ElevenLabs、音声生成モデル「Turbo v2」公開　遅延約400msで従来比2倍高速化

リアルタイムの音声AIにおいて、わずかコンマ数秒の遅延が会話の自然さを損なう大きな原因になります。

ElevenLabsは、音声合成の新モデル「Turbo v2」を公開しました。同社最速をうたうモデルで、生成の遅延時間は約400ミリ秒と、従来のV1モデルと比較して2倍以上の高速化を達成しています。品質面でも同社のMultilingual V2と同等のクオリティを維持しています。

電話サービス向けの出力にも対応

今回のアップデートでは、単なる高速化にとどまらず、VoIP（IP電話）環境に向けた最適化も盛り込まれました。

VoIP用途向けにmulaw 8kHz出力をサポートし、該当環境ではさらなる処理速度の向上が見込めます。なお、現時点でTurbo v2は多言語対応に向けて開発中と案内されています。

なぜ重要か

音声対話エージェントやリアルタイム翻訳を開発するエンジニアにとって、約400ミリ秒というレイテンシは実用性を左右するラインです。LLMの推論時間と合算しても、人間同士の自然な会話テンポに近づけることが可能になります。

特にVoIP標準のmulaw 8kHzに対応した点は、コールセンターなどの既存電話インフラへ直接組み込める点で極めて実用的だと評価できます。現時点では多言語対応が未実装な点が制約となりますが、英語圏のリアルタイム音声用途であれば今すぐ検証する価値があります。