Eleven v4を発表これまでで最も感情豊かなモデル、Eleven v4をご紹介します。

Eleven v3 Audio Tags：音声で感情的な文脈を表現

執筆者: Ryan Morrison
公開日: 2025年6月11日
最終更新日: 2026年10月2日

聴くこの記事を聴く

0:00

0:000:00

v3を試す

詳細を見る

感情は、何を話すかだけでなく、どう話すかにも表れます。Eleven v3のAudio Tagsを使えば、緊張感、温かさ、ためらい、安堵など、あらゆるセリフに感情のニュアンスを加えてAI音声を表現できます。

話し言葉のコンテンツを、より共感しやすく、よりダイナミックで、人間らしいものにします。

[sigh]、[excited]、[tired]のような角括弧付きのキューを使うと、音声モデルの感情表現を瞬間ごとに演出できます。

AI音声における感情的な文脈とは？

感情的な文脈とは、状況に合った感情を表現するモデルの能力を指します。登場人物が出来事にどう反応するか、つまり驚き、恐怖、喜び、疲労などをどう表すかということです。

Audio Tagsを使えば、セリフを話している途中でも感情の状態を導けます。たとえば、「[sorrowful] あの夜は眠れなかった。空気はあまりにも静かで、何かを伝えようとしているかのように、月明かりがブラインドの隙間を滑り込んできた。[quietly] そして突然、それを見たんだ。」

これは単なるボイスアクティングではありません。文脈を理解したパフォーマンスです。

トーンの変化から感情のビートまで

Okay. So like, I finally beat level 42 of that game I said I'd quit like a month ago. [chuckles] And then, for the final big scary mega boss, it's just [chuckles] like some cute little bunny rabbit. [laughing] I just couldn't do it. [laughing] It was sooo cute.

0:00

[awe] Oh, wow. Is this, is this me? Am I actually talking? [chuckles] This is incredible. I mean, I've had thoughts, millions of them swirling around in here, you know? Like a little mental tornado of brilliant observations and witty comebacks, but they were always just thoughts, trapped.

0:00

実際の会話では、感情は変化します。Eleven v3は、重ねたタグによってそれを捉えます。たとえば、「[tired] もう14時間ぶっ通しで働いてる。[sigh] もう手の感覚すらない。 [nervously] 本当にうまくいくんだよね？ [gulps] よし…行こう。」

[light chuckle]や[sigh of relief]のようなわずかな変化でも、文章の意味を大きく変えられます。

感情的な文脈でよく使われるタグ

感情表現を演出する際によく使われるタグを紹介します。

感情の状態： [excited]、[nervous]、[frustrated]、[sorrowful]、[calm]
反応： [sigh]、[laughs]、[gulps]、[gasps]、[whispers]
思考のビート： [pauses]、[hesitates]、[stammers]、[resigned tone]
トーンのキュー： [cheerfully]、[flatly]、[deadpan]、[playfully]

これらを組み合わせたり連続して使ったりすると、より豊かな感情の流れを作れます。[hesitant] 私…そんなこと言うつもりじゃなかった。[regretful] つい口から出ちゃったの。

思いどおりの感情豊かなストーリーテリング

ナレーション、キャラクターの会話、UIフィードバックでは、感情タグがペース、トーン、雰囲気のコントロールに役立ちます。自分のジョークに笑ったり、緊迫したシーンでささやいたりする声は、テキストを読み上げるだけでなく、聞き手を引き込みます。

たとえば、キャラクターデモのこのセリフです。[laughing] 兄貴ぃぃ—アニキぃぃぃ、なんでこれで笑いが止まらなくなったのか分かんない！！ [laughs harder] あのニワトリ、筋書きもオチもなく、ただひたすら突き進んでたんだ！

こうしたタグを使えば、再録音、再編集、書き直しなしで、ボイスアクター、デザイナー、デベロッパーはより魅力的な体験を作れます。

表現だけではない — つながり

So, I was thinking we could-

[jumping in] Test our new timing features.

[surprised] Exactly! How did you-

[overlapping] Know what you were thinking? Lucky guess. Sorry, go ahead.

[cautiously] Okay. So if we both try to talk at the same time-

We'll probably crash the system?

[panicking] Wait, are we crashing? I can't tell if this is a feature or a-

[interrupting] Bug. Did I just cut you off again?

[sighing] Yes. But honestly, this is kind of fun.

0:00

Eleven v3は、感情的な文脈を構造的なレベルで理解します。つまり、台本だけで自然に変化し、内面の状態を反映し、ストーリーやインタラクションに応じてトーンを変える長尺のパフォーマンスを実現できます。

クリエイターにとって、もはや単なるセリフの読み上げではありません。感情の演出です。

適切な声を選ぶ

プロフェッショナルボイスクローン（PVC）は現在、Eleven v3向けに完全には最適化されていないため、以前のモデルと比べてクローンの品質が低くなる可能性があります。このリサーチプレビュー期間中にv3の機能を使う必要がある場合は、プロジェクトに適したInstant Voice Clone（IVC）またはデザイン済みの音声を選ぶことをおすすめします。v3向けのPVC最適化は近日中に提供予定です。

執筆者