ElevenLabsドキュメント

Add ElevenLabs to my project: run `npx -y @elevenlabs/cli@latest onboard init` and follow what it prints.

ElevenLabsの仕組み

ElevenLabsは、テキスト読み上げ、スピーチtoテキスト、ボイスクローン、音声エージェント、生成オーディオを提供するAI音声インフラです。対象に合わせて、4つの方法で利用できます。

ElevenCreative は、クリエイター、プロデューサー、編集者がブラウザ上でボイスオーバー、音楽、吹き替え、スタジオプロジェクトを直接生成できるノーコードWebアプリケーションです。

ElevenAgents は、非技術ユーザー向けのビジュアルビルダーと、デベロッパー向けの完全なプログラマティック制御を備えた、音声エージェントの設計・運用プラットフォームです。

ElevenAPI は、すべての機能をRESTインターフェースとして提供し、公式のPythonおよびTypeScript SDKにより、デベロッパーは独自のアプリケーションやワークフローに音声を組み込めます。

Reception.ai は、中小企業向けの導入準備済みAI電話受付です。電話への応答、予約受付、日常業務の管理を、単一のダッシュボードから行えます。

パスを選択

ElevenCreative

ステップごとのガイドでElevenCreativeプラットフォームの使い方を学ぶ

ElevenAgents

ElevenLabsでエージェントを構築、公開、スケールする方法を学ぶ

ElevenAPI

例とチュートリアルでElevenLabs APIとの統合方法を学ぶ

概念

音声は、オーディオ生成で使用する話者ペルソナです。各音声には一意のIDがあります。たとえば JBFqnCBsd6RMkjVDRZzb で、ダッシュボードで選択するか、APIリクエストで指定します。ElevenLabsは10,000以上の音声ライブラリを提供しています。オーディオ録音から音声をクローンしたり、テキストの説明から生成したりすることもできます。

モデルは、生成されるオーディオの品質、レイテンシー、対応言語を制御します。eleven_v4は、90以上の言語で最も表現力豊かな出力を生成します。eleven_v4_turboは、中央値約100msのレイテンシーでリアルタイム利用を実現します。スピーチtoテキスト、音楽、サウンドエフェクトなど、各機能には専用モデルがあります。選択するには、どのモデルを使うべきですか？をご覧ください。

料金の仕組み

クレジットは、すべてのプロダクトで共通の利用単位です。テキスト読み上げは、入力テキスト1文字につき1クレジットを消費します。その他の処理は、処理されたオーディオの秒数に応じて課金されます。クレジットは毎月リセットされ、未使用分は最大2か月繰り越されます。詳しくは料金をご覧ください。

月額サブスクリプションなしでAPIを利用するには、Pay As You Goを使用できます。サブスクリプションクレジットを使い切った後、ElevenLabsの利用に応じて事前入金残高から引き落とされます。

本番環境向けに構築

ElevenLabsのテキスト読み上げはどれくらい高速ですか？

Eleven v4 TurboとEleven Flash v2.5はどちらも、中央値約100msのレイテンシーで最初のオーディオを返します。Scribe v2 Realtimeは、中央値約150msのレイテンシーで確定した文字起こしを返します。これらの数値にはアプリケーションとネットワークのレイテンシーは含まれないため、ユーザーがオーディオを聞くまでの時間はさらに長くなります。レイテンシーの測定方法では数値の対象範囲を、レイテンシーの最適化ではエンドツーエンドのレイテンシーを減らす方法を説明しています。

ElevenLabsはスケールにどう対応しますか？

プランによって、同時に処理できるリクエスト数が決まります。同時実行数の上限は同時会話数の上限ではありません。目安として、上限が5の場合、使用する音声やユースケースにもよりますが、通常は約100件の同時オーディオ配信をサポートできます。エンタープライズプランでは上限が引き上げられます。プランごとの上限と負荷テストのガイドについては、同時実行数と優先度をご覧ください。

エンタープライズ向け管理機能

• プライベートデプロイメント では、ElevenAgents、テキスト読み上げ、スピーチtoテキストを自社のクラウドアカウント内で実行できるため、テキスト、オーディオ、文字起こしはネットワーク内に保持されます。
• データレジデンシー では、デフォルトの米国ロケーションではなく、EU、インド、シンガポールの分離された環境にデータを保存します。エンタープライズ向け機能です。
• ワークスペース では、請求、共有リソース、チームアクセス、APIキー管理を一元化できます。エンタープライズワークスペースでは、SAML 2.0またはOIDCによるSSO、およびOCSFスキーマでの管理操作の監査ログを追加できます。

最初のオーディオを生成する

SDKをインストールし、APIキーを環境変数として設定すると、1回のリクエストでテキストをMP3ファイルに変換できます。代わりにコーディングエージェントにこのセットアップを任せる場合は、コーディングエージェントでセットアップするをご覧ください。

pip install elevenlabs python-dotenv

ELEVENLABS_API_KEY=<your_api_key_here>

from dotenv import load_dotenv
from elevenlabs.client import ElevenLabs
import os
load_dotenv()
elevenlabs = ElevenLabs(
  api_key=os.getenv("ELEVENLABS_API_KEY"),
)
audio = elevenlabs.text_to_speech.convert(
    text="The first move is what sets everything in motion.",
    voice_id="JBFqnCBsd6RMkjVDRZzb",  # "George" - browse voices at elevenlabs.io/app/voice-library
    model_id="eleven_v4",
    output_format="mp3_44100_128",
)
with open("output.mp3", "wb") as f:
    for chunk in audio:
        f.write(chunk)

elevenlabs text-to-speech convert \
  --voice-id JBFqnCBsd6RMkjVDRZzb \
  --model-id eleven_v4 \
  --text "The first move is what sets everything in motion." \
  --output-format mp3_44100_128 \
  --output output.mp3

ElevenAPIクイックスタートでは、CLIのセットアップやスピーカーでのオーディオ再生を含め、同じリクエストをより詳しく説明しています。

ElevenAgentsで何を構築できますか？

ElevenAgentsは、音声認識、任意のLLM、テキスト読み上げ、ターンテイキングを統合した音声エージェントです。ダッシュボードまたはSDKで設定できます。

• カスタマーサポート：エージェントにナレッジベースを追加し、自社ドキュメントに基づいて質問に回答します。
• 電話回線：ネイティブインテグレーションでTwilio番号を接続し、着信・発信通話を処理できます。あるいは、既存の電話システムをSIPトランキングで接続できます。
• アウトバウンドキャンペーン：一括発信で多数の発信通話を同時に行えます。
• Webサイトとアプリ：ウィジェットを使って、音声とテキストの両方を扱うエージェントを埋め込めます。

ElevenAgentsクイックスタートでは、最初のエージェントをエンドツーエンドで構築します。

どのモデルを使用すべきですか？

まずユースケースから選びます。以下の各モデルIDは、APIリクエストでmodel_idとして渡す値です。

その他のユースケースについては適切なモデルの選び方、完全な仕様についてはモデルリファレンスをご覧ください。

機能から探す