Eleven v4とGemini 3.8 Flash TTS日本語ナレーションの修正経路で選ぶ
Eleven v4は音声タグとText to Dialogueを使う制作経路、Gemini 3.8 Flash TTSは原稿を逐語的に扱い、話者・スタイルを構造化メタデータへ分ける経路です。日本語の読みと修正単位を先に決めて選びます。
2026年10月19日に確認した公式資料をもとにした仕様比較です。両モデルを同じ日本語原稿で生成・試聴したランキングではなく、音声を動画へ組み込むときの入力と編集の差を整理します。
この記事の目次
原稿と修正単位から選ぶ
Eleven v4のモデルIDはeleven_v4です。ElevenLabsは90以上の言語、10,000文字、表現豊かな音声合成、複数話者の自然な対話を案内し、Text to Dialogue APIでの利用を示しています。短い演技指示を角括弧のAudio Tagsとして原稿へ入れられる点も特徴です。
Gemini 3.8 Flash TTSのモデルIDはgemini-3.8-flash-ttsです。Googleは、入力テキストを逐語的なトランスクリプトとして扱い、ターン全体のスタイルや話者をspeech_metadataへ、瞬間的な声のイベントを本文内の角括弧ではなく山括弧タグへ分ける設計を案内しています。
既存のElevenLabsのvoice_id、Text to Dialogue、Audio Tagsを中心に台詞を作るならEleven v4から試します。原稿をそのまま保持し、話者・スタイル・声の設計を構造化して管理するならGemini 3.8 Flash TTSから試します。どちらが日本語で自然に聞こえるかは、同じ原稿と声での試聴が必要です。
モデルID・話者・入力を比較する
| 確認軸 | Eleven v4 | Gemini 3.8 Flash TTS | 制作で残す確認 |
|---|---|---|---|
| 正式な識別子 | eleven_v4 | gemini-3.8-flash-tts | サービス名だけでなく、モデルID・API・確認日を保存。 |
| 入力と制御 | テキストとvoice_id。Audio Tagsを角括弧で置き、Create／Stream speechやText to Dialogueで利用。 | テキストを逐語的な原稿として入力。ターンの話者・styleはspeech_metadata、声のイベントは<...>で指定。 | 表示用原稿、読み上げ用原稿、演技指示を別の欄へ保存。 |
| 話者 | 複数話者のText to Dialogueを公式に案内。各入力へvoice_idを割り当てる。 | 単一話者・複数話者、Voice design、Voice replicationに対応。複数話者は各ターンにspeakerを指定。 | 話者名、voice_idまたはvoice ID、台詞IDの対応を固定。 |
| 言語・上限 | 90以上の言語、10,000文字のモデル上限を掲載。長文は分割を検討。 | 130以上の言語、日本語を含む。Gemini APIのモデルページは入力8,192トークン、出力16,384トークンを掲載。 | 文字数とトークン数を同じ単位として換算しない。 |
| 音声の返却 | APIのoutput_formatで形式を指定。Text to Dialogueの既定形式は公式APIリファレンスで確認。 | 単発（unary）は24kHz・モノラル・16-bit PCMのWAVが既定。ストリーミングはheaderless PCMが既定。 | 拡張子だけで判断せず、生成直後の形式と編集後の形式を記録。 |
Eleven v4の「10,000文字」とGeminiの「8,192入力トークン」は別の上限です。日本語原稿の行数や秒数をこの数値だけから推定せず、実際の分割と音声ファイルを確認します。
演技指示を原稿から分ける
Eleven v4では、例えば[whispers]や[laughs]のようなAudio Tagsを台詞の前後へ置いて、声の届け方を指定します。ElevenLabsの公式ガイドは、v4ではSSMLのbreakタグを使わず、Audio Tags、句読点、文章構造で間と演技を作るよう説明しています。タグがすべての声で同じ結果になるとは限らないため、採用前に対象のvoice_idで試聴します。
Gemini 3.8 Flash TTSでは、例えば「明るく話して」のような指示を本文へ混ぜると、指示自体が読まれる可能性があります。持続する演技はspeech_metadata.style、一瞬の息や笑い、間は<short pause>などのinlineタグへ分け、本文は読み上げる文章として確定します。
表示用と音声用を分ける
- 字幕には正式な漢字・数字・固有名詞を残す。
- 読み上げ用には、必要に応じて読み方を指定する欄を持つ。
- 演技指示やタグは、字幕へ出す文字列とは別に保持する。
照合する項目
- 商品名、価格、日付、単位、英字の読み。
- 台詞の順序、話者、行の欠落、タグの位置。
- 音声の切れ目、前後のつながり、字幕との同期。
行単位の音声編集を設計する
完成動画へナレーションを置くなら、最初から全文を一つのファイルへ固定せず、意味の切れ目や字幕の行IDに合わせて分けます。短く分けると修正対象を絞れますが、行の境目で間や音量が変わることもあります。各行を確認した後、前後をつないだ状態で聞きます。
