ElevenLabsが「Eleven v3 Conversational」提供開始：70言語超と感情表現に対応

AIの音声をもっと人間に近づける上で、発音の正確さ以上に難しいのが、どのタイミングで笑ったり囁いたりするかというニュアンスの再現です。

ElevenLabsは8月19日、リアルタイム音声モデル「Eleven v3 Conversational」の一般提供を開始しました。ElevenAgentsおよびElevenAPI経由で利用可能です。

囁きや皮肉も表現できる音声タグ

同社がリアルタイム向けとして最も表現力が豊かだとするこのモデルには、新たに音声タグ機能が搭載されました。開発者は指示を出すだけで、AIに笑わせたり、囁かせたり、皮肉混じりに話させたりといった細かいニュアンスをコントロールできます。

対応言語はドイツ語、スペイン語、フランス語、ポルトガル語、ヒンディー語など70言語以上に及び、1万1000種類を超える音声ライブラリを利用できます。

料金は1000文字あたり0.05ドルからとなっており、利用規模に応じて単価が下がる仕組みです。

なぜ重要か

音声エージェントの最大の課題は、棒読み感による不自然さでした。ゲームのNPCや語学学習、カスタマーサポートなどを開発しているなら、感情をリアルタイムに制御できるこのモデルは今すぐ試す価値があります。

単に音質を上げるだけでなく、開発者が直感的に感情を指定できるタグを用意した点は非常に賢明なアプローチだと考えられます。

ただ、1000文字あたり0.05ドルという価格は検証には手頃ですが、長時間の対話サービスで大量のトラフィックを処理する場合、コストの膨らみには注意を払う必要がありそうです。