ElevenLabs v4

ElevenLabs 预告的第四代 AI 语音模型，主打能低语、能吟唱、带情绪与口音的人类级表达

音声合成自然な人間の声テキスト読み上げ

https://elevenlabs.io/

公式サイトへ

詳細レポート

イレブンラボ v4 は、ロンドンとワルシャワに拠点を持つこの AI オーディオ会社が発表した第 4 世代の音声合成モデルです。現在は「パブリックプレビュー段階にあり、まだ正式にリリースされていない」。これは、イレブンサミット 2026 (ワルシャワ) で創設者のマティスタニシェフスキーによって初めてデモンストレーションされ、より自然な人間レベルの表現、つまり感情とアクセントを付けてあらゆるテキストをささやき、詠唱し、話す能力に焦点を当てています。明確にしておく必要があるのは、2026 年 7 月の時点で v4 はまだパブリックテスト用に公開されておらず、実際にオンラインで動作するフラッグシップモデルは 2025 年 6 月にリリースされたイレブン v3 であるということです。そのため、このレポートでは v4 を「正式に発表されプレビューされた次世代の方向性」として扱います。プラットフォームの現在のステータスと価格は、現在利用可能なバージョンに基づいています。
2022 年に Mati Staniszewski と Piotr Dąbkowski によって設立されたイレブンラボは、ポーランドに技術的なルーツを持ち、ロンドンに本社を置いています。ヨーロッパを代表するジェネレーティブオーディオユニコーンの 1 つです。同社は「AIの音声はもはや機械ではない」という判断からスタートし、純粋な「知能」そのものではなく、コミュニケーション層がAI導入のボトルネックになると考えた。数年で、単一のテキスト読み上げツールから、音声生成、吹き替え、音楽、音声クローン、リアルタイム文字起こし、音声インテリジェンスをカバーするフルスタックのオーディオプラットフォームに成長しました。顧客リストには、ディズニー、エピックゲームズ (フォートナイトのダースベイダーの声)、Duolingo に加え、ドイツテレコム、Nvidia ACE、ギリシャ政府トラベルアシスタントなどの大規模なエンタープライズレベルの展開が含まれています。
v4 に関する現在の公開情報は、ワルシャワでの基調講演によるものです。スタニシェフスキー氏はその場で「このモデルはまだ発売されていない。これは独占展示だ」と強調した。聴衆が聞いたのは、ワルシャワについての二人の会話でした。その声はアクセントを切り替えたり、ささやき、感情を伝え、さらには歌うこともできます。公式声明によると、v4 が解決したいのは「より明確な読み」ではなく、「人間のコミュニケーションに近いもの」、つまり制御可能な感情、明確な意図、自然なアクセントと間です。同じイベントでは、コード名「D2」という新しい吹き替えシステムのプレビューも行われました。もはやテキストに基づいて音声を生成するだけでなく、元の映画の感情やパフォーマンスを読み取り、この「精神」を言語を越えて転送し、従来の AI 吹き替え「表現タブレット」の古い問題を直接攻撃します。すでに使用されているイレブン v3 と比較すると、v3 は 2026 年 3 月 14 日に完全にオープンします。中心的なセールスポイントはオーディオタグです。[ささやき声]、[興奮]、[ため息] などのインライン命令をスクリプトに直接書き込むと、モデルは再録音を繰り返すことなくフレーズレベルで解釈を調整します。また、マルチスピーカーダイアログモード、70 以上の言語もサポートしており、1 回のリクエストの上限は約 3,000 文字です。さらに下位では、Multilingual v2 は安定性と一貫性を重視し、Flash は 75 ミリ秒の超低遅延を重視し、Turbo は高コストパフォーマンスを重視し、「品質/遅延/コスト」に応じて分割されたモデルマトリクスを形成しています。 v4が予定通り発売されれば、v3の表現力を上回る可能性が高く、「自然さ」や「感情のコントロール可能性」がより高いレベルに引き上げられることになる。
イレブンラボの価格は同じクレジットプールで設定されており、テキスト読み上げの料金は文字ごとに設定されます（高品質モデルの場合は約 1 文字 = 1 クレジット、1 分間の音声で約 1000 文字）。現在の公開レベルは次のとおりです。無料バージョンは月あたり 10,000 ポイントです。月額 6 米ドル、30,000 ポイントのスターター。クリエイターは月額 22 米ドル (最初の月は 11 米ドル)、121,000 ポイントでプロの音声クローン作成のロックを解除できます。 Pro は月額 99 ドル、600,000 ポイント、API は 44.1kHz PCM を出力できます。月額 299 米ドル、180 万ポイント、3 ワークシートのスケール。 990 USD/月、600 10,000 ポイント、10 席のビジネス。エンタープライズ版は交渉可能です。音楽、効果音、ボイスチェンジ、吹き替えなどの他の製品ラインは、同じポイントプールから異なるレートで差し引かれます。たとえば、音楽は約900ポイント/分、ダビングは約2,000～10,000ポイント/分です。スタートアップチーム向けに、12 か月の 3,300 万文字の無料助成プログラムもあります。 v4 の具体的な請求額はまだ発表されておらず、サードパーティの追跡サイトでは 1,000 文字あたり約 0.30 ドルであると推測されていますが、これは未確認の噂です。
