🎙️ ElevenLabsの音声合成Eleven v4のAPI構造と品質版・低遅延版の使い分け

ElevenLabs が 2026-09-28 に公開した音声合成モデル Eleven v4 を、API から使う開発者向けに整理します。
対象は品質版 eleven_v4 と低遅延版 eleven_v4_turbo の 2 モデルです。
記事では、サービスの構造、リクエストとレスポンスのデータ、導入手順、呼び出し例、運用の数字、つまずきやすい症状を順に扱います。
数値と仕様は 2026-09-29 時点の公式ドキュメント、API リファレンス、料金ページの表示に基づきます。

この記事の全体像。以下、順に解説します。

Eleven v4とは

Eleven v4 は、ElevenLabs の Text to Speech の新しい世代です。
モデルの重みと層構成は公開されておらず、利用は ElevenLabs のサービス経由に限られます。

• 両モデルとも 90 以上の言語を扱います。
• 声のクローン、角括弧の audio tag、複数話者の対話に対応します。
• 利用面は ElevenAgents、ElevenCreative、ElevenAPI の 3 つです。
• eleven_v4 のモデル表の文字数上限は 1 リクエスト 10,000 文字（目安約 10 分）です。
• eleven_v4_turbo のモデルカードは、推論レイテンシの中央値を約 100ms と記載します。この値はアプリケーションとネットワークを除いたものです。

API の既定モデルは v4 ではありません。
Create speech の既定 model_id は eleven_multilingual_v2、Create dialogue の既定は eleven_v3 です。
v4 を使うときは model_id を必ず明示します。

特徴

• 文脈を踏まえた読み上げ: 品質版は話者、直前の出来事、行の着地を踏まえて読み上げます。劇的、優しい、緊急、喜劇的、会話的な話し方を、話者の同一性を保ったまま出せると案内されています。
• audio tag: 感情、間、効果音は本文中の角括弧で指定します。声の例は [whispers]、[laughs]、[sighs]、効果音の例は [applause]、[explosion] です。
• 声の設定は 2 つ: Stability（発話の一貫性）と Similarity（参照音声への近さ）です。Style と Speed のスライダーは無く、SSML には対応しません。
• 発音の指定: 固有名詞は発音辞書と、スラッシュで囲んだ IPA で指定します。IPA の追従は前世代より安定したと公式ブログは記載します。
• 出力形式: MP3、PCM、WAV、Opus、μ-law、A-law です。既定は mp3_44100_128 です。
• クローン: Instant Voice Clone（IVC）と Professional Voice Clone（PVC）の両方で使えます。既存の PVC は My Voices から v4 向けの追加学習を始めます。
• 言語をまたぐ挙動: 生成言語と参照音声の言語が同じなら参照のアクセントを保ちます。違う場合は、目標言語として流暢に話します。
• Voice Design: 文章の説明から作った声も v4 で読み上げられます。
• ベンダー公表の評価: 公式ブログは Artificial Analysis の Provider Voice Arena（2026 年 9 月）で 1 位、ブラインド比較で聴取者の約 75% が v4 を選んだと記載します。

既存モデルとの位置づけは次のとおりです。

eleven_turbo_v2_5 と eleven_turbo_v2 は旧世代の非推奨モデルで、eleven_v4_turbo とは別物です。

構造

公開されている境界は、制作画面、開発者 API、対話エージェントの 3 つです。

システムコンテキスト図

利用者が触る外側と、ElevenLabs の音声基盤の境界を示します。

コンテナ図

公式が製品として分けている実行境界です。

コンポーネント図

公開エンドポイント、公開モデル ID、公開のエージェント構成だけで組んだ図です。

TTS の HTTP から eleven_v4 への矢印は、quickstart と request stitching の公式例に合わせています。
eleven_v4_turbo への矢印は、対話 WebSocket の公式例に合わせています。

seed は 0 から 4294967295 の整数です。
同じ入力で同じ結果を返すよう努めますが、決定性は保証されません。

データ

エンティティ名は公開スキーマに合わせます。
audio tag は独立したフィールドではなく、text の中の角括弧です。

概念モデル

subgraph は所有、矢印は利用を表します。

情報モデル

属性は公開スキーマのフィールドです。
入れ子のオブジェクトは list または map にまとめ、内訳は表に書きます。

対話の timestamps 応答には voice_segments も付きます。
要素は voice_id、start_time_seconds、end_time_seconds、character_start_index、character_end_index、dialogue_input_index です。

