テキスト読み上げ
ElevenLabsでテキストを自然な話し声のオーディオに変換する方法を学びます。
概要
ElevenLabsのテキスト読み上げ（TTS） APIは、繊細なイントネーション、話す速さ、感情の理解を備えた自然なオーディオに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でテキストのニュアンスに対応し、次の用途に利用できます。
- グローバルなメディアキャンペーンや広告のナレーション
- 複雑な感情表現を含む多言語オーディオブックの制作
- 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
サンプルをお聴きください。
ボイスライブラリから、プロジェクトにぴったりの声を見つけましょう。
音声品質
リアルタイムアプリケーションには、超低遅延75msのFlash v2.5が適しています。一方、より繊細な表現を備えた最高品質のオーディオにはMultilingual v2をご利用ください。
音声オプション
ElevenLabsでは、複数の作成方法を通じて、32言語に対応した数千種類の声を提供しています。
- コミュニティが共有した3,000以上の声を収録したボイスライブラリ
- 最高忠実度の複製を作成するプロフェッショナルボイスクローン
- 手軽に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
詳しくは、音声オプションをご覧ください。
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、あとから編集しなくても特定の場所で録音されたようなサウンドにします。以下を任意に組み合わせて設定できます。
- フィルタープリセット：電話回線、古いラジオ、ロボットのような音色を声に加えます。
- 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、残響のある空間に声を配置します。
- バックグラウンドノイズ：カフェやキーボードのタイピング音などの環境音を、声の下でループ再生します。
- パン：左右のチャンネル間で声の位置を調整します。
エフェクトは、ストリーミングリクエストや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およびテキストtoダイアログエンドポイントで、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確認できます。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コストは変わりません。リバーブとパンニングではステレオオーディオが生成されるため、モノラルのpcm_*、ulaw_*、alaw_*出力形式では利用できません。
対応出力形式
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。詳細は料金 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
対応言語のテキストを入力し、ボイスライブラリから一致する声を選ぶだけです。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声を選んでください。
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」のような説明的なテキストを加えたり、感嘆符を使ったりすると、音声の 感情に影響します。StabilityやSimilarityなどの音声設定は一貫性の調整に役立ち、 基になる感情はテキストの手がかりから生成されます。
詳しくは、プロンプトガイドをご覧ください。
説明的なテキストはモデルによって読み上げられます。必要に応じて、手動でオーディオから トリミングまたは削除してください。
よくある質問
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。
生成したオーディオの所有権は自分にありますか？
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。
無料の再生成の対象になるのはどのような場合ですか？
無料の再生成では、以下の条件に従い、同じテキスト読み上げコンテンツを追加料金なしで再生成できます。
- 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した場合は、新たに有料生成が必要です
無料の再生成は、オーディオ出力にわずかな歪みがある場合に役立ちます。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数が解決され、残りの問題は通常、トレーニングデータの品質不足が原因です。
リアルタイム用途で遅延を減らすにはどうすればよいですか？
ほぼリアルタイムの会話型またはインタラクティブなシナリオ向けに最適化された、低遅延のFlashモデル（Flash v2またはv2.5）を使用してください。 詳細は、レイテンシー最適化 ガイドをご覧ください。
出力が一貫しない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 違い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パラメータを含めてください。
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で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 - 無料の再生成：生成ごとに最大2回まで無料で再生成可能です（同一のコンテンツとパラメータに限ります）
- 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
- 低遅延のユースケース：Flashモデル（
eleven_flash_v2またはeleven_flash_v2_5）を使用してください。詳しくはレイテンシー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パラメータでチャンク間の自然な韻律を維持してください