ElevenLabs、「Eleven v3」を一般提供開始　記号や数値の誤読率が68％減少

AI音声を使ったことがある人なら、数字や記号で不自然な読み間違いをされて頭を抱えた経験があるはずです。

試合結果の「102-98」を「102引く98」と読まれたり、電話番号の桁を数百万という巨大な数値として読み上げられたりすると、どれだけ自然な声でも一瞬で台無しになります。

ElevenLabsは、主力テキスト読み上げモデルであるEleven v3のAlpha版提供を終了し、全プラットフォームで一般提供を開始したと発表しました。

記号の文脈を正しく見分ける

テキスト読み上げにおいて難しいのは、書かれている記号が前後の文脈で何を意味しているかを判断することです。

同じコロンやハイフンでも、時刻を表しているのか、画面比率なのか、それともスポーツのスコアなのかによって読み方は全く異なります。従来のモデルは、こうした特殊な表記の解釈を誤るケースが少なくありませんでした。

ElevenLabsは8つの言語と27のカテゴリを対象とした社内ベンチマークを実施しました。対象にはスポーツのスコア、化学式、通貨表記、座標などが含まれています。

その結果、モデル全体の読み上げエラー率は従来の15.3%から4.9%へと低下し、ミスが68%削減されました。

たとえば「¥250,000」を入力した際に桁を間違えて「2万5千円」と読むトラブルが修正されたほか、化学式の「SO₂」を崩れた発音ではなく正確に発音できるようになっています。ユーザー比較テストでも、72%の割合でAlpha版より新バージョンが支持されました。

なぜ重要か

AI音声の競争は、単に人間らしい声色を競う段階から、業務用途で破綻しない実用性を競う段階へと移っていると私たちは考えています。

オーディオブックの制作会社やニュース配信事業者、音声エージェントを開発するエンジニアにとって、記号の読み間違いは非常に厄介な問題でした。これまではモデルにテキストを渡す前に、数字や単位をわざわざテキストで書き下す前処理が必要でしたが、その手間が大幅に省けます。

ElevenLabsが派手な機能追加ではなく、こうした地味で泥臭い解釈精度の改善に注力したのは極めて賢明な判断に見えます。プロの現場で実務に耐えうる信頼性を獲得することこそが、競合との大きな差別化になるからです。

ただし、エラー率が4.9%残っている点には注意が必要です。金融ニュースの数値や医療関連の専門用語など、一文字のミスも許されない用途では、依然として人間の耳による最終チェックを怠ることはできません。