オーディオタグとは？感情表現TTSの完全ガイド
- 公開日
- 最終更新日
オーディオタグとは、[laughs]、[gasps]、[excited]、[worried]のように角括弧で囲んだ自然言語の指示です。Eleven v3はこれを読み上げる言葉ではなく、演技指示として解釈します。テキスト読み上げモデル用の台本にオーディオタグを入れると、文章の感情表現を細かくコントロールできます。
Eleven v3は2026年3月に一般公開されました。v3以前は、テキスト読み上げモデルで特定の感情表現を引き出すには、何度もコンテンツを再生成して、うまくいくことを願うしかありませんでした。オーディオタグなら、そうした推測をなくし、感情豊かなテキスト読み上げの表現を完全にコントロールできます。
このガイドでは、オーディオタグとは何か、仕組み、利用可能なタグカテゴリー、SSML（Speech Synthesis Markup Language）との違いを解説します。各ユースケースの詳しいガイドへのリンクもご紹介します。
概要：
- オーディオタグは、[shouts]や[excited]のように角括弧で囲んだ指示で、Eleven v3のTTSにおける感情、話す速さ、話し方、トーンを指定します。
- Eleven v3はSSMLに対応していませんが、より自然に書けるオーディオタグを代わりに使えます。
- タグには、感情、話し方とペース、人間らしい反応、アクセント、サウンドエフェクトなど、複数のカテゴリーがあります。
- テキスト内の句読点や大文字表記を使うと、AI音声の話すペースを調整できます。
- ElevenLabsでは、UIまたはAPIからオーディオタグを利用できます。
オーディオタグの仕組みは？
オーディオタグは台本内に直接記述し、角括弧で囲みます。たとえば、通常の話し方から[worried]に変えたい場合は、オーディオタグを追加するだけです。
1つの文に複数のタグを使うことも、タグを組み合わせてより多層的な表現にすることもできます。たとえば、[tired] 長い一日だった… [upset] あと何日耐えればいいの？
Eleven v3のアーキテクチャにより、モデルは従来のモデルより深いレベルでコンテキストを読み取れます。そのため、個別のパラメータや設定を用意しなくても、感情の指示、トーンの変化、話者の切り替え、文脈上の手がかりに従えます。その場面に必要なことをモデルに伝えるだけで、意図どおりにセリフを表現します。
Eleven v3は、タグと台本の構成だけで、割り込みや気分の変化、実際の会話のような自然なやり取りを含む、即興的に感じられる複数話者の対話も処理できます。
オーディオタグとSSMLの比較
ほかのTTSシステムを使ったことがあれば、Speech Synthesis Markup Language（SSML）を目にしたことがあるかもしれません。Amazon PollyやMicrosoft Azure Speechなどのプラットフォームでは、<break>や<emphasis>といったSSMLタグを使い、TTS用台本に追加のコンテキストを与えます。
Eleven v3は、SSMLのbreakタグやその他のSSMLタグセットに対応していません。その代わりに、オーディオタグ、句読点、テキストの構造そのものがその役割を担い、話し方を細かくコントロールできます。
以下の表では、一般的なSSMLタグとEleven v3での対応表現を確認できます。
書き手の視点では、セリフに[whispers]を追加するほうが、韻律の速度を設定するよりも、はるかに簡単です。
v3のオーディオタグカテゴリー：オーディオタグで演技を演出する
オーディオタグは台本内のどこにでも配置でき、話し方をリアルタイムで調整できます。台本全体や1つの文の中で、複数のタグを組み合わせることも可能です。
タグは、以下の主要カテゴリーに分類されます。
感情
これらのタグは、沈んだ雰囲気、激しい感情、明るい調子など、音声の感情的なトーンを設定するのに役立ちます。たとえば、[sad]、[angry]、[happily]、[sorrowful]を単独または組み合わせて使えます。
話し方とペース
これらはトーンや演技に関するタグです。抑制や力強さが必要なシーンで、音量やエネルギーを調整できます。[whispers]、[shouts]、[softly]などが代表例です。
人間らしい反応
