元の音声の特性をより忠実に再現するため、元の録音の品質がこれまで以上に重要になります。明瞭でクリーンなトレーニング音声は、不要な音や特徴を取り込まずに、Eleven v4が音声を正確に捉えるのに役立ちます。バックグラウンドノイズ、歪み、その他の録音上の問題は結果に影響する可能性があります。
最適な使い方を理解するため、Eleven v4の実験を継続しています。現時点では、特にプロフェッショナルボイスクローンのようにトレーニング音声が多い場合、細かなニュアンスを含む音声を捉える能力が大幅に向上しているようです。より多様なデータセットでモデルを制御する方法を引き続き検証する中で、多様なトレーニングデータの利用に関するガイダンスは変更される可能性があります。現時点では、トレーニング音声では単一の話し方のスタイルに統一することをおすすめします。Eleven v4は、以前のモデルよりもこれを適切に捉えられるはずです。
ネイティブアクセントの処理
これは、Eleven v4における旧モデルとの最大の違いの一つであり、明確に理解しておく価値があります。
生成する言語が参照音声の言語と一致する場合、元のアクセントはこれまでとまったく同じように保持されます。
生成する言語が参照音声の言語と異なる場合、Eleven v4は元の言語のアクセントを引き継ぐのではなく、ターゲット言語で流暢かつ自然な音声を生成します。
実際には、韓国語話者の音声をクローンして英語を生成すると、Eleven v4は韓国語アクセントの英語ではなく、自然で流暢な英語を生成します。これにより、すべての音声をサポート対象のあらゆる言語で使用できるようになります。特に、吹き替え、多言語コンテンツ、単一の音声で異なる言語のユーザーに対応する必要がある音声エージェントに役立ちます。
ワークフローで、他の言語でも元のアクセントを維持する必要がある場合は、移行前にEleven v4でこの挙動を直接テストしてください。これはクロスランゲージ生成の仕組みにおける意図的な変更であり、バグではありません。
ただし、この新機能は現在も微調整中であり、常に有効にするのではなく切り替え可能にする方法を検討しています。これはまだ研究プロジェクトの段階であるため、現時点で時期や追加情報はありません。
モデルバリアント
Eleven v4には2つのバリアントがあり、ユースケースに合わせて品質と速度の適切なバランスを選択できます。
- Eleven v4（
eleven_v4）— 最高品質のモデルです。コンテンツ制作、オーディオブック、キャラクターのボイスオーバーなど、品質を最優先するあらゆるユースケースに最適です。 - Eleven v4 Turbo（
eleven_v4_turbo）— 非常に高い品質を維持しながら、優れた低レイテンシーを実現します。会話型エージェントやインタラクティブな音声体験など、リアルタイムのユースケース向けに設計されています。
どちらのバリアントにも、StabilityとSimilarityの2つの音声設定があります。
Stabilityは、生成ごとに話し方をどの程度一貫させるかを制御します。低い値では表現豊かで変化のある話し方になり、高い値ではパフォーマンスを固定されたベースラインに近づけます。
Similarityは、出力が参照音声にどの程度忠実に従うかを制御します。値を高くすると参照音声への忠実度が高まりますが、自然さが多少損なわれる場合があります。
Eleven v4でプロフェッショナルボイスクローンを使用して音声を生成すると、追加のClone Strengthスライダーが表示されます。Clone Strengthは、出力がクローンのトレーニング録音にどの程度従うかを制御します。低い値では音声がやや滑らかになり、話し方の表現の柔軟性が高まります。元の音声らしさを保ちながら、全体としてより良く聞こえることが多くあります。高い値では滑らかさを抑え、トレーニング録音により近い出力となり、元の音声の話し方やパフォーマンスをより忠実に模倣します。特徴的な性質や独自のアクセントを持つ音声には、高い値が特に役立つことがあります。ほとんどの音声では、まず0%から始めてください。
Eleven v4ではStyleとSpeedのスライダーは利用できず、SSMLもサポートされていません。
オーディオタグ（例：[whispering]、[shouting]、[laughing]）を使うと、きめ細かな制御で話し方を指示できます。Eleven v4は、以前のモデルを超えるニュアンスでこれらを処理します。まだ完全ではなく、タグの指示にモデルがどれほど確実に従うかについては、継続的に改善を重ねています。これは現在も積極的に投資している分野であり、今後も向上していきます。
ショーケース
これらの例は生の音声です。EQ、コンプレッション、 ノーマライズ、ディエッシング、破裂音の除去など、強い後処理は一切行っていません。クリッピング、破裂音、不均一なEQ、 音量の急な変化など、繰り返し発生する問題が聞こえる場合は、 その音声のトレーニングデータに含まれている可能性が非常に高いです。Eleven v4モデルは、欠点も含めて非常に正確に 捉えるため、それらもそのまま捉えただけです。モデルが生成した音声を聞けるよう、 音声には手を加えていません。
ボイスクローンの精度
各例は、ボイスライブラリのプレビューから始まります。次にテキストを用意し、その音声のインスタントボイスクローンを使用して、Eleven v3とEleven v4の両方で生成しました。