| 段階 | Eleven v4 | Gemini 3.8 Flash TTS |
|---|---|---|
| 入力 | 台詞、voice_id、必要なAudio Tagsを一つの入力単位へ。 | 逐語的な台詞、speaker、style、inlineタグを別々のメタデータへ。 |
| 修正 | 読みを直す行だけ再生成し、タグを変えた行は変更履歴へ残す。 | 読みを直す本文と、スタイルだけを直すメタデータを分けて再生成。 |
| 返却 | 形式を指定して保存し、字幕の行IDとvoice_idを対応させる。 | unaryのWAV、またはストリーミングPCMを経路ごとに記録し、必要なら編集用形式へ変換。 |
| 最終確認 | タグや音声効果が意図しない音になっていないか、字幕と合うかを聞く。 | 本文以外の指示が読まれていないか、話者の取り違えがないかを聞く。 |
架空の日本語動画で試す
仮の条件（実際の生成結果ではない）
30秒の架空の商品紹介。冒頭に一人のナレーション、途中に購入者と案内役の短い会話があり、「10月21日」「500ml」「FablessBridge」という固有の読みを含む。ナレーションは字幕の行単位で修正できるようにする。
- 表示用台本と読み上げ用台本を分け、日付・数字・英字の読みを確定する。
- Eleven v4では各台詞へvoice_idを割り当て、必要なAudio Tagsを付ける。Geminiでは各ターンのspeakerとstyleを
speech_metadataへ付け、本文へ指示を書き込まない。 - 同じ台詞IDで両方を作り、文字の正確さ、話者、タグの効果、行の修正しやすさを別々に記録する。
- 採用前に字幕・映像・BGMを合わせた状態で確認する。聞き取りやすさや声の好みを、仕様から推定した順位へしない。
この例では、既にElevenLabsの声と台詞フォーマットを持つ制作チームならEleven v4を先に試し、Google側の声設計や構造化メタデータを使うチームならGeminiから試します。結論はチームの編集経路と検品項目に依存します。
旧TTS原稿を移行する
Gemini 3.1 Flash TTS previewなど旧Gemini TTSから3.8へ移すとき、Googleはターン単位の指示をspeech_metadataへ移し、瞬間的な声のイベントだけを山括弧のinlineタグへ残すよう案内しています。複数話者の各ターンにはspeakerを明示し、単発リクエストで返るWAVの標準ヘッダーも確認します。
Eleven v3や別の音声モデルからEleven v4へ移す場合は、Audio Tagsと声の設定がそのまま採用できると仮定せず、voice_id、タグ、句読点、SSMLの扱いを確認します。Eleven v4ではSSMLのbreakタグがサポートされません。旧原稿にbreakタグがある場合はAudio Tagsや句読点へ置き換え、発音指定はv4のネイティブIPA対応を確認します。
- 移行前のモデルID、声、原稿、タグ、音声ファイルを保存する。
- 移行後のモデルID、API、出力形式、分割単位を別の生成記録へ書く。
- 数字・固有名詞・話者順・間を同じチェックリストで比較する。
料金と音質評価の限界
この記事では料金を比較していません。ElevenLabsはモデル・文字数・出力形式・契約経路で条件が変わり、Geminiも入力／出力トークン、処理区分、生成回数で計算が変わります。API ID、単位、設定、確認日を揃えた一次資料がある場合だけ、別の費用表へ記録します。
Eleven v4の表現力やGemini 3.8 Flash TTSの音声忠実度は、提供元のモデル説明です。この記事のための同一原稿生成、聞き取りテスト、発音エラー率、遅延、声の一貫性の測定は行っていません。公式の位置付けと自社の試聴結果を混ぜず、採用した原稿と音声の検品記録を残します。
出典・確認範囲
公式資料の確認日は2026年10月19日です。モデルID、入力・話者指定、上限、タグ、出力形式、移行方法は提供元の一次資料へ戻って確認しました。音質や読みの優劣は測定していないため、本文では結論を制作経路に限定しています。
- ElevenLabs｜間の指定とSSML・IPAの仕様：v4のSSML breakタグ非対応とネイティブIPA対応。
- ElevenLabs｜Models：Eleven v4のモデルID、90以上の言語、文字数、Text to Dialogue、対応用途。
- ElevenLabs｜Text to Dialogue：複数話者の入力とEleven v4の利用経路。
- ElevenLabs｜How do audio tags work with Eleven v3 and v4?：Audio TagsとAPIモデルID。
- Google AI for Developers｜Gemini 3.8 Flash TTS：モデルID、言語、トークン上限、音声モデルの位置付け、移行案内。
- Google AI for Developers｜Text-to-speech generation：single／multi-speaker、speech_metadata、inlineタグ、WAV／PCM出力。