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。
＼ 無料プランでお試し ／
ElevenLabsのEleven v4とは
ElevenLabsのEleven v4は、テキストを人の声に変える「テキスト読み上げ」の最新モデルです。台本の話し方や感情まで読み取って音声にする点が、従来のモデルとの大きな違いです。
| 項目 | Eleven v4の内容 |
|---|---|
| 公開日 | 2026年9月28日 |
| 種類 | テキスト読み上げ（文章を音声にする） |
| 対応言語 | 日本語を含む90以上の言語 |
| 1回に生成できる文字数 | 最大1万文字（音声で約10分） |
| 主な機能 | オーディオタグ、複数の話者の会話、ボイスクローン、発音辞書 |
| 低遅延版 | Eleven v4 Turbo |
新しい仕組みで感情表現が豊かになった
Eleven v4は、まったく新しいアーキテクチャーで作られたモデルです。誰が話しているか、直前に何が起きたかを踏まえて、声優のように台本を読み上げます。同じ「落ち着いて」というせりふでも、医師が患者に優しく伝える場面と、ゲームの隊長が叫ぶ場面とで読み方を変えられます。
競合する音声モデルとの目隠しの聞き比べでは、約75%の聞き手がEleven v4を選びました。競合するモデルと同じせりふを聞き比べたうえで選ばれており、表現力と自然さで高く評価されたことを示しています。
オーディオタグと複数の話者の会話に対応
Eleven v4では、台本に[laughs]（笑う）や[whispers]（ささやく）、[door slams]（ドアが閉まる音）のようなオーディオタグを角かっこで書き込み、話し方や効果音を指示できます。前のモデルのEleven v3より、タグを続けて並べたときの指示に従いやすくなりました。
- 話し方の指示：[whispers]（ささやく）、[said angrily in French accent]（フランス語なまりで怒って言う）
- 人の反応：[laughs]（笑う）、[sighs]（ため息）
- 効果音：[door slams]（ドアが閉まる音）、[light rain]（小雨の音）、[phone buzzing]（スマホの振動音）
1つの台本に複数の話者を登場させることもできます。v4は場面全体の流れを読み取るため、それぞれのせりふを別々につなぐのではなく、相手の言葉に反応しているような自然な会話になります。
長い原稿でも話し方と声がそろう
Eleven v4では、1回の上限を超える長い原稿は分けて生成しますが、生成した部分をつないでも話す速さや表現が保たれる「コンテキスト・スティッチング」に対応しています。
同じせりふを何度作り直しても、話者の声が別人のように変わりにくいのもv4の特徴です。オーディオブックのように長いナレーションでも、最初のページから最後まで1人の声で読んでいるような仕上がりになります。
多くの言語と1万7,500以上のボイスに対応
Eleven v4は日本語を含む多くの言語に対応し、ボイスライブラリーには1万7,500以上の声があります。声はナレーション向け、会話向け、キャラクター向けなどの分類から選べます。
ボイスの元の言語と違う言語で話させたときの扱いも変わりました。たとえば英語の話者の声で日本語を生成すると、英語なまりを残さず、その言語を母語とする人のような発音で話します。元の声のなまりを他の言語に持ち込みたい場合は、移行の前に自分のボイスで試しておきましょう。
ボイスクローンの再現度が上がった
Eleven v4では、自分の声などを複製するボイスクローンの再現度が上がりました。v4で使える声づくりの機能は、次の4つです。
- インスタントボイスクローン：10秒の音声からすぐに声を複製する（作るときに、声を複製する権利と本人の同意の確認がある）
- プロフェッショナルボイスクローン：長い録音で学習し、自分の声を高い精度で再現する
- ボイスデザイン：「明るい声の20代の女性」のような文章から声を作る
- 発音辞書：人名・略語・専門用語の読み方を登録する
Eleven v3では使えなかった高精度のプロフェッショナルボイスクローンも、v4で再び使えるようになりました。プロフェッショナルボイスクローンは、本人確認を済ませた自分の声だけが対象です。v4の公開前に作ったプロフェッショナルボイスクローンをv4で使うには、「マイボイス」でその声のEleven v4の横にある「＋」を押し、v4向けの学習を始めます。
