ボイスデザイン

概要

ボイスデザインは、探している声がボイスライブラリにない場合に、クリエイターの選択肢を広げます。プロジェクトに適した声が見つからなければ、自分で作成できます。ボイスデザインは、素早い探索と反復に最適ですが、出力品質はプロンプトやユースケースによって変わることがあります。最も一貫性のある本番向け品質が必要な場合は、現在プラットフォームで最高品質の音声であるプロフェッショナルボイスクローン（PVC）をご利用ください。ライブラリ内にニーズに合うPVCがある場合は、そちらの利用をおすすめします。

ボイスデザインは、ElevenLabsアプリで「Voices」→「My Voices」→「Add a new voice」→「Voice Design」と進むか、APIから利用できます。

生成をクリックすると、3つの音声オプションが生成されます。ボイスデザインの利用料金は、プレビューテキストの生成に必要なクレジットのみです。3つのサンプルを生成しますが、課金は1回のみです。差し引かれる文字数は、「Text to preview」テキストボックスで確認できます。

生成後は、生成結果の1つを選んで保存できます。保存すると、音声スロットを1つ使用します。

プロンプトガイド

プロンプトは、音声の土台となるものです。アクセントやキャラクターのタイプから、性別、声の雰囲気まで、作りたい音声の種類をモデルに伝えます。よく練られたプロンプトは、ありふれた声と、あなたのイメージに本当に合う声を分ける決め手になります。一般に、より具体的で細かなプロンプトほど、正確でニュアンス豊かな結果が得られる傾向があります。年齢、性別、口調、アクセント、ペース、感情、スタイルなど、詳細を多く指定するほど、モデルは意図に沿ったカスタマイズされた音声をより適切に解釈し、生成できます。

一方で、特にニュートラルで幅広く使える音声を目指す場合は、短くシンプルなプロンプトでもうまく機能します。たとえば、「穏やかな男性ナレーター」だけで、細かな説明なしに必要な声が得られることがあります。特定のキャラクターやスタイルを作りたいわけではない場合は特に有効です。適切な詳細度はユースケースによって異なります。ファンタジーのキャラクターを作っていますか？バーチャルアシスタントですか？それとも、辛口のユーモアを持つ、疲れた60代のニューヨーカー女性でしょうか？プロンプトで明確に定義するほど、出力はイメージに近づきます。

推奨プロンプト形式

一貫した結果を得るには、次の形式でプロンプトを構成してください。

Native <Language>. <Gender>, <Age range>. <Quality level>.
Persona: <2–5 words>. Emotion: <2–3 adjectives>.
<1–2 sentences about timbre, pacing, delivery>

例：

ネイティブのスペイン語、ヨーロッパスペイン語（ラテンアメリカのスペイン語の特徴なし）。女性、35～40歳。標準的な品質。人物像：信頼できるサポートオペレーター。感情：安心感を与える、丁寧、自信がある。やさしい抑揚を備えた滑らかで自然な声質、近接した明瞭な録音、ノイズのない信号。有用な情報を明確に強調しながら、ゆったりしたペースで最新情報を伝え、共感とプロフェッショナリズムを表現する。

避けるべきよくある落とし穴

• イントネーションを指す場合は「accent」を使わない — 意図しない方言への変化を引き起こすことがあります。代わりに、イントネーション、強調、話し方のパターンを説明してください。
• FX関連の単語は避ける — 「reverb」「echo」「phone」「tape」などの用語は、出力品質に悪影響を与える可能性があります。
• 言語と方言を明示する — ずれを防ぐため、必ず最初の文で言語と地域的なバリエーションを指定してください。

オーディオ品質

オーディオ品質とは、生成された音声の明瞭さ、クリーンさ、全体的な忠実度を指します。ElevenLabsはデフォルトでクリーンかつ自然な音声の生成を目指していますが、プロジェクトで特定の品質レベルが必要な場合は、プロンプトに明示的に含めるのが最適です。

