Eleven v4、声の演技と多言語ナレーションを強化
ElevenLabsが9月28日に発表した音声合成モデル。台本の読み上げに加え、感情や間、会話の流れを指示する制作に重点を置く。

感情や話し方を自然言語と音声タグで指定
自然言語と音声タグで、感情や話し方を指定できる。ElevenLabsは、複数話者の掛け合いや声の一貫性を改善したと説明する。対応言語は90超で、Instant Voice Cloningは10秒の音声から作成可能としている。
短編の演技を試すv4、長尺の安定性を重視するv2
短編のキャラクター音声や広告ナレーションで、同じ台本を異なる演技で試す用途が考えられる。公式開発資料に記載されたv4の上限は1回1万文字で、約10分が目安となる。
長尺の安定性を最優先する場合は、同じ資料でMultilingual v2を案内している。
ElevenLabsはTurboの推論遅延を中央値約100msと説明する。リクエストから音声が聞こえ始めるまでの時間は別の指標で、約150ms。後者は通信遅延を除いたWebSocket配信での測定値だ。
商用ライセンスはStarterから
11月4日に確認した月払いの通常価格は、Freeが月1万クレジット、Starterが月6ドルで3万クレジット、Creatorが月22ドルで12万1千クレジット。価格は税別で、クレジットは製品間で共用される。
Starterには商用ライセンスとInstant Voice Cloning、CreatorにはProfessional Voice Cloningが含まれる。