ボイスデザインで作った声は、以前のモデルほど演技の幅が出ない場合もあるため、使う声で試してから選ぶと安心です。
＼ 無料プランでお試し ／
Eleven v4とv4 Turboの違い
Eleven v4 Turboは、v4と同じ表現力を保ったまま、応答の速さを優先した低遅延版です。音声コンテンツを作るならv4、会話にすぐ答える用途ならv4 Turboと使い分けます。
| 項目 | Eleven v4 | Eleven v4 Turbo |
|---|---|---|
| 向いている用途 | ナレーション、オーディオブック、キャラクターの声、吹き替え | カスタマーサポートの音声エージェントなど会話のやり取り |
| 応答の速さ | 品質を優先 | 推論の遅延の中央値が約100ミリ秒 |
| APIのモデルID | eleven_v4 | eleven_v4_turbo |
| APIの料金（1,000文字あたり） | 0.08ドル | 0.04ドル |
Eleven v4は品質を優先する音声制作向け
どちらのモデルもWebの画面とAPIで使え、同じ言語とオーディオタグに対応しています。声の調整は「安定性」と「類似性」の2つで、旧モデルにあったスタイルや話す速さのスライダー、SSMLのタグは使えません。
Eleven v4は、ElevenLabsの中で最も品質の高いテキスト読み上げモデルです。感情の幅が広いため、ゲームやアニメのキャラクターの声、感情のこもったオーディオブック、多言語の作品づくりに向いています。
品質を優先する分、v4 Turboより料金は高めです。読み上げる量が多い動画やオーディオブックでは、1,000文字あたりの単価の差が費用に表れます。
Eleven v4 Turboは会話にすぐ答えるリアルタイム向け
Eleven v4 Turboは、推論の遅延の中央値が約100ミリ秒、最初の声が聞こえるまでが約150ミリ秒のリアルタイム向けモデルです。人どうしの会話で生まれる間よりも短い時間で答え始められるため、電話の問い合わせ窓口のような音声エージェントでも、待たされている感じを与えにくくなります。
文章が最後まで作られる前から音声を返し始める双方向ストリーミングに対応し、やり取りが長く続いても声が変わりにくい作りです。プロフェッショナルボイスクローンはv4とv4 Turboのどちらでも同じように使えるため、会社の決まった声を音声エージェントでもそのまま使えます。v4 Turboは、ElevenLabsの音声エージェント作成サービス「ElevenAgents」からも利用できます。
＼ 無料プランでお試し ／
Eleven v4の使い方
Eleven v4は、ElevenLabsのWebの画面ならコードを書かずに試せます。ここでは無料プランのアカウントで、テキスト読み上げの画面からv4で音声を作る流れを紹介します。
Webの画面でEleven v4を選んで音声を生成する手順
ログインした後、テキスト読み上げの画面でv4の音声を作る手順は次の4ステップです。
ElevenLabsの公式サイトにアクセスしてログインし、左のメニューから「テキスト読み上げ」を開きます。右側の設定にある「モデル」を押し、一覧から「Eleven v4」を選びます。
最初はEleven v4、Eleven v3、Eleven Multilingual v2の3つが表示され、下の「すべてのモデルを表示」を押すとEleven v4 Turboを含むすべてのモデルが並びます。画像は、すべてのモデルを表示した状態です。
設定の「ボイス」を押すと、ボイスの一覧が開きます。左上の言語で「Japanese」を選ぶと日本語のボイスに絞り込めるので、使いたい声の行にある「使用」を押します。今回は「Asahi – Calm and Natural」を選びました。
中央の入力欄に、読み上げたい原稿を入力します。入力欄の下には、原稿の文字数と1回の上限（10,000文字）が表示されます。
右下の「音声を生成」を押し、しばらく待つと音声が作られます。1回の生成で「テイク1」と「テイク2」の2つの音声ができるので、聞き比べて良い方を選び、右側のボタンから保存します。