高品質な結果を得るには、音声の説明に「完璧なオーディオ品質」または「スタジオ品質の録音」などのフレーズを追加すると、モデルを補助できます。これにより、最大限の明瞭さ、最小限の歪み、洗練された仕上がりで音声を生成しやすくなります。

一貫した結果を得られる、具体的な品質表現も使用できます。

• 標準的な品質
• 良い品質
• とても良い品質
• 優れた品質
• スタジオ品質
• 放送品質

これらの表現をプロンプトに含めると、最高のオーディオ品質を実現しやすくなります。

電話、古いラジオ放送、拾得映像を再現する場合など、低いオーディオ品質を意図的に使うクリエイティブなケースもあります。その場合は品質表現を完全に省くか、次のようなフレーズを明示的に含めてください。

• 「低忠実度のオーディオ」
• 「低いオーディオ品質」
• 「留守番電話のような音」
• 「古いテープレコーダーのように、こもって遠く聞こえる」

このフレーズをプロンプト内のどこに置くかは自由です。最初でも最後でも問題ありませんが、どちらの位置でも効果的です。

年齢、トーン／声質、性別

この3つの特性はボイスデザインの基盤であり、音声全体のアイデンティティと感情的な響きを形作ります。詳細を多く指定するほど、リアルなキャラクター、魅力的なナレーター、バーチャルアシスタントのいずれを作る場合でも、AIはクリエイティブなイメージに合う音声を生成しやすくなります。

年齢

声から感じられる年齢を説明すると、成熟度、声の質感、エネルギーを定義できます。適切な音質へAIを導くため、具体的な表現を使ってください。

便利な表現：

• 「老男性」／「老女性」
• 「若い成人」／「20代」／「30代前半」
• 「中年男性」／「40代の女性」
• 「高齢男性」／「年配の女性」／「80代の男性」

トーン／声質

ピッチ、響き、声の質感によって形作られる、声そのものの物理的な特性を指します。感情的な話し方や態度とは異なります。

一般的なトーン／声質の表現：

• 「深い」／「低い声」
• 「滑らか」／「豊かな」
• 「ざらついた」／「かすれた」
• 「鼻にかかった」／「甲高い」
• 「軽やかな」／「息混じりの」
• 「力強く響く」／「共鳴する」
• 「軽い」／「細い」
• 「温かい」／「まろやかな」
• 「金属的な」／「メタリックな」

性別

性別は、ピッチ、声の厚み、音の存在感に影響することが多いですが、アイデンティティではなく音の特徴を説明することで、単純なカテゴリーを超えた指定もできます。

例：

• 「低めでハスキーな女性の声」
• 「深く響く、男性的な男性の声」
• 「性別はニュートラルで、柔らかく中程度の高さの声」

アクセント

アクセントは、音声の地域的、文化的、感情的なアイデンティティを定義するうえで重要な役割を果たします。リアリティに基づく場合でも、キャラクター向けに様式化する場合でも、プロジェクトが本物らしい音に依存するなら、求めるアクセントを明確かつ意図的に指定することが不可欠です。

表現の選び方は重要です。特定の用語ほど、一貫した結果が得られる傾向があります。たとえば、アクセントの強さを説明する際には、「strong」よりも「thick」の方がよい結果になることが多いです。試行錯誤の余地は大きいため、表現を工夫し、できるだけ創造的かつ具体的に説明することをおすすめします。

• 明確なアクセントプロンプトの例：
  • 「濃いフランス語アクセントのある中年男性」
  • 「わずかな南部訛りのある若い女性」
  • 「強い東欧アクセントのある老男性」
  • 「はっきりしたイギリスアクセントで話す、明るい女性」
  • 「柔らかなアイルランド訛りのある若い男性」
  • 「ニュートラルなアメリカアクセントの、権威ある声」
  • 「地域色のあるオーストラリアアクセントで、のんびりした鼻にかかる男性」

