ElevenLabs v4の使い方｜日本語ナレーションをタグで演技させる・Geminiと聞き比べ

「僕が実際にElevenLabs v4で、台本に[laughs]と一言書いてみたら、AIの声にちゃんと笑い声が入りました」

ElevenLabsから、新しい音声モデル「ElevenLabs v4」と、会話向けの「v4 Turbo」が発表されました。原稿の中に短いタグを書くだけで、ささやき・はしゃぎ声・ため息・笑いまで演じ分けてくれる、表現力の高いモデルです。

こんにちは、ルーティンラボ（@rutinelabo）です。本記事では、ElevenLabs v4の使い方と料金をまとめ、v4 Turboとの英会話、Gemini 3.8 Flash TTS・Fish Audio・GPTとの聞き比べ、キャラ全員の声をv4で作った掛け合いまで、実際に試した結果を紹介します。

LINE友だち登録して情報Get

ElevenLabs v4とは｜感情タグで笑いもささやきも演じる新モデル

ElevenLabs v4は、音声AIの老舗ElevenLabsが2026年9月28日に発表したテキスト読み上げ（TTS）モデルです。TTSは「Text to Speech」の略で、文章を声にして読み上げる仕組みのことです。同時に、会話や音声エージェント向けに反応を速くした「v4 Turbo」も公開されました。

いちばんの特徴は、感情の表現です。公式サイトではいきなりサンプルを再生できますが、抑揚のつき方がこれまでのAI音声とはかなり違います。僕が作った台本でも、「ねえ、ちょっとだけ聞いて」のささやきから、はしゃぐ声、ため息、笑いまで、1つの声で自然に演じ分けてくれました。

ElevenLabs v4の基本情報

出典：ElevenLabs公式ブログ・Eleven v4ドキュメント・モデル一覧（2026年9月時点・公式参照）

v3から変わったところ

前のv3も精度の高いモデルでしたが、感情のタグを時々無視したり、抑揚がないままそのまま話し続けたりする弱点がありました。v4はそこをしっかり克服してきています。

出典：Eleven v4ドキュメント・Eleven v4紹介ページ（2026年9月時点・公式参照）。v4より前に作ったクローンの声は、v4用に作り直しが必要です。

ちょうどGeminiにも声のクローン機能（Voice Replication）が入りましたが、僕が試した段階ではエラーで自分の声を作り切れませんでした。自分の声を複製して読み上げたい方は、今のところElevenLabsを使うのが確実です。ElevenLabs自体の基本はElevenlabs完全ガイドでも解説しています。

ElevenLabs v4の料金｜無料プラン・有料プラン・APIの単価

ElevenLabsは、月額プランで毎月もらえる「クレジット」を消費して音声を作る仕組みです。無料プランでも月1万クレジットが付くので、まずはお金をかけずにv4を試せます。

出典：ElevenLabs料金ページ（2026年9月時点・公式参照）

実際にAPIで測ってみると、v4は1文字で1クレジット、v4 Turboは1文字で0.5クレジット減りました。タグの文字もクレジットに数えられます。僕はこれからたくさん作る予定なので、初月11ドルのCreatorプランを契約するつもりです。日本円で1,600〜1,700円ほどなので激安ではありませんが、月12万クレジット使えると考えるとかなりいろいろ試せます。

APIの単価｜10月12日まで72%引き

出典：ElevenLabs API料金・Artificial Analysis（2026年9月時点・公式参照）

定価どうしで比べると、v4はGemini 3.8 Flash TTSの約5倍の値段です。ただ10月12日までは大きく割引されているので、試すなら今がお得なタイミングです。

v4 Turboで会話｜英語のリアルタイム通話も自然だった

v4は文章を読み上げるTTSのモデルなので、人とリアルタイムにやり取りするなら、反応を速くした「v4 Turbo」がおすすめです。公式によると、最初の音声が出るまで約150ミリ秒（0.15秒）と、会話で待たされない速さになっています（モデル一覧・2026年9月時点）。

