最も感情豊かなモデル、Eleven v4のご紹介

同じ一文でも、話し方によって印象は大きく変わります。「落ち着いてください」という言葉も、おびえた患者に医師が優しく伝える場合と、ゲーム内のキャラクターが戦闘に飛び込む前に部隊へ叫ぶ場合では、まったく違って聞こえるべきです。

本日、Eleven v4をリリースします。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と、低レイテンシー版のEleven v4 Turboです。

Artificial Analysisで第1位を獲得¹し、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、間、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。話者のアイデンティティを保ちながら、ドラマチック、優しさ、緊急性、コミカル、会話調など、さまざま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、会話は別々のセリフをつなぎ合わせたものではなく、自然な応答として感じられます。話者は会話の文脈に反応し、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、Artificial Analysisで第1位に評価された、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が感じられ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ます。 

従来世代のテキスト読み上げモデルでもテキストを音読できますが、Eleven v4ははるかに自然に感じられる感情の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。

出力をきめ細かくコントロールでき、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、伝えるべき感情、さらにはサウンドエフェクトも指定可能です。[laughs]、[said angrily in French accent]、[light rain]、[phone buzzing]のようなインラインタグを使えます。Eleven v4は、従来モデルよりもこれらのオーディオタグや演出プロンプトを正確に反映するため、指定したとおりの表現が得られます。ナレーションの演出、キャラクターやセリフの肉付けなど、話し方が重要な場面で役立ちます。 

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解説しています。国際音声記号（IPA）の音素サポートも大幅に改善され、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、各音声の固有の特徴を維持します。エージェントとの会話、オーディオブック、広告を通じて、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の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ぶ必要がありました。多くの場合、問題を解決したいだけで困惑している顧客にはロボットのように聞こえかねない、優秀ながらも単調なエージェントが選ばれてきました。 

Eleven v4 Turboは、最初の音声が出るまでの時間の中央値約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して安心感を与えるヘルスケア向けエージェントから、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、数多くの業界で高性能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。他社のエージェントビルダーは、異なるベンダーのモデルやソフトウェアを組み合わせているため、ユーザーは個々のユースケース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のリサーチチームとエンジニアリングチームは、Eleven v4 TurboとElevenAgentsを一つ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、低レイテンシーのエージェントを実現しました。  

一つの声、多彩な言語 

コミュニケーションのあり方は、文脈、場所、さらには時間帯によっても変わります。それを反映した表現力豊かな音声を言語横断で構築することは、AIオーディオにおける最も難しい課題の一つです。 

Eleven v4は、こうしたすべての領域で進化を遂げており、その改善はフレーズの発音だけにとどまりません。言語をまたいでリズム、感情、話し方をより的確に捉え、クリエイターが言語と文脈に自然になじむ音声を作れるよう支援します。たとえば、日本で初対面の年配の方に話しかける方法と、イタリアで同じ相手に話しかける方法は、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。ある言語で録音された音声でも、元のアイデンティティを保ちながらネイティブのアクセントで他の言語を流暢に話せます。アクセントの維持性能は従来より明らかに向上しており、生成中に元のアクセントへ戻ることがなくなりました。

吹き替えやローカライゼーションでは、起用してい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、選んだブランドボイスをEleven v4対応のあらゆる言語で美しく再現できます。

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、ボイスクローンの忠実性、性能、一貫性が向上し、元のソース音声との話者類似性も大幅に改善されています。Instant Voice Clones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、再生成したセリフにわたって、話者のアイデンティティをより確実に維持します。長編プロジェクトでも、キャラクター、ナレーター、クローンした音声の一貫性を制作全体で保てます。さらに、最高忠実度のクローン用途に向けてプロフェッショナルボイスクローン（PVC）にも対応しました。

長編コンテンツ向けに複数の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と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の研究を結集したモデルです。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ゼーションなど、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設計されています。

両モデルは、ElevenAgents、ElevenCreative、ElevenAPIで現在ご利用いただけます。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、Cartesia Sonic 3.6、Inworld TTS-2、Google Gemini 3.8 Flash-Lite TTS、Google Gemini 3.8 Flash TTSを対象として実施したブラインド形式のユーザー選好テストに基づきます。各ペアで評価者は、Eleven v4と競合モデル1つによる同一のセリフを、モデル名を伏せて聴き、より表現力豊かな方と、より自然に聞こえる方を評価しました。引き分けは0.5票として集計しています。}
3. ^{リクエストから音声が聞こえるまでの時間の中央値。2026年9月に、Cartesia Sonic 3.6、xAI TTS、Google Gemini 3.8 Flash-Lite TTS、OpenAI GPT-4o mini TTSを対象として、同一スクリプトとデフォルト設定で計測しました。すべてのシステムでネットワークレイテンシーを計測・除外しています。Eleven v4 TurboはWebSocketストリーミングで計測。}