Eleven V4

Eleven V4 の得意なこと、苦手なこと

Eleven V4 は、合成ナレーションでいちばん難しい部分である演技に対する ElevenLabs の答えです。多くのテキスト読み上げは言葉を正しく読めますが、俳優のように演じられるものはわずかです。ElevenLabs は 2026 年 9 月に新しいアーキテクチャで Eleven v4 を公開し、これまででもっとも感情豊かなモデルだとしています。

最大の特長は、台本の中に演技指示を書けることです。[laughs]、[whispers]、[sighs] のようなタグを演じてほしい位置に書けば、v4 が順番どおりに、v3 よりも確実に演じます。1 行の中で落ち着いた声から始まり、笑いがこぼれ、ささやきへ落ちていく、といったことも可能です。この感情表現は 90 以上の言語で引き継がれるので、同じ声のまま同じ演技を複数の市場向けにローカライズできます。

モデルは2 つのバージョンです。Standard はもっとも表現力が高く、完成版のナレーションに向いています。Turbo は演技がほぼそのままで、音声がより速く返り、コストもぐっと低いため、長いナレーション、下書き、大量の作業の標準にぴったりです。ZOOOP では厳選された 20 種類の音声から選び、**安定度（Stability）**を設定できます。低めにすると活き活きと抑揚のある読みに、高めにすると長い台本でもどの行も一貫します。

弱い点もあります。1 回の生成は最大 5,000 文字までなので、長い台本は分割が必要です。またスタイル専用の欄はなく、演技指示はタグとしてテキストに書き込みます。台本をすっきり保ち、読み方を別に伝えたい（「温かくゆっくり」「ドラマチックなニュース番組風」）場合は、そうした作りの Gemini 3.8 Flash TTS が向いています。ZOOOP の Eleven V4 では音声クローンは使えません。

使い分けの目安は、ナレーションとキャラクターの声は Eleven V4 を標準にすること。最終ミックスには Standard、下書きや長い読み上げには Turbo を使います。スタイル指示を使いたいなら Gemini 3.8 Flash TTS、既存の v3 のプロジェクトと揃えるなら Multilingual V3、声をしゃべる動画にするなら Kling Avatar V2 を選んでください。