ElevenLabsのオーディオタグ（感情タグ）の使い方！v4で日本語の音声に感情を付ける書き方と生成例

ElevenLabsのオーディオタグ（感情タグ）は、原稿に[excited]のような指示を角かっこで書き込み、声の感情や話し方を変える機能です。最新のEleven v4では、タグへの追従が以前のモデルより細かくなりました。この記事では、公式のタグ一覧と、日本語の原稿にタグを付けて実際に生成した結果、うまくいかない時の対処法を解説します。

ElevenLabsのオーディオタグ（感情タグ）とは

ElevenLabsのオーディオタグは、読み上げる原稿の中に書く「演技の指示」です。感情・話し方・笑い声などを、文ごとに指定できます。

角かっこで話し方を指示する仕組み

オーディオタグは、短い英語の指示を角かっこで囲み、話し方を変えたい文の直前に置くのが基本の書き方です。たとえば[whispers]を文の前に書くと、その文をささやき声で読ませる指示になります。

タグで指示できるのは、感情（[curious]、[crying]など）、話し方（[whispers]、[shouts]など）、人の反応（[laughs]、[sighs]、[clears throat]など）の3種類です。テキスト読み上げ画面の入力欄に角かっこで囲んだ言葉を書くと、タグとして色付きで表示されるため、どこに指示を入れたかがひと目で分かります。

オーディオタグを使えるモデル

オーディオタグを使えるのは、Eleven v4、Eleven v4 Turbo、Eleven v3の3つのモデルです。v4とv3では同じタグが使えます。タグの扱いが改善されたv4を使うのがおすすめです。低遅延のv4 Turboもタグに対応しているため、音声エージェントのようなリアルタイムの用途でも感情を指示できます。

Webの画面では、テキスト読み上げの「モデル」で「Eleven v4」を選べばタグを使えます。APIでは、モデルIDにeleven_v4を指定して原稿にタグを書きます。ElevenLabsの機能の全体像は、次の記事で解説しています。

あわせて読みたい

ElevenLabsとは？使い方と料金や日本語対応について！商用利用や再翻訳も紹介 ElevenLabs（イレブンラボ）は、テキストの読み上げから声の変換、動画の吹き替えまでできるAI音声生成サービスで、日本語にも対応しています。2026年9月28日には最新モデルのEleven v4が登場しました。 この記事では、ElevenLabsの使い方を実際の画面で解説し、料金プランとAPIの料金、商用利用の条件、再翻訳の方法までまとめます。

Eleven v4でオーディオタグの何が変わったか

Eleven v4は、2026年9月28日に公開されたElevenLabsの最新の音声モデルです。オーディオタグの扱いでは、次の3点が変わりました。

声が学習していない話し方にも従いやすくなった

v4は、ボイスの元の録音に無い話し方でも、タグの指示に従いやすくなりました。一度もささやいたことの無い声でも[whispering]に、叫んだことの無い声でも[shouting]に従えます。

ただし、元の録音に含まれる話し方ほど再現しやすい点は変わりません。タグへの追従はまだ完全ではなく、改善が続いている機能です。狙った読み方にならないときは、ボイスを替えて試すのが近道になります。

タグが効果音として解釈されることがある

v4は、声の演技と効果音の両方を作れるように学習されています。そのため、話し方のつもりで書いたタグが効果音の指示と受け取られることがあり、その逆も起こります。

防ぐには、[low, gravelly voice]（低くしゃがれた声）のように、声の質をはっきり言葉で書くのが有効です。音の合図と読める短い単語だけのタグは、効果音と取り違えられやすくなります。

SSMLのbreakタグが使えず、間はタグと句読点で作る

v4は、旧モデルで間を空けるのに使えたSSMLの<break time="1.5s" />に対応していません。間の長さは、オーディオタグ、三点リーダー（……）などの句読点、文の区切り方で調整します。

声の設定も変わり、v4で調整できるのは安定性と類似性の2つだけです。旧モデルにあったスタイルや話す速さのスライダーは無いため、話し方の細かい指示はタグに任せる形になります。v4の発表内容とv4 Turboとの違いは、次の記事で紹介しています。

