AIを活用した音声技術を開発する ElevenLabs は、テキスト読み上げモデルの Eleven v4 と Eleven v4 Turbo を発表した。同社によると、完全に新しいアーキテクチャを採用した Eleven v4 は、イントネーション、テンポ、感情、キャラクター、文脈を解釈して、より自然な音声を生成する。長いテキストでも話者のアイデンティティを維持し、以前のセリフに応じてイントネーションを変えられるという。モデルでは、1つのコマンドで複数の音声タグを使用でき、笑い声、怒り、アクセント、環境音を自然言語で指定できる。改良された International Phonetic Alphabet (IPA) への対応も提供される。
Eleven v4 は10秒間の録音から音声をクローンでき、Eleven v3 にはなかった Professional Voice Clone 機能を再び導入する。両モデルは90以上の言語に対応しており、Eleven v3 は約70言語に対応していた。日本語、ブラジルポルトガル語、標準中国語、広東語での品質向上が目指されている。
Eleven v4 Turbo は、コールセンターや音声AIエージェント向けに開発された。双方向ストリーミングにより生成を早期に開始し、同社のテストでは最初の音声の中央値が約150ミリ秒、推論遅延が約100ミリ秒と測定された。Eleven v4 は最大10千文字のコンテンツを生成できる。
重要な理由
新しいアーキテクチャにより長いコンテンツでも話者の一貫性が維持され、複数の音声要素を1つのコマンドで管理できるため、このモデルは短い音声生成の枠を超え、より複雑な生成ワークフローにも対応する。対応言語が約70言語から90言語超へ拡大したことで、特に日本語、ブラジルポルトガル語、標準中国語、広東語を使用するチームにとって、アクセスと品質の目標が広がっている。Turbo 版で双方向ストリーミングと低遅延に重点が置かれていることは、コールセンターや音声AIエージェントにおいて、応答時間が主要な指標の1つであることを示している。ただし、発表された遅延の結果は同社のテストに基づくものであり、異なるインフラや実際の利用条件でも同水準の性能が得られるかどうかは明らかになっていない。短いサンプルからのクローン作成とプロフェッショナル・クローン機能が併せて提供されることで、ユーザーがどの品質要件に対してどの方法を選ぶのかという問題も浮上している。
背景
ElevenLabs は、FikirPilot のアーカイブにおいて新しい名前ではない。過去90日間に、この名前が登場する記事を1本掲載しており、その記事の日付は2026年9月12日である。