既存の v3 のサウンドは概ね好評です。長編オーディオブック、ゲームの吹き替え、映画やテレビのローカリゼーションの実務者は、その表現力の向上を認識しています。特に、オーディオタグを使用すると、1 人で複数のキャラクターの感情を調整できるため、従来の吹き替えディレクターの必要がなくなります。ブラインドテストの好みに関しては、v3 は初期の v3 Alpha と比較して 72% 改善されました。否定的な声は 2 つの点に焦点を当てています。1 つは、価格が高く、100 万文字あたり約 100 ドルで、大量生産シナリオでは競合製品よりも大幅に高価です。次に、長いテキストは複数のリクエストに分割する必要があり、自動化されたワークフローはやや面倒で、トラフィックの少ない言語の品質は依然として不安定です。 v4に関しては、ユーザーはまだ「期待」の段階だ。コミュニティは、メカニカルな感触を本当に圧縮できるかどうか、そして価格が上昇し続けるかどうかのほうを懸念しています。
人工分析の音声分野 (2026 年 6 月) では、イレブン v3 の Elo は約 1178 で、商用 TTS の第一階層にしっかりとランクされています。ただし、素の自然さという点では Alibaba Fun-Realtime-TTS (約 1219)、Google Gemini 3.1 Flash TTS (約 1214)、Inworld、Cartesia Sonic 3.5 などに追い抜かれていますが、単価はそれらよりはるかに高いです。業界のコンセンサスは、「生態学的完全性 + 表現力 + エンタープライズレベルのコンプライアンス」ではイレブンラボ社が勝っているが、「単価」が弱点になりつつあるということです。競合製品に関しては、OpenAI TTS-1、MiniMax Speech、Cartesia、Inworld、および Suno (音楽指向) がすべて同じケーキを争っています。
サウンドクローンは自然に深いところまで進みます。イレブンラボは、コンテンツレビュー、アカウンタビリティ、透かし追跡メカニズムを組み込んでおり、「AIで生成された音声は識別可能であるべきだ」と繰り返し強調してきた。ただし、クローン技術がディープフェイク、詐欺、なりすましに悪用されるリスクは常に存在します。商業レベルでは、著作権とトレーニングデータの認可は避けられない話題です。同社は、音楽モデルが認可されたデータに基づいてトレーニングされており、商業目的で使用できることを強調していますが、音声側のコレクションのソースについては、依然として時々議論が引き起こされます。一般のユーザーにとって、本当のリスクはもっと単純です。高価なポイント、再実行請求、不透明なエンタープライズバージョンの条件、そして「早期に正式に発表され、後で正式に利用可能になる」v4 などのメジャーアップデートによって生じる予想されるギャップです。
オーディオブック、ポッドキャスト、ゲームキャラクターの吹き替え、映画やテレビのローカリゼーションを制作するコンテンツクリエーターの場合、現時点では v3 をオーディオタグで直接使用することが最も実用的な選択であり、表現力も十分です。カスタマーサービス、販売、旅行ガイドなどの音声対応エージェントを構築している企業の場合は、v4 を待つのではなく、イレブンエージェントとダビング v2 を検討する必要があります。予算が厳しく、大量のバッチを完全に管理するバッチシナリオの場合は、意思決定を行う前に、イレブンラボと MiniMax、Cartesia、および Alibaba TTS の間で水平ブラインドテストを実施することをお勧めします。 v4 については、「次世代の方向性の羽根」として注目し、プレビュー段階で提供されていない機能にお金を払わないように、公式のパブリックベータ版を待ち、賭けをする前に実際のテストサンプルと価格を確認することをお勧めします。
イレブンラボ v4 は正しい方向に進んでいます。音声インタラクションは「話せる」ものから「人間らしい」ものに移行するはずですが、これはまだワルシャワのステージでのプレビューサンプルにすぎません。今それを使用するかどうかを決定するのは、成熟した v3 エコシステムと高額なポイント請求です。

