ポッドキャスト、オーディオブック、映像のナレーションを作る人なら、遅かれ早かれ同じ計算にぶつかる。自分で録るか、人に読んでもらうか。どちらも安くはない。多言語版を出すとなれば、費用はさらに何倍にもなる。ElevenLabs が狙うのはまさにその工程だ。テキストを渡し、そのまま使える人の声を受け取り、しかも特定の声を複製して何度でも使えるようにする。

公式は製品を三本に分ける。ElevenCreative は制作向けで、音声、音楽、効果音、画像と映像を受け持つ。ElevenAgents は対話するエージェント向けで 70 言語以上をカバーする。ElevenAPI は同じ能力を開発者に開く。三本は同じ土台のモデルを共有し、違うのは入口だけだ。

手間のかかる工程をまとめて覆う制作の流れ

ElevenCreative を並べると、テキスト読み上げ、音声認識、効果音の生成、音楽の生成、声の設計、吹き替えに、画像と映像が加わる。公式の説明はそっけない。ポッドキャストからオーディオブック、ナレーションまで、ひとつの編集画面で終わり、収録ブースと編集ソフトと素材サイトを行き来しなくて済む、と。

モデルの選び方：遅延と品質は二つの道

テキスト読み上げのページには実用的な対照表がある。どのモデルも 29 言語以上を扱い、違いはどちらを重く見るかにある。

Multilingual v2 は 29 言語をカバーし、遅延の記載はなく、ナレーション、オーディオブック、仕上げに向く。Flash v2.5 は 32 言語をカバーし、遅延はおよそ 75 ミリ秒で、速度が要る即時のシーンのためにある。Turbo v2.5 はおよそ 250 から 300 ミリ秒で、品質と速度の間を取り、一文字あたりの価格は 50 パーセント安い。

75 ミリ秒とは何か。会話のシーンで音声の応答が数百ミリ秒に伸びると、人は相手が待っているとはっきり感じる。Flash v2.5 はそのためにある。仕上げた音源を作るなら、数百ミリ秒待って質感を取るほうが Turbo v2.5 か Multilingual v2 で得だ。

声のライブラリと複製

テキスト読み上げのページには、11000 を超える声が使えると書かれている。足りなければ道は二つある。Voice Design は音色を説明した文章から新しい AI の声を作る。複製は手元の録音を、何度でも呼び出せる音色に変える。

複製は二段に分かれる。即時の複製は Starter から、専門的な複製は Creator からで、後者は公式ページによれば 1 から 5 分の音声素材が要る。素材が多いほど本人に近づく。この取捨は直感に合う。

吹き替えと認識：見落とされがちな残り半分

これを「テキスト読み上げ」だけと捉えると、後半を取りこぼす。吹き替えのモデル Dubbing v2 は90 言語以上と訛りに対応し、公式は文字起こしではなく元の音声を条件にしていると強調する。元の語気、感情、リズムがそのまま目標の言語へ移り、字面の意味だけを移すのではない。講座やインタビュー、宣伝映像を多言語にするチームにとって、この工程は吹き替えを作り直す費用を丸ごと省く。

認識の側では、Scribe v2 Realtime の即時書き起こしは遅延 150 ミリ秒未満、90 言語以上をカバーする。立場ははっきりしている。エージェントや会議のようにその場で理解が要るシーンのためのもので、録音を上げて数分後に結果を受け取る offline の書き起こしではない。

対話エージェント：既存の仕組みに入って初めて実る

ElevenAgents は別に触れておきたい。公式には、エージェントは音声またはチャットで顧客とやり取りでき、70 言語以上をカバーし、言語の検出と切り替えを即時にこなす。もっと重要なのは接続先だ。電話、チャット、メール、WhatsApp が対象で、CRM、問い合わせ管理、予定表、決済、電話事業者にもつながる。

サポートや運用のチームにとって、道具の良し悪しはモデルそのものより、既存のチケットの流れと決済の流れに収まるかどうかで決まることが多い。公式はあわせて、導入前に模擬の会話で振る舞いを確かめられること、SOP に沿って順守のための柵を置けることを挙げる。この二つは公開前の審査でこそ効く。

料金：まずは月に無料の十分で試す

無料の段は月 10000 文字で、公式の換算ではおよそ 10 分の音声になる。音色と言語の効果を確かめるには足りるが、本番の内容を作り始めるとすぐ底が見える。

Starter は月 6 ドルで 30000 文字、商用の許諾、即時の複製、吹き替えスタジオが付く。Creator は月 22 ドル、初月は半額で、12 万 1000 文字、専門的な複製、追加購入が付く。Pro は月 99 ドルで 60 万文字、44.1 kHz PCM と 192kbps の音質で出力する。Scale は月 299 ドルで 180 万文字、専門の複製三つと作業領域の席三つ。Business は月 990 ドルで 600 万文字、専門の複製十、低遅延の読み上げを分単位で課金する。

見落としやすい点が一つある。商用の許諾は Starter から始まる。無料の段で作った音声をそのまま商用に使えるかは、先に確かめておきたい。始める前に二分読む価値はある。

誰に向くか

成果物に声が大量に入るなら、ポッドキャスト、オーディオブック、講座のナレーション、製品映像の解説、あるいは同じ内容を複数の言語版にする必要があるなら、効果は実際に出る。これまではブースを予約し、声の出演者を集めていた。いまはまず初版を作り、どの部分が人による録り直しに値するかを決めればいい。

先に考えておきたい点もある。声の複製は実在の人の音色を扱うので、他人の声を再現する前に許諾を必ず確かめたい。法の問題であり、同時にサービスの規則の問題でもある。また、強い感情の演技や特定の訛りの土地感が要る内容では、自動生成の音声は「使える」初稿までで、最後は人の録り直しが要ることがある。

音声の道具が変えるのは「吹き替えができるか」ではない。「いくつの言語版を作るか」という計算のほうだ。二つ目の言語と十番目の言語の限界費用がほぼゼロになるとき、内容の届く範囲がはじめて開く。