導入

用意するものは API キー、公式 SDK または HTTP クライアント、明示する model_id の 3 つです。
モデル重みのダウンロード手順はありません。

API キーと環境変数

• キーはダッシュボードの API keys で作成します。
• SDK が読む環境変数は ELEVENLABS_API_KEY です。
• HTTP の認証ヘッダーは xi-api-key です。
• キーはマネージドシークレットに置き、ブラウザやモバイルアプリへ埋め込みません。

export ELEVENLABS_API_KEY="your_api_key_here"

SDK のインストール

pip install elevenlabs python-dotenv
npm install @elevenlabs/elevenlabs-js dotenv
brew install elevenlabs/tap/elevenlabs

2026-09-29 時点の npm の最新版は @elevenlabs/elevenlabs-js 2.70.0 です。
Python の再生には mpv または ffmpeg が必要になることがあります。

リージョンホスト

WebSocket は同じホストでスキームを wss:// にします。

利用方法

v4 の呼び出しでは model_id を省略しません。

単一話者の一括生成

output_format はクエリパラメータです。
例の voice ID JBFqnCBsd6RMkjVDRZzb は公式 quickstart のものです。

import os
from dotenv import load_dotenv
from elevenlabs.client import ElevenLabs
from elevenlabs.play import play

load_dotenv()

elevenlabs = ElevenLabs(api_key=os.getenv("ELEVENLABS_API_KEY"))

audio = elevenlabs.text_to_speech.convert(
    text="The first move is what sets everything in motion.",
    voice_id="JBFqnCBsd6RMkjVDRZzb",
    model_id="eleven_v4",
    output_format="mp3_44100_128",
)

play(audio)

import { ElevenLabsClient, play } from "@elevenlabs/elevenlabs-js";
import "dotenv/config";

const elevenlabs = new ElevenLabsClient();
const audio = await elevenlabs.textToSpeech.convert("JBFqnCBsd6RMkjVDRZzb", {
  text: "The first move is what sets everything in motion.",
  modelId: "eleven_v4",
  outputFormat: "mp3_44100_128",
});

await play(audio);

curl -X POST "https://api.elevenlabs.io/v1/text-to-speech/JBFqnCBsd6RMkjVDRZzb?output_format=mp3_44100_128" \
  -H "xi-api-key: $ELEVENLABS_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"text":"The first move is what sets everything in motion.","model_id":"eleven_v4"}' \
  -o out.mp3

HTTP ストリーム

/stream は HTTP のチャンク転送です。
WebSocket の /stream-input とは別のエンドポイントです。

import os
from dotenv import load_dotenv
from elevenlabs import stream
from elevenlabs.client import ElevenLabs

load_dotenv()

elevenlabs = ElevenLabs(api_key=os.getenv("ELEVENLABS_API_KEY"))

audio_stream = elevenlabs.text_to_speech.stream(
    text="This is a test",
    voice_id="JBFqnCBsd6RMkjVDRZzb",
    model_id="eleven_v4",
)

stream(audio_stream)

複数話者の対話

Create dialogue は完成した音声ファイルを 1 つ返します。
各ターンの text に audio tag を入れます。
2 人目の voice ID Aw4FAjKCGjjNkVhN1Xmq は公式の対話例のものです。

import os
from dotenv import load_dotenv
from elevenlabs import ElevenLabs, DialogueInput

load_dotenv()

client = ElevenLabs(api_key=os.getenv("ELEVENLABS_API_KEY"))

audio = client.text_to_dialogue.convert(
    inputs=[
        DialogueInput(text="[giggling] Knock knock", voice_id="JBFqnCBsd6RMkjVDRZzb"),
        DialogueInput(text="[curious] Who is there?", voice_id="Aw4FAjKCGjjNkVhN1Xmq"),
    ],
    model_id="eleven_v4",
)

HTTP で送るときの JSON は次の形です。
対話の類似度は similarity で、TTS の similarity_boost とは名前が違います。

{
  "model_id": "eleven_v4",
  "settings": {
    "stability": 0.5,
    "similarity": 0.75
  },
  "inputs": [
    { "text": "[giggling] Knock knock", "voice_id": "JBFqnCBsd6RMkjVDRZzb" },
    { "text": "[curious] Who is there?", "voice_id": "Aw4FAjKCGjjNkVhN1Xmq" }
  ]
}