あわせて読みたい

ElevenLabsのEleven v4とは？使い方・料金とv4 Turboとの違い、日本語で使えるかを解説 ElevenLabsのEleven v4は、2026年9月28日に公開された最新の音声生成モデルで、感情表現とオーディオタグへの追従が大きく向上しました。低遅延版のEleven v4 Turboもあり、どちらもWebの画面とAPIで使えます。この記事では、v4とv4 Turboの違い、使い方、料金、日本語で生成して確かめた結果を解説します。

ElevenLabsで使えるオーディオタグの一覧

ElevenLabsの公式ドキュメントが、v4向けに例として挙げているオーディオタグは次のとおりです。

種類	タグの例	使う場面
感情・話し方	[sarcastic]（皮肉っぽく） [curious]（興味深そうに） [excited]（興奮して） [crying]（泣きながら） [mischievously]（いたずらっぽく） [whispers]（ささやく）	セリフの気持ちや声の出し方を変える
笑い・ため息などの声	[laughs]（笑う） [laughs harder]（さらに笑う） [starts laughing]（笑い出す） [wheezing]（ぜいぜいと息を切らす） [sighs]（ため息） [exhales]（息を吐く） [snorts]（鼻を鳴らす）	セリフの前後に人の反応を入れる
効果音	[applause]（拍手） [clapping]（手をたたく） [gunshot]（銃声） [explosion]（爆発） [swallows]（飲み込む） [gulps]（ごくりと飲む）	場面の音を入れる
実験的なタグ	[strong X accent]（Xに国名などを入れてなまりを指定） [sings]（歌う） [woo]（歓声）	創作向け。ボイスによって効き方の差が大きい
強化ボタンが使うタグ	[happy]、[sad]、[angry]、[annoyed]、[thoughtful]、[surprised]などの感情 [chuckles]、[clears throat]、[short pause]、[long pause]、[inhales deeply]などの声や間	タグを自動で追加するときの候補

この一覧は、使えるタグをすべて並べたものではありません。一覧に無い感情や動作を表す言葉もタグとして使えます。[Quiet, reflective narration]（静かに振り返るような語り）のように、複数の言葉で場面を説明するタグもその一例です。

実験的なタグは、ボイスによって結果が安定しない場合があります。仕事で使う音声に入れる前に、使うボイスで何度か生成して確かめておきましょう。

日本語の原稿に感情タグを付けた生成例（Eleven v4）

ElevenLabsのWeb画面で、日本語の原稿にタグを付けてEleven v4で生成しました。無料プランで、ボイスは「Aya – Friendly Casual Japanese Voice」、安定性と類似性は初期値です。音声は波形から音量と無音の長さも測りました。

感情を切り替える（[excited]・[sighs]・[curious]）

1つの原稿の中で、喜び、ため息、問いかけと感情を切り替える例です。それぞれの文の前に、感情を表すタグを1つずつ置きました。

[excited] やった！ついに試験に合格したよ！ [sighs] でも、来月からは仕事も忙しくなるんだよね。 [curious] ねえ、あなたなら、まず何から始める？

入力欄では3つのタグが色付きで表示され、タグを含めた原稿は85文字でした。「音声を生成」を押すと約11秒の音声が2つのテイクで作られました。同じ原稿でもテイクごとに読み方が少しずつ違うため、聞き比べて感情の出方が良い方を選びます。

ささやき声と笑い声を入れる（[whispers]・[laughs]）

普通の声のあいさつに続けて、内緒話の部分だけをささやき声にし、最後に笑い声を入れる例です。タグの効果を比べやすいように、1文目にはタグを付けていません。

今日の会議、おつかれさまでした。 [whispers] ここだけの話なんだけど、実は途中で少し寝ちゃったんだ。 [laughs] 誰にも気づかれなかったけどね。

テイク1の音量を、タグの無い1文目と[whispers]の区間に分けて測りました。音量を測ると、タグの無い1文目（0〜2.2秒）は平均-24.4dB、[whispers]の区間（2.7〜6.85秒）は平均-36.9dBでした。ささやき部分は12.5dB小さく、タグの指示どおり声を落として読まれています。

