ElevenLabsが「Eleven v4」公開：10秒で音声複製、遅延100msのTurbo版も

「落ち着いてください」という同じ台詞でも、医師が患者に静かに語りかけるのと、戦場で兵士が叫ぶのとでは、伝わり方がまったく異なります。

ElevenLabsは同社史上最も感情表現に優れた音声合成モデル「Eleven v4」と、低遅延に特化した「Eleven v4 Turbo」を発表しました。

Eleven v4は第三者機関Artificial Analysisのリーダーボードで首位を獲得したほか、ブラインドテストにおいてCartesia Sonic 3.6やGoogle Gemini 3.8 Flash TTSなどの競合を相手に、約75パーセントの聴取者から支持を集めました。

台本にタグを書くだけで演技を演出

新モデルは刷新されたアーキテクチャを採用しており、個別の文章を機械的につなぎ合わせるのではなく、文脈全体を把握して声のトーンや間合い、感情の起伏を再現します。

演出の自由度も向上しました。自然言語で演技の雰囲気を指示できるほか、文章内に[laughs]や[said angrily in French accent]、さらには[light rain]や[phone buzzing]といったタグを書き込むだけで、感情表現や効果音を正確に反映します。

国際音声記号（IPA）への対応も強化され、固有名詞の誤読が起きにくくなりました。音声クローン機能も進化し、インスタントクローンはわずか10秒の音声サンプルから高精度に生成可能となっています。

また、長文生成時の安定性が増したことで、オーディオブックなどの長尺コンテンツでも話者の声質が途中で崩れにくくなりました。

100ミリ秒の応答速度と90以上の言語対応

対話型エージェント向けのEleven v4 Turboは、推論遅延の中央値が約100ミリ秒、WebSocketストリーミング時の発話開始遅延（TTFS）は約150ミリ秒を記録しています。これは人間同士が会話する際の間よりも短い数値です。

これまで表情豊かな高品質音声は生成速度が遅く、リアルタイム会話では無機質な音声を選ばざるを得ないケースが一般的でした。新モデルはこのトレードオフの解消を目指しています。

両モデルとも90以上の言語に対応しています。特に改善されたのが母語アクセントの保持力です。英語で録音したクローン音声を日本語やイタリア語で話させた際、元の声質を保ちながら、途中で英語訛りに戻ることなく現地の自然な発音を維持します。

現在、ElevenAgents、ElevenCreative、ElevenAPIの各サービスですでに利用可能です。

なぜ重要か

テキストに演出タグを混ぜるだけで感情や環境音を表現できる仕組みは、ゲーム開発者やポッドキャスト制作者の編集コストを大幅に削減すると考えられます。

また、わずか10秒の音声から高精度なクローンを作成し、90以上の言語へ自然なアクセントで展開できる点は、企業のグローバル発信やコンテンツの多言語ローカライズにとって強力な武器になります。

業界全体で見れば、150ミリ秒という発話速度はリアルタイム音声AIの競争基準を引き上げました。Cartesiaのような低遅延特化型ベンダーへの直接的な対抗となるだけでなく、大手プラットフォームの無機質な音声アシスタントとの差別化も明確にしています。

一方で、10秒という極めて短い音声素材から本物と聞き分けがつかない音声を作れてしまう技術的容易さは、なりすまし詐欺やディープフェイク対策における新たなリスクを浮き彫りにしています。