ElevenLabs v4 Turbo と英語でそのまま通話してみた

・話しかけると、AIの声が間を置かずに返ってくる
・ほぼ本物の電話のような自然さ
・台本の読み上げは v4、会話は v4 Turbo という使い分け

AIの声と電話する日、もう来てますね。どんな場面で使ってみたいですか？

#ElevenLabs #AI音声 #TTS

— せなお| AIとITを使った仕事術 (@rutinelabo) 投稿を見る

公式ページから実際に通話できたので、英語で話しかけてみました。「Hello, this is Senao」と声をかけると、v4 TurboのAIが自己紹介をして、どんな声を試したいかを聞き返してきます。こちらがすごくいい声ですねと返すと、「Thank you」とすぐに返事がきました。

正直、めちゃめちゃナチュラルに声のやり取りができます。間を置かずに返ってくるので、本物の電話とほとんど変わらない感覚でした。AIの声で電話対応や音声アシスタントを作りたい方には、かなり魅力的なモデルです。

自分の環境から測ってみると、最初の音が出るまでの時間はv4 Turboが0.45秒、v4が1.40秒でした（回線の遅れを含む・各1回）。アプリへの組み込み方は、別の動画で紹介する予定です。

同じタグで聞き比べ｜Gemini 3.8・Fish Audio・GPTとの違い

同じタグ入りの台本を、ほかの有名な音声モデルにも読ませて聞き比べました。比べたのは、先日公開されたGemini 3.8 Flash TTS、Fish Audio、ChatGPTにも使われているGPT-4o mini TTSです。

笑いのタグ [laughs] を入れた同じ台本を、AI音声で聞き比べてみた

・ElevenLabs v4：ちゃんと笑い声が入る
・Gemini 3.8 Flash TTS：表現が大げさ寄り
・Fish Audio：最初のささやきのまま切り替わらない
・GPT-4o mini TTS：文中のタグに非対応

同じタグでも、効き方はモデルでまったく違いました。あなたはどの声が好み？

#ElevenLabs #Gemini #AI音声

— せなお| AIとITを使った仕事術 (@rutinelabo) 投稿を見る

出典：ルーティンラボの検証ダッシュボードで生成し、AIの書き起こしで判定（2026年9月30日）。

僕の耳では、ElevenLabsのほうが自然にささやき声や笑い、ため息を表現してくれると感じました。一方で、テンポのいいコンテンツを作りたいときや、より大げさに誇張したいときはGemini 3.8 Flash TTSのほうが合っています。Fish AudioやGPTとは、抑揚や感情の表現にかなり差が出ていました。

感情の文章と英単語まじりの文章

「やったー、ついに完成した！ところが、保存に失敗してしまった」のような感情の文章でも聞き比べました。v4はめっちゃ自然に読み、Gemini 3.8 Flash TTSはやはりちょっと大げさに表現します。

英単語が混ざった文章も試しました。Claude CodeとGPT-6をAPIで比較し、TTFBを300ms未満に抑える、という文で、v4はmsを「ミリ秒」と言い換えて読んでくれました。以前のモデルならmsをそのまま「エムエス」と読んでいたところで、ここはかなり優秀になっています。

前回のGemini 3.8 Flash TTSの検証は、Gemini 3.8 Flash TTSの使い方｜AI音声8モデル聞き比べと料金で詳しく紹介しています。

キャラ全員の声をv4で｜ため息まで演じ分ける掛け合い

最後に、キャラクターごとにやり取りをさせてみました。6人のキャラが掛け合いをしていますが、声はすべてElevenLabs v4で作っています。

キャラ全員の声を ElevenLabs v4 だけで演じさせてみた

・驚き、内緒話のささやき、ため息まで演じ分け
・演技の指示は、台本に一言タグを書くだけ
・ボイスドラマやキャラの掛け合いがひとりで作れる

声の演技、もう人が読まなくてもいいかも。どのキャラの声が一番自然でした？

#ElevenLabs #AI音声 #ボイスドラマ

— せなお| AIとITを使った仕事術 (@rutinelabo) 投稿を見る

「マジで？俺の声もAIなの？」と驚く声、「ねえねえ、内緒の話していい？」というささやき、「ふぅ、やれやれ。最近のAIはため息までつけるようになったのか」というため息まで、キャラごとにきちんと演じ分けてくれます。演技の指定は、台本に一言タグを書くだけです。