もう1つのテイクでも、通常の部分は平均-24.2dB、ささやきの区間は平均-37.5dBで、13.3dBの差が出ました。[whispers]の効果は、2つのテイクのどちらでも同じように出ています。

日本語で書いたタグを試す（[ささやき声で]）

テキスト読み上げ画面の入力欄には、「[笑う]のようなオーディオタグを使って」という日本語の案内が表示されます。そこで、[whispers]の代わりに日本語で[ささやき声で]と書き、同じ原稿で試しました。

今日の会議、おつかれさまでした。 [ささやき声で] ここだけの話なんだけど、実は途中で少し寝ちゃったんだ。

日本語のタグも、英語のタグと同じく色付きで表示されました。生成した音声では、1文目が平均-23.6dB、[ささやき声で]の後が平均-37.2dBで、13.6dB小さくなりました。今回の検証では、日本語のタグでも英語の[whispers]とほぼ同じ効果が出ています。

ただし、公式ドキュメントのタグの例はすべて英語です。日本語のタグはボイスや言い回しによって効き方が変わる場合も考えられるため、迷ったら一覧にある英語のタグから使うのが確実です。

間を空ける（[long pause]と三点リーダー）

v4ではSSMLのbreakタグが使えないため、間を空ける方法を2つ比べました。1つは強化ボタンの候補にもある[long pause]、もう1つは三点リーダー（……）です。

準備はいいですか。 [long pause] それでは、始めましょう。

比べるために、タグの代わりに三点リーダーを入れた原稿でも生成しました。

準備はいいですか。…… それでは、始めましょう。

2つの音声で、文と文の間の無音の長さを測った結果が次のグラフです。

無音は、[long pause]で1.75秒、三点リーダーで0.85秒でした。はっきりした間を取りたいときは[long pause]、軽いためを作りたいときは三点リーダーと使い分けると、狙った長さに近づけやすくなります。

強化ボタンでタグを自動で付ける

入力欄の下にある「強化」ボタンを押すと、原稿の内容に合うオーディオタグが自動で追加されます。タグの無い次の原稿を入力して、強化を試しました。

えっ、本当に？明日から一週間も休みなの？いいなあ。私なんて、週末も仕事なんだよね。

強化を押して数秒たつと、原稿は次のように書き換わりました。

[surprised] えっ、本当に！？ [excited] 明日から一週間も休みなの？ いいなあ。 [sighs] 私なんて、週末も仕事なんだよね。

強化は、驚き・喜び・ため息のタグを3つ追加し、「？」を「！？」に変えて強調を足しました。原稿の言葉そのものは変わっていません。強化の後は「元に戻す」と「保持」の選択肢が表示され、結果が気に入らなければ元の原稿に戻せます。

原稿の文字数は、強化の前の41文字からタグの分だけ増えて75文字になりました。強化を押した時点ではクレジットは減らず、保持して生成したときに減っています。どのタグを入れるか迷うときは、まず強化で下書きを作り、不要なタグを消して仕上げるのが効率的です。

オーディオタグを効かせる書き方のコツ

オーディオタグの効き方は、ボイスとの相性、タグの言葉の選び方、原稿の書き方で変わります。思った読み方にならないときは、次の4点を見直します。

ボイスのキャラクターに合うタグを選ぶ

タグは、ボイスの性格に合っているほど自然に効きます。瞑想の案内のような落ち着いたボイスに叫ばせたり、元気なボイスにささやかせたりすると、指示どおりにはなりにくいでしょう。真面目なナレーション向きのボイスに[giggles]や[mischievously]のような遊びのあるタグを付けても、うまく反応しない場合があります。

感情の幅を大きく使う原稿なら、最初から表現の豊かなボイスを選ぶのが近道です。ボイスの一覧では、言語を「Japanese」に絞り込んでから、カテゴリーの「会話的」や「キャラクター」で探すと候補を見つけやすくなります。

声の質を具体的な言葉で書く

タグは1語に限らず、声の様子を説明する短いフレーズでも書けます。声の高さ・強さ・語りの雰囲気を具体的に書くと、効果音と取り違えられにくくなります。公式ドキュメントにある書き方の例は次のとおりです。