「foreign」や「exotic」のような曖昧すぎる表現は避けてください。不正確で、一貫しない結果につながる可能性があります。

より細かく制御するには、アクセントをトーン、年齢、ペースなどの特性と組み合わせてください。例：「濃いニューヨークアクセントでゆっくり話す、皮肉屋の老女性」。

ファンタジーや架空の音声では、実在するアクセントを参考として指定できます。

• 「格式高い濃いイギリスアクセントのエルフ。威厳があり、叙情的である。」
• 「かすれた東欧アクセントのゴブリン。」

ペース

ペースとは、音声が話す速度とリズムのことです。音声の個性、感情的なトーン、明瞭さを形作る重要な要素です。特にストーリーテリング、広告、キャラクターのセリフ、教育コンテンツなど、特定のユースケース向けに音声をデザインする場合は、ペースを明確に指定することが不可欠です。

声をどれくらい速く、またはゆっくり話させるかを明確な言葉で説明してください。ペースがどのように感じられるか、たとえば安定している、不規則、意図的、軽快といった説明もできます。ペースが変化する場合は、どこで、なぜ変化するのかを必ず示してください。

ペース表現の例：

• 「速く話す」／「速いペースで」
• 「通常のペースで」／「普通に話す」
• 「ゆっくり話す」／「ゆっくりしたリズムで」
• 「意図的で慎重なペース」
• 「一語一語を味わうように、引き延ばして話す」
• 「急いでいるかのような、せわしない調子で」
• 「リラックスした会話的なペース」
• 「リズミカルで音楽的なペース」
• 「急な間と加速がある、不規則なペース」
• 「単語間のタイミングが一定な、均等なペース」
• 「スタッカート調の話し方」

プレビューテキスト

音声用の優れたプロンプトを書いたら、その音声をプレビューするためのテキストが、実際の聞こえ方を形作るうえで重要な役割を果たします。プレビューテキストは演技用の台本のようなもので、音声が合わせようとするトーン、ペース、感情表現を設定します。

最良の結果を得るには、プレビューテキストは音声の説明を補完するものであり、矛盾してはいけません。たとえば、プロンプトで「わずかな日本語アクセントのある、穏やかで思慮深い若い女性の声」と説明しているのに、「ねえ！あなたがこのひどい場所にしたこと、我慢できないわ！！！」のような文を使うと、意図と衝突します。モデルはこの不一致を調整しようとするため、不自然または一貫しない結果になることがよくあります。

代わりに、音声が意図する個性や感情的なトーンを反映したサンプルテキストを使ってください。上記の例なら、「最近は静かね…考える時間があったし、たぶんそれが一番必要だったのかも。」のような文はプロンプトを補完し、より自然で一貫した音声の生成に役立ちます。

さらに、長めのプレビューテキストの方が、より安定して表現力豊かな結果になる傾向があります。特にトーンやペースのような微妙な特性をテストする場合、短いフレーズは唐突または一貫性に欠けるように聞こえることがあります。完全な文や短い段落など、より多くの文脈をモデルに与えることで、より滑らかで正確な音声表現を実現できます。

パラメータ

ラウドネス

テキストプレビュー生成時の音量と、最終的に保存後の音声の音量を制御します。

ガイダンススケール

プロンプトへの忠実度を指定します。値を高くするとプロンプトにより厳密に従いますが、プロンプトが非常にニッチな場合はオーディオ品質が低下する可能性があります。一方、値を低くすると、プロンプトの精度と引き換えにモデルの創造性が高まります。プロンプトを完璧に再現することよりも、全体的なパフォーマンスとオーディオ品質が重要な場合は、低い値を使用してください。アクセントやトーンの正確さが最優先の場合は、高い値をおすすめします。

属性と例

プロンプトとテキストプレビューの例

よくある質問