これは完全に公平な比較ではありません。Eleven v4はプロフェッショナルボイスクローンにも対応しており、さらに高い一致度を実現できます。ただし、より公平な比較にするため、Eleven v3とEleven v4の両方でインスタントボイスクローンを使用しました。
これらの例は、モデルが元の音声をどの程度捉えているかを示しています。これにはEQ、品質、音量に加え、破裂音、耳障りな歯擦音、音量の変動など、音声に含まれるその他の細かな詳細や不完全さも含まれる点に注意してください。
プレビュー、Eleven v3、Eleven v4の順に聞いてください。
音声 NfUrCNRReUL9RXS9upG1。
音声 HBDoL4wkcalemIO0nUAu。
ボイスアクティング
これらはEleven v4で生成した音声です。テキスト内のオーディオタグが話し方を指示します。
音声 EkK5I93UQWFDigLMpZcX。
音声 t7VaN65ClS2VrEUwk1nR。
オーディオブック
これはEleven v4によるナレーションです。タグがシーンのペースとトーンを設定します。
音声 KHRvDizAHFVPzoSehNY6。
モデルは進化を続けます
Eleven v4は、現在も継続的に積極的な開発が進められています。リリース後もモデルのトレーニングと改善を続けるため、品質の向上に伴って挙動が時間とともに変化する可能性があります。モデルの進化に合わせて、ユースケースを定期的に再テストすることをおすすめします。重要な更新が展開される際にはお知らせします。
よくある質問
Eleven v4はどの言語をサポートしていますか？
Eleven v4は、アフリカーンス語、アムハラ語、アラビア語、アルメニア語、アッサム語、アストゥリアス語、アゼルバイジャン語、 ベラルーシ語、ベンガル語、ボスニア語、ブルガリア語、ビルマ語、広東語、カタルーニャ語、セブアノ語、クロアチア語、チェコ語、 デンマーク語、オランダ語、英語、エストニア語、フィリピン語、フィンランド語、フランス語、フラ語（プラール語）、ガリシア語、ジョージア語、 ドイツ語、ギリシャ語、グジャラート語、ハウサ語、ヘブライ語、ヒンディー語、ハンガリー語、アイスランド語、インドネシア語、イタリア語、 日本語、カンナダ語、カザフ語、韓国語、キルギス語、ラオ語、リンガラ語、リトアニア語、ルガンダ語、ルクセンブルク語、 マケドニア語、マレー語、マラヤーラム語、マルタ語、中国語（標準語）、マオリ語、マラーティー語、モンゴル語、ネパール語、 ノルウェー語（ブークモール）、オック語、オディア語、パシュトー語、ペルシャ語、ポーランド語、ポルトガル語（ブラジル）、パンジャブ語、ルーマニア語、 ロシア語、セルビア語、ショナ語、シンド語、スロバキア語、スロベニア語、ソマリ語、ソラニー・クルド語、スペイン語（ラテンアメリカ）、 スワヒリ語、スウェーデン語、タジク語、タミル語、テルグ語、タイ語、トルコ語、ウクライナ語、ウルドゥー語、ウズベク語、ベトナム語、ウェールズ語、 ウォロフ語をサポートしています。
言語によって流暢さには差がありますが、一般にEleven v4はこれらの大半を非常に適切に処理します。
クローン音声はアクセントを維持しますか？
参照音声と生成音声が同じ言語の場合、音声のアクセントは保持されます。たとえば、特定の英語アクセントで英語を話す人の音声をクローンし、英語音声を生成すると、そのアクセントは維持されます。
元のアクセントのまま、別の言語を話させることはできますか？
デフォルトでは、生成する言語が参照音声の言語と異なる場合、Eleven v4は参照アクセントを引き継ぐのではなく、ターゲット言語で流暢かつ自然な音声を目指します。オーディオタグを使ってアクセントや話し方のスタイルを指定することもできますが、結果は異なる場合があるため、特定の音声とユースケースでテストしてください。
Eleven v4のクローンはEleven v3版と同じように聞こえますか？
一般に、Eleven v4は声質、話すリズム、話し方、その他の話し方の特徴を含め、Eleven v3よりも元の音声の特性をはるかに正確に再現します。そのため、Eleven v4のクローンは通常、元の音声により近く聞こえ、Eleven v3版とはかなり異なる場合があります。
Eleven v4のトレーニングは必要ですか？
Eleven v4は、インスタントボイスクローンとプロフェッショナルボイスクローンの両方で利用できます。
インスタントボイスクローンでは、別途トレーニングすることなく音声を作成できます。通常1〜2分の短いサンプルをアップロードすれば、数秒以内に使用可能な音声が作成されます。
プロフェッショナルボイスクローンは、以前のモデルと同じように機能します。より長い録音セットで専用モデルをトレーニングします。
すでにプロフェッショナルボイスクローンがあり、Eleven v4でトレーニングしたい場合は、My Voicesを開き、リストから音声を見つけてカーソルを合わせてください。その音声で利用可能なモデルが表示されます。Eleven v4の横にあるプラスボタンをクリックすると、微調整を開始できます。
Eleven v4でVoice Designを使用すべきですか？
Voice Designの音声はEleven v4でも利用できますが、以前のモデルと比べて表現力や音質が劣る場合があります。