最も感情豊かなモデル、Eleven v4のご紹介

テキストの一文は、話し方によって大きく変わります。「落ち着いてください」という言葉も、怯えている患者に医師が優しく伝えるのか、ゲーム内のキャラクターが戦闘に突入する前に仲間へ叫ぶのかで、聞こえ方は異なるはずです。

本日、Eleven v4をリリースします。これは、これまでで最も感情表現豊かなテキスト読み上げモデルであり、低レイテンシー版のEleven v4 Turboも同時に提供します。

Artificial Analysisで第1位に選ばれ¹、競合モデルとのブラインド比較テストでは約75％のリスナーから支持された²Eleven v4は、トーン、話すペース、感情、キャラクター、文脈を解釈できるよう設計されています。話者の個性を維持しながら、ドラマチック、優しさ、緊迫感、コミカル、会話調など、多彩な表現の音声を生成します。より自然な複数話者のダイナミクスにより、会話は個別のセリフをつなぎ合わせたものではなく、反応し合う自然なやり取りとして感じられます。話者は会話の文脈に応じて反応し、より自然な対話やキャラクター同士のやり取りを生み出します。

パフォーマンスのために構築された新アーキテクチャ

完全に新しいアーキテクチャを採用したEleven v4は、最も感情表現豊かなテキスト読み上げモデルで、Artificial Analysisで第1位にランクインしています¹。Eleven v4 Turboは、この技術をエージェントのような低レイテンシー用途にもたらします。推論レイテンシーの中央値は約100msで、二人の会話における平均的な間よりも速く応答できます。

どちらのモデルも、機械的ではなく感情の伝わる音声を生成できます。オーディオの忠実度も全体的に向上し、よりクリアで自然な出力を実現しています。 

従来のテキスト読み上げモデルでも文章を音読できますが、Eleven v4ははるかに自然に感じられる感情的な深みを音声にもたらします。意図されたトーン、話すペース、文章の個性、テキストから読み取れる文脈を解釈し、感情に響く音声を届けます。

出力を細かく制御でき、セリフをどのように話すかを自然言語で指定できます。特定のフレーズの発音や伝えるべき感情、さらにはサウンドエフェクトも、[laughs]、[said angrily in French accent]、[light rain]、[phone buzzing]のようなインラインタグで指定できます。Eleven v4は、従来モデルよりもこうしたオーディオタグや指示プロンプトに正確に従うため、指定したとおりの話し方が得られます。これにより、ナレーションの演出、キャラクターや台詞の作り込みなど、話し方が重要な場面での演出が容易になります。 

ElevenLabsデベロッパードキュメントでは、タグの完全な構文と、APIを通じてこれらのタグを適用する方法を紹介しています。国際音声記号（IPA）の音素への対応も大幅に改善され、カスタム発音がより安定して機能します。

Eleven v4では、一貫性と複数話者による動的な会話も改善されています。話者のアイデンティティを捉える新しい手法により、それぞれの音声が持つ固有の特性を維持します。エージェントとの会話、オーディオブック、広告においても、一貫した音声を保てます。シーン全体の文脈を理解するため、独立したセリフをつなぎ合わせるのではなく、直前の発言に話者が反応する自然な対話を生成します。

低レイテンシー用途向けTurboモデル

高品質な音声モデルは音声生成に時間がかかる傾向があり、ユーザーは高速な音声エージェントか、表現力豊かな音声エージェントかを選ばなければなりませんでした。問題を解決したいだけで困っている顧客にとっては、優秀でも単調なエージェントはロボットのように感じられることがあります。 

Eleven v4 Turboは、最初の音声が出るまでの時間の中央値が約150ms³で、スピードと感情表現を両立します。医療用語を正確に発音する温かく安心感のある医療エージェントから、ゲームプレイヤーを楽しませる早口でスラングを使いこなすエージェントまで、数え切れない業界で強力なエージェントを導入できます。

