Eleven v4
最新かつ最先端のテキスト読み上げモデル。
Eleven v4は、最新かつ最先端のテキスト読み上げモデルであり、新世代モデルの第一弾です。Eleven v3と比べて、出力品質、音声の正確性、一貫性、感情表現、話し方、オーディオタグ、対応言語を向上させています。
総じて、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良い結果を提供します。v4への切り替えを強くおすすめします。ぜひご自身の音声とコンテンツで試し、違いを確かめてください。一部の特殊なケースでは別のモデルが適している場合もありますが、ほとんどのユーザーにとってはv4がより良い選択となるでしょう。
タグ、句読点、対話のプロンプトについては、Eleven v4のプロンプトをご覧ください。
ボイスクローン
Eleven v4では、ボイスクローンの精度が大幅に向上しています。クローン音声は、これまでのどのモデルよりも忠実に、元の音声の特徴（音色、リズム、話し方）を捉えます。
Eleven v4では、インスタントボイスクローン（IVC）の精度もかつてないほど向上しています。元の音声を特徴づける要素をより忠実に捉えるため、短いオーディオサンプルからでも、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、全体的に精度が目に見えて 向上しています。まだ試していない場合は、ご自身のオーディオでテストする絶好の機会です。
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求められるワークフローでは、元の音声をより忠実に再現します。
Eleven v4のプロフェッショナルボイスクローン対応は現在段階的に提供中であり、まだアカウントで 利用できない場合があります。数日以内にはすべてのユーザーが利用できるようになる予定です。
こうした精度の大幅な向上により、Eleven v4はEleven v3とは大きく異なる音に聞こえることがあります。Eleven v3は話し方と精度を重視してEleven v4の基盤を築き、Eleven v4はその基盤をもとに音声精度を大幅に改善しました。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。精度と個人的な好みは必ずしも同じではないため、ユースケースに最適なものを選べるよう、ご自身のコンテンツで両バージョンを比較する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め、元の音声の特徴をより忠実に再現します。そのため、ソース録音の品質がこれまで以上に重要です。明瞭でクリーンな学習用オーディオは、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助けになります。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。
現在もEleven v4を実験し、最適な使い方を探っています。これまでのところ、特にプロフェッショナルボイスクローンのように学習用オーディオが多い場合、細かなオーディオのニュアンスを捉える能力が大幅に優れているようです。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テストする中で、多様な学習データの使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、学習用オーディオでは単一の話し方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そ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変更点の一つであり、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どおり正確に維持されます。
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、対象言語で流暢かつ自然な発話を生成します。
たとえば、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、すべての音声を対応するすべての言語で利用できるようになります。これは特に、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で役立ちます。
ワークフローで、他の言語でもその音声本来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でこの動作を直接テストしてください。これはバグではなく、言語間生成の仕組みにおける意図的な変更です。
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であるため、現時点では予定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、ユースケースに応じて品質と速度の最適なバランスを選べます。
- 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、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）— 優れた低レイテンシを維持しながら極めて高品質を実現した、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のリアルタイムユースケース向けモデルです。
どちらのバリアントにも、StabilityとSimilarityという2つの音声設定があります。
Stabilityは、生成間で話し方をどれだけ一貫させるかを制御します。値を低くすると、より表現豊かで変化に富んだ話し方になります。値を高くすると、パフォーマンスは固定された基準に近づきます。
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、自然さがいくらか損なわれる場合があります。
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、細かな制御で話し方を指示できます。Eleven v4はこれらを、以前のモデルを超えるニュアンスで処理します。まだ完璧ではありませんが、モデルがタグの指示にどれだけ確実に従うかを継続的に改善しています。これは現在も積極的に投資している領域であり、今後も改善され続けます。
ショーケース
これらの例は未加工です。EQ、コンプレッション、ノーマライズ、ディエッシング、破裂音の除去などの 大幅な後処理は一切行っていません。クリッピング、破裂音、EQの不均一、音量の変化など、繰り返し発生する問題が 聞こえる場合、それらはその音声の学習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 非常に正確であるため、欠点も含めてそれらを捉えただけです。モデルが生成した音声を聞いていただけるよう、 オーディオ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。その後、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って、Eleven v3とEleven v4の両方で生成しました。
これは完全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、より公平に比較するため、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るかを示しています。これにはEQ、品質、音量のほか、破裂音、耳障りな歯擦音、音量変動など、オーディオに含まれる細かなディテール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。
モデルは進化し続けます
Eleven v4は現在も継続的に開発されています。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、品質の向上に伴い、その挙動は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、定期的にユースケースを再テストすることをおすすめします。重要なアップデートは提供開始にあわせてお知らせします。
よくある質問
Eleven v4はどの言語に対応していますか？
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、グルジア語、 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、標準中国語、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）、パンジャーブ語、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、ソラニー語、スペイン語（中南米）、 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、 ウォロフ語に対応しています。
言語によって流暢さには差がありますが、一般的に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？
参照音声と生成する発話が同じ言語の場合、その音声のアクセントは維持されます。たとえば、特定の英語アクセントで話す人の音声をクローンして英語の発話を生成すると、そのアクセントは維持されます。
音声を元のアクセントのまま別の言語で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、対象言語で流暢かつ自然な発話を目指します。オーディオタグを使ってアクセントや話し方を誘導することはできますが、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？
一般的に、Eleven v4は音色、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徴をはるかに正確に再現します。そのため、Eleven v4のクローンは一般的に元の音声により近く聞こえ、Eleven v3版とはかなり異なって聞こえる場合があります。
Eleven v4をトレーニングする必要はありますか？
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に対応しています。
インスタントボイスクローンでは、個別のトレーニング手順なしで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ると、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をお持ちで、Eleven v4でトレーニングしたい場合は、My Voicesを開き、一覧から音声を見つけてその上にカーソルを合わせます。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、微調整が始まります。
Eleven v4でボイスデザインを使用すべきですか？
ボイスデザインの音声はEleven v4で使用できますが、以前のモデルほど表現力や音質が高くない場合があります。