ElevenLabsが「Chimera」公開：音声と動画生成を統合した新ワークフロー

AI動画を作る際、音声生成ツールでナレーションを書き出し、別の動画生成ツールにアップロードしてリップシンクを合わせるという、複数のツールを行き来する作業に煩わしさを感じていたクリエイターは少なくありません。

音声AI大手のElevenLabsが、その摩擦を解消する動きに出ました。同社は10月21日、音声と動画のワークフローを統合した新プラットフォーム「Chimera」を公開しました。

音声と映像を単一のワークフローに統合

Chimeraは、カスタム音声の作成や吹き替え、表現力豊かな音声・動画ワークフローの構築を可能にするプラットフォームです。ElevenLabsのウェブアプリ内でテンプレートとして直接利用できるようになっています。

同プラットフォームは、ElevenLabsの強みである文脈理解に基づいた高精度な音声合成技術に加え、動画生成ツール「Seedance」などを統合しています。これにより、ユーザーは音声と映像を別々に管理することなく、一連の流れでコンテンツを作成できます。

ターゲットとして想定されているのは、個人クリエイター、開発者、そしてエンタープライズ企業です。ソーシャルメディア向けの動画制作から、企業のローカライズ翻訳やAPIを通じた自動化まで、幅広い利用が見込まれています。

なぜ重要か

私たちは、ElevenLabsがChimeraを投入した背景には、単機能AIツールの限界を見据えたプラットフォーム化の狙いがあると考えています。動画生成AIの各社が音声や効果音の自社開発を急ぐなか、音声側から動画領域へ踏み込むのは理にかなった動きです。

クリエイターにとってのメリットは明快で、ツールごとの書き出しやインポートといった無駄な手間の削減です。カスタムボイスの設計から映像生成、吹き替えまでをひとつの環境で完結できるため、試してみる価値は十分にあります。

一方で、課題は映像生成の品質コントロールにあります。ElevenLabsは音声技術ではトップクラスですが、動画生成にはSeedanceなどの外部ツールを組み合わせる形をとっています。映像のクオリティや細かい編集の自由度がスタンドアロンの動画ツールに及ばなければ、プロの現場では定着しにくい可能性もあります。それでも、音と映像の統合制作環境を巡る競争が一段と激しくなったことは間違いありません。