テキスト読み上げ

概要

ElevenLabsのテキスト読み上げ（TTS）APIは、微妙なイントネーション、ペース、感情の認識を備えた自然なオーディオへテキストを変換します。モデルは、32言語と複数の音声スタイルにわたるテキストの手がかりに適応し、次の用途に使用できます。

• グローバルなメディアキャンペーンや広告のナレーション
• 複雑な感情表現を含む多言語オーディオブックの制作
• テキストからリアルタイムオーディオをストリーミング

サンプルをお聴きください：

ボイスライブラリで、プロジェクトに最適な音声を見つけてください。

音声品質

リアルタイムアプリケーションでは、Flash v2.5が超低遅延の75msを提供します。一方、Multilingual v2は、より微妙な表現を備えた最高品質のオーディオを提供します。

音声オプション

ElevenLabsでは、複数の作成方法を通じて32言語にわたる数千種類の音声を提供しています。

• コミュニティで共有された3,000種類以上の音声を含むボイスライブラリ
• 最高精度の複製を実現するプロフェッショナルボイスクローン
• 音声をすばやく複製するインスタントボイスクローン
• テキストの説明からカスタム音声を生成するボイスデザイン

音声オプションの詳細をご確認ください。

対応言語

Multilingual v2モデルは、29言語に対応しています。

英語（米国、英国、オーストラリア、カナダ）、日本語、中国語、ドイツ語、ヒンディー語、フランス語（フランス、カナダ）、韓国語、ポルトガル語（ブラジル、ポルトガル）、イタリア語、スペイン語（スペイン、メキシコ）、インドネシア語、オランダ語、トルコ語、フィリピン語、ポーランド語、スウェーデン語、ブルガリア語、ルーマニア語、アラビア語（サウジアラビア、アラブ首長国連邦）、チェコ語、ギリシャ語、フィンランド語、クロアチア語、マレー語、スロバキア語、デンマーク語、タミル語、ウクライナ語、ロシア語。

Flash v2.5は、v2モデルのすべての言語に加え、以下を含む32言語に対応しています。

ハンガリー語、ノルウェー語、ベトナム語

対応言語のいずれかでテキストを入力し、ボイスライブラリから対応する音声を選択するだけです。最も自然な結果を得るには、対象の言語と地域に合ったアクセントの音声を選んでください。

プロンプト

モデルは、テキスト入力から感情的な文脈を直接解釈します。たとえば、 「彼女は興奮して言った」のような説明文を追加したり、感嘆符を使用したりすると、発話の 感情に影響します。StabilityやSimilarityなどの音声設定で一貫性を制御でき、 根底にある感情はテキスト上の手がかりから生まれます。

詳細はプロンプトガイドをご覧ください。

よくある質問

主なポイント

• 決定性：出力は非決定的です。一貫性の高い結果にはseedパラメーターを使用
• 無料再生成：生成ごとに最大2回無料で再生成可能（同一コンテンツとパラメーターのみ）
• 所有権：生成されたオーディオの所有権は保持されます。商用利用には有料プランが必要です
• 低遅延ユースケース：Flashモデル（eleven_flash_v2またはeleven_flash_v2_5）を使用。詳細は遅延最適化ガイドをご覧ください
• 長文：長いテキストをセグメントに分割し、チャンク間で自然なプロソディを維持するためにprevious_text／next_textパラメーターを使用