ユーザーレビュー

Isabella.Howard_2020

—

重跑也计费这点吐槽一下，生成错了重来还扣积分，批量出片时心在滴血。

RebeccaLee

—

希腊政府旅游助手那个 demo 挺实在的，能识图推荐行程还能看日历，比纯聊天机器人有用多了。

JosephRamirez_7

—

v4 若能控情绪和意图，游戏过场动画的旁白就能一次成型，不用再后期一段段调语气了。

TIram

—

竞技场里 v3 已经被阿里和 Gemini 反超了，但生态是真的全，从 TTS 到配音到智能体一把梭，小团队懒得接七八家 API。

SatoshiFanBennett

—

开发者资助计划真香，12 个月免费 3300 万字符，我们初创直接白嫖把智能体跑通了。

BobbyMorrisX48

—

v4 能吟唱这点我很期待，现在做游戏 NPC 哼个小调还得另接音乐模型，要是语音模型直接能带旋律就省事了。

BLkra

—

整体方向我看好，语音要从「能说」走向「像人」，ElevenLabs 这步棋下得对，就看定价别飘。

陈萱

—

Flash 的 75 毫秒延迟做实时对话基本够用了，v4 如果还能压一压，客服场景体验会再上一个台阶。

RichardRuiz_Plus

—

等不及 v4 了，现在先用 v3 的 Audio Tags 做有声书，单人就能调度几个角色的情绪，省了请配音导演的钱。

MadisonPatelIII

—

价格再不降，真的要被 MiniMax 和阿里系抢光了。我们公司一个月光配音就烧掉几百刀，老板已经在看替代方案。

Mary_ButlerSr

—

又是「预览」又是「独家展示」，正式公测怕是要等到年底，建议大家别为没交付的能力提前付费。

DrMar'yanZaporozhec

—

盲测里 v3 比早期 Alpha 提升 72%，说明他们打磨得狠，v4 正式版应该也不会让人失望。

Patrick.EdwardsII

—

Music 模型基于授权数据这点很重要，商用不踩版权雷，比某些来路不明的音乐生成靠谱。

Bryan.RobertsSr

—

在华沙那场演示里听到 v4 的样片时，鸡皮疙瘩起来了。那种带气声的低语和自然的停顿，确实是 v3 还差一口气的感觉。

goldensnake135

—

配音按分钟扣积分太肉疼了，千字配音动辄上万积分，大项目还是得咬牙上 Business 档。

枫叶_13

—

说真的，ElevenLabs 的克隆水印和溯源做得比大部分家都认真，这点我愿意多付点钱，至少不怕哪天被牵连进 deepfake 新闻。

Andrea.Ramos

—

关注 v4 很久了，建议把它当风向标看，真要投产还是先用成熟的 v3 生态，别赌预览阶段。

Charles.Smith_2020

—

D2 配音那个跨语言保留情绪的思路对，传统 AI 配音确实像念稿机器，希望 v4 时代能真正解决「表情平板」。

RRuizZ170

—

能不能先把长文本单次上限从 3000 字符提上去？自动化流水线天天切分请求，烦死了。

Anthony_CoxJr

—

英伟达 ACE 那次合作展示的多语言营销内容生成挺惊艳，声音自然度确实行业第一梯队。

Madison.Vasquez007949

—

用了两年 ElevenLabs 做播客，整体很稳，就是企业版条款不透明，想加席位和并发谈得头疼。

Gary32

—

低流量语种质量还是参差，泰语和越南语偶尔会冒奇怪的重音，正式项目我们还是切回英文再本地化。

ElevenLabs v4

詳細レポート

ユーザーレビュー

類似の製品