読み方を変えたい箇所には、[excited]や[whispers]のようなオーディオタグを書き足します。タグの効き方が弱いときは、設定の「安定性」を「クリエイティブ」側へ動かすと、生成ごとの読み方の幅が広がります。
スピーカーを追加して2人の会話を作る
入力欄の下にある「スピーカーを追加」を押すと、2人目の話者の欄が増えます。話者の名前を押すとボイスを選べるので、話者ごとに別の声を割り当てて、1回の生成で会話の音声を作れます。
今回は、1人目にAsahi、2人目にKaoriの声を割り当て、2人目のせりふには[curious]（興味深そうに）のタグを付けました。
会話の場合も、1人で読み上げるときと同じように2つのテイクが作られます。ポッドキャスト風の掛け合いや、動画の登場人物どうしのやり取りを作るときに便利な機能です。
APIでEleven v4を使う場合はモデルIDを指定する
アプリやサービスに組み込む場合は、ElevenLabsのAPIを使います。Eleven v4はモデルIDにeleven_v4を指定し、文章を読み上げるText to Speech APIや、複数の話者の会話を作るText to Dialogue APIで使えます。音声をまとめて受け取る方式と、少しずつ受け取るストリーミングの方式があり、TypeScriptとPythonの公式の開発キットも用意されています。
Eleven v4 Turboは、モデルIDにeleven_v4_turboを指定し、Text to DialogueのWebSocketで少しずつ文章を送りながら音声を受け取る使い方が基本です。この接続では、v4 Turboに登録できる声は1つだけです。Text to SpeechのWebSocketはv4とv4 Turboに対応していないため、リアルタイムの用途ではText to DialogueのWebSocketを選びましょう。
＼ 無料プランでお試し ／
Eleven v4で日本語の原稿を実際に生成して確かめた結果
ElevenLabsのWebの画面で、日本語の原稿をEleven v4で生成しました。無料プランのアカウントで、ボイスは「Asahi – Calm and Natural」、安定性と類似性は初期値のままです。試したのは、英字のサービス名、日付、数字を含む次の原稿です。
ElevenLabsは9月28日、新しい音声モデル「Eleven v4」を公開しました。日本語を含む90以上の言語に対応し、1回で最大1万文字まで読み上げられます。原稿は、言語の指定を変えずにそのまま入力しました。英字と数字が混ざった原稿でも、エラーや言語の指定を求める表示は出ず、1回の生成で2つのテイクが作られています。日本語のボイスを選べば、追加の設定なしで日本語の音声づくりを始められます。
このとき生成した音声は、次のプレーヤーで再生できます。
文字数は、漢字・ひらがな・英字・数字・記号のどれも1文字として数えられ、この原稿は82文字でした。入力欄の下の文字数表示を見れば、生成する前に使うクレジットの目安が分かります。モデルをEleven v4 Turboに切り替えても、同じ原稿から日本語の音声を生成できました。
＼ 無料プランでお試し ／
Eleven v4とv4 Turboの料金
Eleven v4は、無料プランを含むすべてのプランで使えます。APIでは1,000文字あたりの単価、Webの画面では生成した文字数に応じたクレジットで使う量が決まります。
APIの料金は1,000文字あたりの単価で決まる
| モデル | 通常の料金（1,000文字あたり） | 10月12日までの割引料金 |
|---|---|---|
| Eleven v4 | 0.08ドル | 0.022ドル |
| Eleven v4 Turbo | 0.04ドル | 0.011ドル |
APIの料金は、10月12日まで72%引きになっています。v4の通常の料金は、旧モデルのEleven v3と同額です。
APIでも、有料プランには毎月使える文字数が含まれており、その量はこの単価（いまは割引後の単価）で換算した文字数です。単価が半分のv4 Turboなら、同じプランでv4の2倍の文字数を生成できます。
Webの画面ではv4 Turboがv4の半分のクレジットで済む
Webの画面では、生成した文字数に応じてプランのクレジットが減ります。日本語の検証と同じ82文字の原稿を、v4とv4 Turboで1回ずつ生成して、減ったクレジットを比べました。
