テキスト読み上げ | ElevenLabs Documentation

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Text to Dialogueエンドポイントで、audio_effectsパラメーターを通じて利用できます。オーディオエフェクトカタログで、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を確認できます。エージェントにもボイス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は変わりません。

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対応する声を選択するだけです。より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」のような説明文を追加したり、感嘆符を使用したりすると、音声の感情表現に影響します。StabilityやSimilarityなどの音声設定で一貫性を調整できますが、根底にある感情はテキストの手がかりに基づきます。

詳しくはプロンプトガイドをご覧ください。

説明文も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。

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。

生成されたオーディオの所有権は私にありますか？

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権利を所有している場合、生成したオーディオを商用利用し、出力を収益化できます。

無料再生成の対象となる条件は？

無料再生成では、次の条件に従い、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ーを変更した場合は、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役立ちます。ElevenLabsの社内ベンチマークによると、再生成により品質上の問題のおよそ半分が解決され、残りの問題は通常、トレーニングデータの質が低いことに起因します。

リアルタイム用途でレイテンシーを削減するには？

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、低レイテンシーの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 パラメーター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。

長いテキストの変換に関するベストプラクティスは？

長いテキストを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プロソディの流れを維持するには、previous/next textまたはprevious/next request idパラメーターを含めます。

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 パラメーター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、パンを追加料金なしで設定できます
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・パラメーターのみ）
所有権：生成され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
低レイテンシー用途：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 パラメーターを使用してチャンク間の自然なプロソディを維持してください