本当に自然な話し方には反応が含まれます。たとえば、自然発生的で台本にない瞬間を音声に組み込むことで、リアリティを加えられます。[laughs]、[clears throat]、[sighs]のようなタグは、人間らしい感情を表現できるTTSモデルの作成に役立ちます。
ほかのオーディオタグカテゴリーの例：
- アクセントとキャラクターボイス：アクセントタグを使うと、モデルを切り替えずに、[French accent]、[British accent]、[pirate voice]のような特定の地域や人物像の声に変えられます。1つの声を固定された1つの演技ではなく、柔軟なキャストとして活用できます。
- サウンドエフェクト：サウンドエフェクトタグを使うと、[gunshot]、[explosion]、[clapping]などの非音声オーディオを生成に直接追加できます。没入感のあるオーディオ、ゲーム、場面に声以上の要素が必要なドラマチックなナレーションに適しています。あるいは、ElevenCreative AIサウンドエフェクトジェネレーターを使用してください。
タグで高度なコントロールができますが、句読点を使ってリズムや強調を調整することもできます。たとえば、省略記号を加えれば自然な間を作れ、カンマを使えば自然な呼吸のパターンを作れます。単語をすべて大文字にして強調してみてください。「今すぐ欲しいんだ、NOW。」
オーディオタグで何ができる？
オーディオタグを使えば、台本に込められた複雑な感情を直感的に引き出せます。自然に書きながら、必要に応じてタグを追加してください。
オーディオタグを使った感情豊かなTTSのユースケースを簡単にご紹介します。
AIオーディオにおける状況認識
[whisper]や[shouting]のようなタグにより、Eleven v3はその場の状況に反応できます。警告をやわらげたり、緊張感を高めるために長い間を置いたりと、動的な状況認識を台本に組み込めます。
詳しくは、AIオーディオにおける状況認識のガイドをご覧ください。
音声におけるキャラクター演技の演出
複数のキャラクターが登場する台本では、それぞれの声がどう異なるかを明確に表現したいはずです。[sarcastically]で性格を調整したり、[British accent]で話し方を定義したりすることで、TTSエンジンを使って幅広い感情を表現できます。
詳しくは、AI音声におけるキャラクター演技の演出をご覧ください。
音声で感情的なコンテキストを表現する
オーディオタグを使うと、セリフの進行に合わせて感情表現を形作れます。スピーチを通して感情を高め、キャラクターが最高潮に達する場面を思い描いたとおりに演出できます。[awe]、[booming]、[big laugh]のようなタグは、AI音声の表現に幅広い感情を持たせるのに役立ちます。
詳しくは、AI音声で感情的なコンテキストを使う方法をご覧ください。
複数キャラクターの対話に命を吹き込む
複数キャラクターによる対話を演出する場合、各セリフの冒頭にオーディオタグを付けることで、個性豊かなやり取りを作れます。
たとえば、次のようになります。トム：[coughing] [beginning to speak] ごめん、今日は少し体調が悪くて—— エマ：[interrupting] ——体調が悪い？ 咳が嫌いなの、知ってるでしょ、トム！ トム：[surprised] ただの軽い咳だよ。大したことない。もし君だったら—— エマ：[overlapping] [annoyed] ——帰ったほうがいいと思う。
ほかにもできることは、Eleven v3での複数キャラクターによる対話をご覧ください。
AI音声の話し方を精密にコントロールする
Eleven v3では、オーディオタグや句読点を使って話すペースをコントロールできます。[pause]、[rushed]、[drawn out]のようなタグで、セリフを精密に調整できます。あるいは、省略記号、句点、感嘆符を加えることで、TTSの表現に自然に感情を持たせられます。
詳しくは、Eleven v3で話し方を精密にコントロールする方法の詳細ガイドをご覧ください。
感情豊かなTTSをAPIで利用可能
オーディオタグは、ElevenLabsのUI内と同じようにテキスト読み上げ（TTS）APIでも機能します。台本テキスト内にタグを直接記述すると、オーディオブックのパイプラインから広告のボイスオーバーまで、APIがタグに応じた表現を生成オーディオで返します。
詳しくはEleven v3または営業担当へのお問い合わせから、今すぐ始めてください。