正直、最高に面白いです。こういうコンテンツを人が読み上げる手間なく作れるのは、音声モデルに頼っていい段階に来たと感じました。ボイスドラマやキャラの掛け合い動画を作りたい方には、かなりおすすめです。

ElevenLabs v4の使い方｜タグで声に演技させる

ここからは、ElevenLabsの画面でv4を使う手順です。難しい設定はなく、原稿の中にタグを書くだけで演技が変わります。

step
1ElevenLabsにログインしてText to Speechを開く

ElevenLabsにログインし、左のメニューからText to Speech（テキスト読み上げ）を開きます。無料アカウントでも始められます。

step
2モデルでEleven v4を選び、声を決める

モデルの選択でEleven v4を選び、右側のVoiceから使いたい声を選びます。v4は声を変えても演技のタグがそのまま効きます。

step
3原稿にタグを書いてGenerateを押す

演技させたい文の前に、英語の角括弧でタグを書きます。日本語の本文はそのままで大丈夫です。書けたらGenerateを押して再生します。

実際に使った原稿はこちらです。そのままコピーして試せます。

[whispers] ねえ、ちょっとだけ聞いて。[excited] 新しい音声モデル、もう出たんだって！[sighs] 前はね、どんなセリフも同じ調子で読んじゃってたの。[laughs] でも今は、笑うのだって、台本に一言書くだけ。[calm] ささやきから、はしゃぐ声まで。ぜんぶ、ひとつの声で。

どのタグが日本語で効いたかを、AIの書き起こしで確かめた結果が下の表です。

出典：ルーティンラボの計測（2026年9月30日・各1回）。タグの効果が次の文までにじむことがあるので、強い演技のタグを続けて置くときは1文ずつ区切るのがコツです。

読み間違いの直し方｜難読語10語の結果

前回Gemini 3.8 Flash TTSで試したのと同じ難読語10語を、v4にも読ませてみました。正しく読めたのは、v4が10語中7語、Gemini 3.8 Flash TTSが10語中6語です。

出典：ルーティンラボの計測（v4は2026年9月30日・Gemini 3.8 Flash TTSは9月25日・各1回・AIの書き起こしで判定）。生物・月極・一日（ついたち）・Claude Code・9/25はどちらも正しく読めました。

間違え方にも違いがあり、v4は漢字をそのまま音読みしがちで、Gemini 3.8 Flash TTSは別の言葉に置き換えがちでした。どちらも完璧ではないので、固有名詞が多い原稿は一度聞いてから直すのがおすすめです。

ElevenLabs v4が向く仕事・向かない仕事と注意点

使う場所にも注意が必要です。僕はいろいろなAIモデルをまとめて呼べるOpenRouterもよく使いますが、v4 Turboの音声モデルはまだ提供されていませんでした。v4を使うなら、ElevenLabsの公式プラットフォームか、APIキーを発行して従量課金で使いましょう。

また、英語の第三者ランキング（Artificial Analysis）ではv4が1位（ELO 1316）ですが、これは英語の音声での評価です（Artificial Analysis・2026年9月時点）。日本語は、ネットの評価でも僕の耳でも、Gemini 3.8 Flash TTSとほぼ同じレベルと感じました。

まとめ

ElevenLabs v4の要点をまとめます。

まずは無料プランで、記事の原稿をコピーしてタグの効き方を試してみてください。ナレーションやキャラの掛け合いを作りたい方なら、1つの声でここまで演じ分けられることにきっと驚くはずです。

音声を使ったコンテンツの作り方は、YouTubeメンバーシップのスタンダードAIプランやビジネスAIプラン、限定のDiscordコミュニティで共有していきます。最新のAI情報や活用事例は、公式LINEでも配信しています。