残りのクレジットは、生成の前が9,648、v4の生成の後が9,566、v4 Turboの生成の後が9,525でした。画面左下の残高表示は生成の後に遅れて更新されるため、減った量は次に画面を操作したときの表示で確かめています。次の画像は、モデルをv4 Turboに切り替えて生成した直後の画面で、残高はv4の生成の後の9,566です。
続けて画面を操作すると、残高の表示がv4 Turboの生成の後の9,525に変わりました。
| モデル | 原稿の文字数 | 減ったクレジット |
|---|---|---|
| Eleven v4 | 82 | 82 |
| Eleven v4 Turbo | 82 | 41 |
モデルの一覧で「50%安い」と表示されていたとおり、v4 Turboで減ったクレジットはv4のちょうど半分でした。2つのテイクが作られても、減るのは1回分だけです。
無料プランには毎月10,000クレジットが含まれ、v4なら約10分の音声を作れる量です。下書きの確認をv4 Turboで行い、仕上げだけv4で生成すると、クレジットを節約できるでしょう。
Creator以上の有料プランでは、Webとモバイルアプリでv4を使う際のクレジットを優遇する期間限定のキャンペーンも行われており、10月12日までは、v4の生成に使ったクレジットがプランの毎月のクレジットの2倍の量まで残高から引かれません。月額料金が下がる割引ではなく、同じ料金のままv4で作れる音声が増える特典で、APIでの利用には適用されません。プランごとの月額料金とクレジットの量は、ElevenLabsの解説記事にまとめています。
＼ 無料プランでお試し ／
ElevenLabsのEleven v4に関するよくある質問
Eleven v4とv4 Turboについて、よく出る疑問に答えます。
ElevenLabsのEleven v4は無料で使えますか？
はい、無料プランでもEleven v4とv4 Turboを使えます。
この記事の生成例は、すべて無料プランのアカウントで作りました。ただし、無料プランで作った音声は商用利用できず、公開するときはタイトルに「elevenlabs.io」などの表記が必要です。仕事で使う音声は、有料プランの契約中に作りましょう。
Eleven v4とEleven v3はどちらを使えばよいですか？
多くの用途では、Eleven v4を使うのがおすすめです。
v4は、音質、声の再現度、感情表現、オーディオタグへの追従、対応言語の数のいずれもv3より向上しています。ボイスクローンの声はv4の方が元の声に忠実になるため、v3で作った音声と聞こえ方が変わる場合があります。v3の声の雰囲気が好みだった場合は、同じ原稿で両方を生成して比べてから切り替えましょう。
Eleven v4 Turboは日本語に対応していますか？
はい、Eleven v4 Turboも日本語を含む90以上の言語に対応しています。
今回の検証でも、Webの画面でモデルをv4 Turboに切り替えるだけで、日本語の原稿から音声を生成できました。
Eleven v4で1回に生成できる文字数の上限は何文字ですか？
Eleven v4で1回に生成できるのは10,000文字までです。
上限を超える長い原稿は、段落や場面の切れ目で分けて生成しましょう。
v4の公開前に作ったボイスクローンはEleven v4で使えますか？
はい、使えますが、プロフェッショナルボイスクローンはv4向けの学習が必要です。
インスタントボイスクローンは、学習の手順を挟まずにv4で使えます。プロフェッショナルボイスクローンは、「マイボイス」で声にマウスを合わせ、Eleven v4の横の「＋」を押すと学習が始まります。
＼ 無料プランでお試し ／
まとめ
ElevenLabsのEleven v4は、台本の話し方や感情を読み取って声にする最新の音声生成モデルです。オーディオタグや複数の話者の会話に対応し、日本語でもそのまま使えるのが特徴です。低遅延版のEleven v4 Turboは、推論の遅延の中央値が約100ミリ秒で、音声エージェントのような会話の用途に向いています。
Webの画面では、モデルで「Eleven v4」を選び、日本語のボイスと原稿を入れて生成するだけで使い始められます。実際に試すと、英字や数字が混ざった日本語の原稿もそのまま生成でき、v4 Turboはv4の半分のクレジットで済みました。まずは無料プランで両方のモデルを聞き比べ、用途に合う方を選びましょう。
＼ 無料プランでお試し ／