ElevenLabs、音声共有機能「Voice Library」を公開

リアルなAIオーディオブックや海外ショート動画の吹き替えを聞いたことがある人なら、その裏にElevenLabsの技術が使われている可能性は高いはずです。

音声合成のパイオニアである同社は現在、コンテンツ制作向けのElevenCreativeと、対話型エージェント向けのElevenAgentsという2つの基盤にサービスを整理しています。

1万7500超の音声ライブラリと音楽生成

単なるテキスト読み上げツールの枠を超え、プラットフォーム内の音声ライブラリには17500種類以上のボイスが集まっています。対応言語は90言語以上に及びます。

クリエイター向けの機能では、音声のクローン作成やプロンプトによる声の生成だけでなく、スタジオ品質の楽曲生成や効果音の作成も一括で操作できます。

さらにVeo、Wan、Kling、Seedanceといった主要な画像・動画生成モデルとも連携しており、音声から映像の書き出しまでを単一のワークフローで完結させることが可能です。

すでにNVIDIAが多言語マーケティングコンテンツの展開に活用しているほか、Duolingoがキャラクターボイスに採用するなど、大手企業での導入も進んでいます。

75ミリ秒の低遅延で動く対話エージェント

もうひとつの柱であるElevenAgentsは、電話、チャット、メール、WhatsAppなどの複数チャネルに導入できる対話型AIです。

人間とのリアルタイムな会話を成立させるため、会話向けモデルであるEleven Flashでは遅延を75ミリ秒にまで抑えています。

文字起こし側には認識精度98パーセントを謳うEleven Scribeを組み合わせ、話者分離や文字単位のタイムスタンプにも対応しました。

企業導入を想定し、運用前の会話シミュレーション機能や、誤応答を防ぐためのガードレール設定も組み込まれています。

なぜ重要か

ElevenLabsは、単一の音声クローン機能を提供するベンダーから、制作と企業コミュニケーションの両方を握る総合音声インフラへと巧みに脱皮を図っています。

クリエイターにとって、BGM、効果音、ナレーションの調達先が一つにまとまる利点は大きく、海外展開のローカライズコストを劇的に下げる選択肢になります。

業界全体で見れば、90言語対応と75ミリ秒という低遅延は、従来の自動音声応答システムやコールセンターの置き換えを一気に現実的なものへ引き上げました。

一方で、リアルな声が簡単に作れる環境が整ったことで、ディープフェイクや声の権利侵害に対する安全策の重要性はさらに増しています。プラットフォーム側がどこまで厳密なガバナンスを維持できるかが今後の分水嶺になりそうです。