Eleven v4とMiniMax Speech 2.8 HDAudio Tagsとsound tagsを運用で分ける
台詞ごとのvoice_idとAudio Tagsを残すか、MiniMaxのsound tagsと同期WebSocket・Asyncへ移るか。音質の順位ではなく、指示と納品の形で選びます。
ElevenLabsとMiniMaxの公式モデル・API・料金資料を2026年10月19日に確認しました。文字単価が同じ種類でも、入力上限と配信契約を分けて記録します。
公式仕様の比較。生成結果の実測と、公式に記載された機能は分けて紹介します。根拠・検証範囲を見る
この記事の目次
タグと長さのどちらを先に固定するか
Eleven v4はeleven_v4として10,000文字、90以上の言語、Text to Dialogue APIを案内します。既存の台詞とvoice_id、Audio Tagsを中心にテイクを管理する設計です。
MiniMax Speech 2.8 HDはspeech-2.8-hdを同期・非同期T2Aで使えます。短い応答を流すか、長い原稿を後取得するかが選択の中心です。
既存のEleven台詞資産を保つならEleven。sound tags、10秒クローン、MiniMaxの同期/Asyncが要件ならMiniMaxを試します。自然さ・遅延は測定していません。
正式ID・入力・配信・料金を比べる
| 比較軸 | 左側モデル | 右側モデル | 制作で決めること |
|---|---|---|---|
| モデルと上限 | eleven_v4。10,000文字、90以上の言語。 | speech-2.8-hd。同期最大10,000文字、Async最大1M文字。 | 1万文字超の分割またはAsyncを先に決める。 |
| 演技指定 | 角括弧Audio Tags、台詞ごとのvoice_id。 | native sound tags、voice_setting。 | タグ構文を共通化せず変換ログを残す。 |
| 持込声 | voice_idとvoice cloning。 | 10秒サンプルのクローン。 | 本人同意と参照ファイルを別記録。 |
| 配信 | Text to Dialogue API。 | T2A WebSocketチャンク、Async後取得。 | リアルタイム再生と完成ファイルを分ける。 |
| 価格 | $0.08/1,000 characters。 | $100/1M characters。 | 再生成・分割・経路回数を含めて見積もる。 |
Audio Tagsとsound tagsを変換する工程
Eleven側の台詞は話者ごとのvoice_idと角括弧タグを保存します。MiniMaxへ移す場合はsound tags、voice_setting、audio_settingを別フィールドへ写し、タグを一対一に置き換えられると仮定しません。
Elevenを残す
- 台詞ID、voice_id、Audio Tags、採用テイク。
- 10,000文字を超える分割境界。
MiniMaxへ移す
- sound tags、10秒参照音声、voice_setting。
- 同期/Async、format、sample_rate、channel。
短い応答と長尺ナレーションを分ける
仮の条件（実際の生成結果ではない）
架空の旅行アプリで、二人の短い案内会話と25,000文字の観光ガイドを作る。会話には笑いと間、長尺には章納品が必要。
- 会話をElevenで作るならvoice_idとAudio Tagsを固定する。
- MiniMax同期ならtask_continueのチャンク順と終了を保存する。
- 25,000文字はElevenでは章分割、MiniMaxではAsync条件へ入れる。
- MP3等の形式、字幕、参照音声の同意を確認する。
文字数をそろえても経路はそろわない
25,000文字だけを仮置きすると公開単価上はElevenが$2.00、MiniMaxが$2.50です。ただしvoice資産、再生成、サブスクリプション含有量、同期/Asyncの運用は同じではありません。
単価の数字だけで優劣を作らず、テイク数・分割・納品形式を見積もりへ残します。
出典と確認範囲
公式資料を2026-10-19に確認しました。Eleven v4 vs MiniMax Speech 2.8 HDの正式ID、提供経路、入力・演技、参照素材、出力、価格単位を確認しています。音質、発音、感情表現、声の一貫性、遅延、成功率は同条件で測定していません。
- ElevenLabs｜Models —
eleven_v4は90以上の言語、10,000文字、Text to Dialogue APIを案内。v4 TurboはWebSocketと低遅延向け。 - ElevenLabs｜API pricing — v4は$0.08/1,000 characters、Text to Speechは文字単位で課金。
- ElevenLabs｜Text to Dialogue — 台詞ごとのvoice_idを使う会話生成API。
- ElevenLabs｜Audio Tags — v4の角括弧Audio Tagsを台詞内で使える。
- MiniMax API｜Model List — Available Modelsに
speech-2.8-hd、Retired Modelsには含まれない。 - MiniMax API｜T2A WebSocket —
wss://api.minimax.io/ws/v1/t2a_v2、voice_setting/audio_setting、task_continueで音声チャンクを返す。 - MiniMax API｜Pricing overview — speech-2.8-hdはT2A Sync/Asyncとも$100/1M characters、Async最大1M文字/request。
- MiniMax｜Speech 2.8 release — native sound tags、10秒サンプルのクローン、日中クロスリンガルを発表。
この条件で制作を相談する
用途・素材・尺・予算・希望時期が決まっている範囲で、株式会社志庵へ相談できます。掲載会社への一斉送信や契約は行いません。