Eleven v3（アルファ版）、ついに登場 — 感情まで伝える革新的TTSモデル

私たちは発表できることを嬉しく思います。Eleven v3 (アルファ版) — 最も表現力豊かなテキスト読み上げモデルです。

この研究プレビューは、音声生成に前例のないコントロールとリアリズムをもたらします：

• 70以上の言語
• マルチスピーカーダイアログ
• [excited], [whispers] あるいは [sighs]といったオーディオタグ

Eleven v3 (アルファ版) は以前のモデルよりもプロンプトエンジニアリングが必要ですが、生成される音声は驚くべきものです。

ビデオ、オーディオブック、メディアツールで作業している場合、これにより新たな表現力が解放されます。リアルタイムや会話型の使用ケースには、現在はv2.5 TurboまたはFlashをお勧めします。v3のリアルタイムバージョンは開発中です。

Eleven v3は本日から当社のウェブサイトで利用可能です。パブリックAPIアクセスは近日公開予定です。早期アクセスをご希望の場合は、営業にお問い合わせください。

新しいモデルのElevenLabsアプリでの使用は6月末まで80%オフです。登録はこちら。

v3を開発した理由

Multilingual v2をリリースして以来、音声AIはプロの映画制作、ゲーム開発、教育、アクセシビリティの分野で広く採用されてきました。しかし、一貫した課題は音質ではなく『表現力』でした。より豊かな感情表現や会話の途中での割り込み、リアルで自然なやり取りを実現することが難しかったのです。

Eleven v3はこのギャップを埋めるために開発されました。最初から、ため息をついたり、ささやいたり、笑ったり、反応したりする声を実現するよう設計されており、本当に生き生きとした、応答性の高い音声を生み出します。

Eleven v3（アルファ版）の新機能

オーディオタグの使い方

オーディオタグはスクリプト内にインラインで記述し、小文字の角括弧［］でフォーマットします。オーディオタグの詳細についてはドキュメントのv3プロンプトガイドを参照ください。

注）「プロフェッショナルボイスクローン（PVC）」は現在、Eleven v3 に対して完全には最適化されていないため、以前のモデルと比べてクローンの品質がやや低下する可能性があります。リサーチプレビュー段階の現時点では、v3 の機能を利用したい場合、インスタントボイスクローン（IVC）やボイスデザインを使用するのが最適です。PVC の v3 対応最適化は、近い将来に予定されています。

例えば、次のようにプロンプトを入力できます：『[whispers] 何かが近づいている… [sighs] その気配がする。』また、より表現力豊かに制御したい場合は、複数のタグを組み合わせることも可能です。

複数話者による会話の作成

Eleven v3は既存のテキスト読み上げ（Text to Speech）エンドポイントで対応しています。さらに、新たにText to Dialogue用のAPIエンドポイントを導入しました。話者ごとの発話を表す構造化されたJSONオブジェクトの配列を提供すると、モデルが一体感のある重なり合う音声ファイルを生成します:

詳しくはこちらを参照ください。