Eleven v4 Turboモデルは、ElevenLabsの会話型エージェントプラットフォームであるElevenAgentsと連携するよう構築されています。他のエージェントビルダーでは、異なるベンダーのモデルやソフトウェアをつなぎ合わせるため、ユーザーは個別の用途に合わせてモデル出力を調整・改善する手段を持てません。ElevenLabsの研究・エンジニアリングチームは、Eleven v4 TurboとElevenAgentsを単一のシステムとして最適化し、より表現力豊かで信頼性が高く、低レイテンシーなエージェントを提供します。  

一つの声で、無数の言語を 

コミュニケーションのあり方は、状況や場所、さらには時間帯によっても変わります。それを反映する表現力豊かな音声を言語をまたいで構築することは、AIオーディオにおける最も困難な課題の一つであり続けています。 

Eleven v4は、これらすべての領域で進化しており、改善はフレーズの発音だけにとどまりません。言語を問わずリズム、感情、話し方をより的確に捉え、クリエイターがその言語と文脈に自然になじむ音声を制作できるよう支援します。たとえば、日本で高齢の見知らぬ人に話しかける方法は、イタリアでその人に話しかける方法とは大きく異なります。 

Eleven v4とEleven v4 Turboはどちらも90以上の言語に対応しています。ある言語で録音した声が、元の声のアイデンティティを維持しながら、ネイティブ話者のアクセントで他のどの言語も流暢に話せるようになりました。アクセントの再現性は以前より明らかに向上し、生成中に元のアクセントへ戻ってしまうこともなくなりました。

吹き替えやローカライズでは、これにより、起用する著名な俳優の声であれ、企業スタイルに最も合うトーンであれ、決定したブランドボイスが、Eleven v4対応のあらゆる言語で優れた音声として再現されます。

より忠実で一貫性のあるボイスクローン

Eleven v4とEleven v4 Turboでは、元のソース音声との話者類似性が大幅に向上し、より忠実でパワフルかつ一貫性のあるボイスクローンを実現しています。インスタントボイスクローンは、わずか10秒のオーディオから高忠実度で音声を捉えられるようになりました。 

Eleven v4は、生成、対話、ナレーション、再生成したセリフの間でも、話者のアイデンティティをより確実に維持します。つまり、長編プロジェクトでも、キャラクター、ナレーター、クローン音声の一貫性を制作全体で保てます。最高忠実度のクローンが必要な用途に向けて、プロフェッショナルボイスクローン（PVC）にも対応しています。

長編コンテンツ向けに生成を連結するリクエストスティッチングも、Eleven v4で大幅に信頼性が向上しました。これにより、ElevenLabs StudioおよびElevenLabs Reader Appでの作業体験が改善されます。

違いをぜひお聞きください  

Eleven v4とEleven v4 Turboは、表現力豊かな音声生成に関する最新研究の集大成です。オーディオブック、キャラクター演技、ボイスオーバー、吹き替え、会話型エージェントのローカライズなど、言葉そのものと同じくらい話し方が重要なコンテンツのために構築されています。

どちらのモデルも現在、ElevenAgents、ElevenCreative、およびElevenAPIで利用できます。無料アカウントを作成して、今すぐEleven v4またはEleven v4 Turboで生成を始めましょう。

1. ^{Artificial Analysis、Provider Voice Arena Leaderboard、2026年9月}
2. ^{2026年9月に実施した、Cartesia Sonic 3.6、Inworld TTS-2、Google Gemini 3.8 Flash-Lite TTS、Google Gemini 3.8 Flash TTSとのブラインド比較によるユーザー選好テストに基づきます。各ペアについて、評価者はEleven v4と競合製品1つによる同じセリフを、どちらのものか分からない状態で聞き、より表現力豊かなものとより自然に聞こえるものを判断しました。同点は0.5として集計しています。}
3. ^{リクエストから音声が聞こえ始めるまでの時間の中央値。2026年9月、同一のスクリプトとデフォルト設定で、Cartesia Sonic 3.6、xAI TTS、Google Gemini 3.8 Flash-Lite TTS、OpenAI GPT-4o mini TTSと比較して測定しました。すべてのシステムでネットワークレイテンシーを測定・除外しています。Eleven v4 TurboはWebSocketストリーミングで測定。}