Eleven v3とEleven v4表現指示・原稿長・話者運用で選ぶ

Eleven v3の正式なモデルIDはeleven_v3です。公式モデル一覧は70以上の言語、5,000文字、複数話者、表現豊かな音声合成を案内しています。短い台詞やナレーションを区切り、Audio Tagsを加えながら修正する工程で先に候補にします。

Eleven v4の正式なモデルIDはeleven_v4です。公式モデル一覧は90以上の言語、10,000文字、複数話者、speaker preservation、Text to Dialogueを案内しています。長めの原稿と会話音声を一つのElevenLabs経路で管理したい工程で先に候補にします。

v3とv4は同じElevenLabs系でも、別のモデルIDです。eleven_v3_conversationalはこの比較のv3本文へ置き換えません。Text to Dialogueを選ぶ場合は、話者、voice_id、台詞順、修正の単位を別の作業票へ残します。

Audio Tagsは本文へ演技指示を置くための仕組みですが、タグを書いたことと、意図した表現が必ず返ることは同じではありません。台詞の本文、話者、voice_id、タグ、生成テイク、採用理由を一組で保存します。

字幕に表示する文章と読み上げ用のタグを同じ欄へ置くと、更新時にタグが画面へ出ることがあります。表示用原稿、読み上げ用原稿、演技指示、音声ファイルのファイル形式を分けて保存します。

この例では、短い行を個別に直す工程ならv3、会話を含む長い台本をText to Dialogueで管理する工程ならv4から試します。日本語の読みや感情がどちらで優れるかは、同じ原稿と声での試聴が必要です。

v3からv4へ移すときは、model_idを変えるだけにせず、voice_id、原稿の分割境界、Audio Tags、話者順、出力のファイル形式、採用テイクを保存します。v4の10,000文字へ既存の複数テイクを結合すると、修正単位と聞き比べの条件が変わるため、旧チャンクを残したまま長文テストを別に作ります。

• 旧v3のmodel_id、voice_id、原稿、句読点、Audio Tags、音声ファイルを保存する。
• v4のText to Dialogueを使う場合、各ターンの話者・voice_id・台詞IDを新しく対応付ける。
• 同じタグが同じ表現になると仮定せず、日付・数字・固有名詞・間を検品する。
• v3の短いテイクとv4の長いテイクを、速度や音質の直接比較として扱わない。

ElevenLabsのconvert APIはmodel_idとvoice_idを指定する経路です。音声を別の編集ソフトへ渡す場合は、出力のファイル形式、サンプルレート、チャンネル、生成日時を作業票へ残します。

ElevenLabsの現行API料金表は、v3とv4をともに$0.08／1,000文字として掲載しています。文字単位が同じでも、プラン、再生成回数、本文の分割、Text to Dialogueかどうかで案件の実費は変わります。v3 Conversationalは別モデルID・別単価なので、この比較へ混ぜません。

この記事のための同一日本語原稿による生成、発音エラー率、聞き取り、感情表現、遅延、声の一貫性は測定していません。モデル一覧の言語数や文字数を、音質や自然さの順位に変換しないでください。