ElevenLabs、Eleven v4公開 150msで発話開始

ElevenLabsは約1年前にリリースしたv3でオーディオタグによる感情や間の制御を既に可能にしていたが、指示への追従精度が課題だった。v4は新アーキテクチャで脚本のトーン、ペース、文脈を分析し、タグや平文の指示、発音の音声表記を通じてより正確に制御できるようにした。これにより、長編ナレーションやオーディオブック、対話シーンでも話者の一貫性が保たれやすくなる。

多言語対応はv3の約70言語から90言語以上に拡大し、クローン音声が他言語でも元のアクセントに引き戻されにくくなった。プロフェッショナル音声クローンはv3で未対応だったが再び利用可能となり、インスタント音声クローンは10秒の音声で作成できる。これらの改良は吹き替えや国際展開を狙う制作現場にとって実用的な進歩となる。

Turboはリアルタイム音声エージェント向けに、速度と表現力のトレードオフを解消することを狙う。ElevenLabsのテストでは150ミリ秒で発話を開始し、Cartesia Sonic 3.6の262ミリ秒やOpenAIのGPT-4o mini TTSの814ミリ秒を大きく下回る。また、Artificial AnalysisのProvider Voice ArenaリーダーボードでCartesia Sonic 3.6やGoogle Gemini 3.8 Flash TTSを上回り、発音ベンチマークでは91.7%を記録した。

ただし、これらの数値は主にElevenLabs自身のテストやブラインドテストに基づく。10月12日までの値下げや、Creatorプラン以上での2週間無償利用などの販促策が実際の採用を左右するかが焦点となる。音声エージェントやナレーション制作の現場では、低遅延と多言語一貫性が制作コストやユーザー体験にどう影響するかが注目される。