複数のタグを組み合わせると、複雑な感情を表せます。ただし効き方はボイスによって変わるため、使うボイスでいくつかの組み合わせを試して選びましょう。

句読点と文の区切りで読み方を補う

v4では、句読点が読み方に大きく影響します。三点リーダーは間と重みを加え、「。」「、」などの句読点は自然な話のリズムを作ります。強化ボタンが「？」を「！？」に変えたのも、記号を足して強調する方法の1つです。

文の切れ目も、v4の読み方を左右します。感情を変えたい箇所では文を区切り、新しい文の頭にタグを置くと、どこから話し方が変わるかがモデルに伝わりやすくなります。

タグも文字数としてクレジットを使う

オーディオタグの文字も、原稿の文字数に数えられます。今回の生成では、タグを含めた文字数と同じ数だけクレジットが減りました。

原稿	文字数（タグを含む）	減ったクレジット
[excited]・[sighs]・[curious]の例	85	85
[whispers]・[laughs]の例	80	80
[ささやき声で]の例	53	53
強化で3つのタグを足した例	75	75
[long pause]の例	35	35

長いタグをたくさん入れると、その分だけクレジットの消費が増えます。無料プランのように毎月のクレジットが限られる場合は、効果の大きい箇所に絞ってタグを入れると、試せる回数を増やせるでしょう。

オーディオタグがうまくいかない時の対処法

オーディオタグで起こりやすい4つの症状と、それぞれの対処法を紹介します。

タグを書いても話し方が変わらない

タグの効きが弱いときは、次の順に確かめます。オーディオタグに対応しているのはv4・v4 Turbo・v3の3つだけなので、最初にモデルを見直します。

1. 設定の「モデル」がEleven v4になっているか（Eleven Multilingual v2などを選んでいないか）
2. タグの話し方に合うボイスを選んでいるか
3. 安定性のスライダーを「クリエイティブ」側に下げたか
4. 音声を再生成して、テイクを聞き比べたか

安定性を下げると、生成ごとの読み方の幅が広がります。感情が強く出たテイクが作られやすくなるため、テイクを聞き比べて選ぶ方法と組み合わせると効果的です。

話し方の指示が効果音として再生される

話し方を指示したつもりのタグで効果音が鳴るときは、タグの言葉が音の合図と受け取られています。[low, gravelly voice]のように「voice」「tone」などの語を入れて、声についての指示だとはっきり書き直しましょう。

反対に、効果音を入れたいのに声色が変わるだけのときは、[applause]や[explosion]のように公式の一覧にある効果音のタグに置き換えます。

breakタグを書いても間が空かない

v4とv3は、SSMLの<break>タグに対応していません。旧モデル向けの原稿をそのまま使うと、breakタグで指定した間が空かないため、[long pause]・[short pause]のタグか三点リーダーに置き換えます。

今回の測定では、[long pause]の無音は三点リーダーの約2倍でした。秒数をぴったり指定することはできないため、長さが合わないときは再生成してテイクを選びます。

タグを入れた原稿が文字数の上限を超える

v4で1回に生成できるのは10,000文字までで、この文字数にはタグの文字も含まれます。入力欄の下の文字数表示も、タグを含めて数えています。

長い原稿にタグを足して上限を超えたときは、段落や場面の切れ目で原稿を分けて生成しましょう。分けておくと、感情が思いどおりにならなかった部分だけを作り直せます。

ElevenLabsのオーディオタグに関するよくある質問

ElevenLabsのオーディオタグ（感情タグ）について、よく出る疑問に答えます。

まとめ

ElevenLabsのオーディオタグ（感情タグ）は、[excited]や[whispers]のような指示を角かっこで原稿に書き、声の感情や話し方を変える機能です。Eleven v4では、ボイスが学習していない話し方にもタグで従いやすくなりました。

日本語の原稿で試すと、ささやき声のタグ（[whispers]・[ささやき声で]）を付けた区間は通常の声より12〜14dB小さくなり、[long pause]では1.75秒の間が空きました。タグは公式の一覧にある英語で書き、ボイスに合うものを選ぶのが基本です。迷ったときは強化ボタンでタグの下書きを作り、テイクを聞き比べて仕上げましょう。