Eleven v4 が台本を読む仕組み
結果を左右する選択は3つです。声、言葉、設定の順に決めます。ナレーション、広告、オーディオブック、eラーニングのどれでも、この順番は変わりません。
| 選ぶもの | やること |
|---|---|
| 声 | 読みたい演技が自然に出せる声を選びます。タグは、その声がもともと出せる演技に付けたときに最もよく効きます |
| 言葉 | 演じてほしい形のまま書きます。「彼女は、かろうじて平静を保ちながら言った」のような地の文や感嘆符は、タグなしでも読みを変えます |
| Stability | 下げると表現が豊かになり、テイクごとの差も大きくなります。上げると、全行をそろえたい講座向けになります |
| Resemblance | 出力が選んだ声にどれだけ近いかを決めます |
| 台本の長さ | 1回の音声生成で最大3,000文字です。長い台本は段落の切れ目で分けます |
| 声の種類 | 最終の読みにはライブラリの声がおすすめです。デザインした声は v4 でやや粗く聞こえることがあります |
Eleven v4 の音声タグ
音声タグは、角括弧に入れて、その行の演じ方を変える言葉です。自由な文字なので、表は出発点にして、自分の言葉で書いてください。
| 種類 | タグ | 効果 |
|---|---|---|
| 感情 | [excited], [curious], [sarcastic], [sad] | 行全体に色をつけます |
| 話し方 | [whispers], [shouting], [rushed], [slowly] | 音量とテンポを変えます |
| 反応 | [laughs], [sighs], [exhales], [gulps] | その位置に人間らしい音を足します |
| 間 | [pause], [long pause] | その長さの空白を入れます |
| 効果音 | [applause], [phone buzzing], [light rain] | テイクの中でその音を鳴らします |
| 自分の言葉 | [低く落ち着いた声、抑えた切迫感] | 読み方を普通の言葉で説明します |
| 実験的 | [sings], [strong French accent] | 声によっては効きます。先に試してください |
タグは、変えたい言葉の直前か直後に置きます。1つの場面に両方必要なら、[whispers] [sad] のように2つ重ねます。タグが音として読まれたときは、声の説明に変えてください。[gravelly] より [low, gravelly voice] のほうが伝わります。タグは目安なので、2〜3テイク生成して、良いものを残します。
タグを聴く
速度設定も SSML もない Eleven v4 での間の作り方
Eleven v4 には速度やスタイルのスライダーがなく、SSML も無視します。そのため、タイミングは台本の中に書きます。v3 の台本の多くは、次の置き換えでそのまま使えます。
| したいこと | こう書く |
|---|---|
| 短い拍 | 三点リーダー（...） |
| はっきりした間（SSML の break の代わり） | [pause] または [long pause] |
| 速い行、遅い行（速度スライダーの代わり） | 行の前に [rushed] または [slowly] |
| 表現の幅（スタイルスライダーの代わり） | 話し方のタグと、低めの Stability |
| 1語の強調 | 大文字：I said NOW |
| 難しい発音（SSML の phoneme の代わり） | スラッシュで囲んだ IPA：Niamh /niːv/ |
Eleven v4 の掛け合い台本
複数の人が話す場面は、Speech ではなく Dialogue を選びます。話者は2〜10人、場面全体で2,000文字までです。どの話者も場面全体を聞いているので、返事は直前の行に反応します。ターンごとにタグを付け、途中で切れる行はハイフンで終え、話者にははっきり違う声を選びます。
他の言語での Eleven v4
Eleven v4 の対応言語は90を超えます。どの声でも、どの言語でも、その言語のネイティブのなまりで話します。翻訳を頼むのではなく、台本を最初からその言語で書いてください。言語によって流暢さに差があるので、まず1行試します。
Eleven v4 と Eleven v3 の違い
ElevenLabs によると、Eleven v4 は公開時点で Artificial Analysis の音声アリーナの1位となり、ブラインドテストでは聴き手の約75%が v4 を選びました（出典）。台本を書く側にとって重要な変更点は次のとおりです。
| 項目 | Eleven v4 での変更点 |
|---|---|
| 話し方 | 言葉から口調と文脈を読み取るので、タグは演技の微調整に使えます |
| 安定性 | リテイク、掛け合い、長い作品でも声がぶれません |
| 音声タグ | 効果音や自分の指示も含め、以前より確実に従います |
| 掛け合い | 全話者が場面全体を聞き、直前の行に反応します |
| 言語 | 90以上。Eleven v3 の70超から増えました |
| なまり | 新しい言語を話す声は、その言語のネイティブのなまりになります |
| 設定 | Stability と Resemblance のみ。速度、スタイル、SSML はなくなりました |
Eleven v4 と Eleven v4 Turbo の違い
どちらも同じ声と設定を使うので、片方で配役した声はもう片方でも使えます。Morphic では、Eleven v4 は ElevenLabs、速い階層は ElevenLabs Turbo を選びます。
| Eleven v4 | Eleven v4 Turbo | |
|---|---|---|
| 向いている用途 | 最終ナレーション、広告、オーディオブック | 下書き、リテイク、大量の行 |
| Dialogue | 2〜10人 | Speech のみ |
| 速度 | フルレンダリング | より速い。ストリーミング時、最初の音声まで約150ms（ElevenLabs による） |
| クレジット | 標準レート | 1文字あたりが少ない |
Turbo で読み方を決め、採用する行を Eleven v4 で仕上げます。
よくある質問
はっきりした間は [pause]、長く保つ沈黙は [long pause] を、間を置きたい位置にそのまま書きます。短い拍なら三点リーダーで足ります。SSML の break タグは Eleven v4 では効かないので、古い台本はタグに置き換えてください。
はい。Eleven v4 は90を超える言語に対応し、日本語もその1つです。どの声でも、その言語のネイティブのなまりで話します。台本は翻訳に頼らず、最初から日本語で書いてください。言語によって流暢さが違うため、まず1行で試してから全体に進めます。[pause] などのタグは、日本語の台本にもそのまま置けます。
いいえ。Eleven v4 は SSML を無視し、速度やスタイルのスライダーもありません。ペースは [rushed] か [slowly]、間は [pause]、強調は大文字、難しい語は国際音声記号（IPA）をスラッシュで囲んで書きます。
書けます。タグは自由な文字なので、声優に演出を伝えるつもりで、[乾いた口調で、内心うれしそうに] のように書いてください。短くまとめ、モデルが読み違えたときは、音ではなく声の説明に変えます。
効果音は作れます。[applause] や [phone buzzing] のようなタグで、テイクの中でその音が鳴ります。歌は実験的です。[sings] は効く声と効かない声があるので、1曲まるごと作るなら Morphic の音楽モデルを使ってください。
多くは、その声が自然にできない演技であるか、タグが変えたい言葉から離れているか、タグが音として読まれたかのどれかです。読みたい演技に近い声を選ぶ、タグを言葉の隣に移す、声を普通の言葉で説明する、のどれかを試し、2〜3テイク生成してください。