ストリームで受けるときは Python の text_to_dialogue.stream、TypeScript の textToDialogue.stream を使います。

import { ElevenLabsClient } from "@elevenlabs/elevenlabs-js";
import "dotenv/config";

const client = new ElevenLabsClient();

const audioStream = await client.textToDialogue.stream({
  modelId: "eleven_v4",
  inputs: [
    { text: "[giggling] Knock knock", voiceId: "JBFqnCBsd6RMkjVDRZzb" },
    { text: "[curious] Who is there?", voiceId: "Aw4FAjKCGjjNkVhN1Xmq" },
  ],
});

音声設定と audio tag

• Stability を下げると抑揚が広がり、上げると基準の話し方に寄ります。
• Similarity を上げると参照音声に寄りますが、自然さが下がることがあります。
• audio tag の声の例は [whispers]、[laughs]、[sighs]、[sarcastic]、[curious]、[excited]、[crying] です。
• 効果音の例は [gunshot]、[applause]、[clapping]、[explosion] です。
• タグは声質が分かる句の方が通りやすく、公式例は [low, gravelly voice] です。
• 間は SSML の <break> ではなく、audio tag、省略記号、文の区切りで作ります。

{
  "text": "[whispers] I never knew it could be this way, but I'm glad we're here.",
  "model_id": "eleven_v4",
  "voice_settings": {
    "stability": 0.5,
    "similarity_boost": 0.75
  }
}

出力形式

形式名は、MP3 と Opus が codec_sample_rate_bitrate、PCM、WAV、μ-law、A-law が codec_sample_rate です。
高音質の形式はプランで制限されます。

発音と日本語の正規化

• IPA は eleven_v4 向けにスラッシュで囲みます。XML の phoneme タグは使いません。
• ストレス記号 ˈ と ˌ を付け、必要な語だけを囲みます。
• apply_text_normalization の既定は auto、on は常に適用、off はスキップです。
• apply_language_text_normalization の既定は false です。現時点で対応は日本語のみで、レイテンシが大きく増えます。
• language_code は ISO 639-1 の 2 文字コードです。
• 発音辞書は大文字小文字を区別し、最初の置換だけを使います。

import os
from elevenlabs.client import ElevenLabs

client = ElevenLabs(api_key=os.getenv("ELEVENLABS_API_KEY"))
audio = client.text_to_speech.convert(
    voice_id="21m00Tcm4TlvDq8ikWAM",
    text='The term "/ˌbaɪoʊˈkemɪstri/" refers to the study of chemical processes.',
    model_id="eleven_v4",
)

日本語で日付や金額を読ませる例です。

{
  "text": "注文番号は 2026-09-29 です。合計は 1280 円です。",
  "model_id": "eleven_v4",
  "language_code": "ja",
  "apply_text_normalization": "on",
  "apply_language_text_normalization": true
}

運用

本番では、モデル ID、文字コスト、同時実行、ログ、キーを分けて管理します。

モデルの使い分け

• 章をまたいでつなぐ音声は、同じ model_id にそろえます。
• 公開後も学習が続くため、挙動が変わり得ます。固定した台本、声、seed、タグで定期的に聞き比べます。
• テキストがリアルタイムに伸びる用途は、Text to Dialogue WebSocket に接続します。登録ボイスは eleven_v4 が最大 10、eleven_v4_turbo がちょうど 1 です。

クレジットと料金

• クレジットは旧称 characters と同じ価値です。消費量はプラン、Web か API か、製品、モデルで変わります。
• API 料金ページは 2026-09-29 時点で、v4 と v4 Turbo に「72% off until Oct 12」を表示しています。

プランごとに含まれる文字数は次のとおりです。

• 未使用クレジットは最大 2 か月分まで繰り越されます。ダウングレードと解約のときは繰り越されません。
• 有料プランの生成物には商用権があります。Free は帰属表示つきの非商用です。
• 応答ヘッダー character-cost で 1 回の消費を、GET /v1/user/subscription で残量を確認します。

curl -sS -D - -o out.mp3 -X POST \
  "https://api.elevenlabs.io/v1/text-to-speech/JBFqnCBsd6RMkjVDRZzb?output_format=mp3_44100_128" \
  -H "xi-api-key: ${ELEVENLABS_API_KEY}" \
  -H "Content-Type: application/json" \
  -d '{"text":"The first move is what sets everything in motion.","model_id":"eleven_v4"}'

curl -sS "https://api.elevenlabs.io/v1/user/subscription" \
  -H "xi-api-key: ${ELEVENLABS_API_KEY}"

同時実行

制限の単位は 1 分あたりのリクエスト数ではなく、同時に処理中のリクエスト数です。
TTS の同時実行はヘルプの表で 2 列に分かれます。

• 応答ヘッダー current-concurrent-requests と maximum-concurrent-requests をメトリクスにします。
• HTTP の Text to Dialogue は、生成中だけ TTS の同時実行に数えます。
• Text to Dialogue WebSocket は、接続中ずっと対話セッションを 1 本確保します。上限は Free 14、Starter 21、Creator 35、Pro 70、Scale 105、Business 105 です。
• ElevenAgents の同時実行は TTS の表とは別枠です。
• 429 の code は rate_limit_exceeded、concurrent_limit_exceeded、system_busy の 3 つです。

エラーコードごとに待ち方を変える再試行の例です。

import time
from elevenlabs import ElevenLabs
from elevenlabs.core import ApiError

client = ElevenLabs()

def convert_with_backoff(text: str, attempts: int = 5):
    delay = 0.5
    for _attempt in range(attempts):
        try:
            return client.text_to_speech.convert(
                voice_id="JBFqnCBsd6RMkjVDRZzb",
                text=text,
                model_id="eleven_v4",
                voice_settings={"stability": 0.5, "similarity_boost": 0.75},
            )
        except ApiError as exc:
            detail = exc.body.get("detail", {}) if isinstance(exc.body, dict) else {}
            code = detail.get("code")
            if exc.status_code == 429 and code in {"rate_limit_exceeded", "system_busy"}:
                time.sleep(delay)
                delay *= 2
                continue
            if exc.status_code == 429 and code == "concurrent_limit_exceeded":
                time.sleep(delay)
                continue
            raise
    raise RuntimeError("retry budget exhausted")

TypeScript SDK の例外型は ElevenLabsError です。

WebSocket

• URL は wss://api.elevenlabs.io/v1/text-to-dialogue/stream-input です。
• 最初のメッセージで voices を登録します。
• サーバーは、おおよそ 40 文字かつ 8 語が揃うまでバッファします。短い発話は flush で出します。
• close_socket は残りを出してから is_final: true で閉じます。
• クライアントからのメッセージが 20 秒無いと接続が切れます。{"keep_alive": true} でタイマーを戻せます。音声は作られません。
• new_turn: true または voice_id の変更で新しいターンになります。
• クエリ sync_alignment=true で alignment が付きます。項目は chars、char_start_times_ms、char_durations_ms です。
• TTS 用の /v1/text-to-speech/{voice_id}/stream-input は eleven_v3 と eleven_v4 に対応しません。

{"keep_alive": true}

リクエスト連結

長文を分割して生成するときは、previous_request_ids と next_request_ids で前後の生成をつなぎます。

• 各最大 3 件です。
• ID は 2 時間より古いものを使いません。
• ストリームでは、ボディを最後まで読んでから次の条件付けに使います。
• ID とテキストを両方送ると、テキスト側は無視されます。
• enable_logging=false では使えません。
• eleven_v3 では使えません。

import os
from dotenv import load_dotenv
from elevenlabs.client import ElevenLabs

load_dotenv()

elevenlabs = ElevenLabs(api_key=os.getenv("ELEVENLABS_API_KEY"))

paragraphs = [
    "The advent of technology has transformed countless sectors, with education ",
    "one of the most significantly impacted fields.",
]

request_ids = []
audio_buffers = []

for paragraph in paragraphs:
    with elevenlabs.text_to_speech.with_raw_response.convert(
        text=paragraph,
        voice_id="T7QGPtToiqH4S8VlIkMJ",
        model_id="eleven_v4",
        previous_request_ids=request_ids[-3:],  # 直前の最大 3 件で条件付け
    ) as response:
        audio_buffers.append(b"".join(response.data))  # 音声を最後まで読み切る
        request_ids.append(response._response.headers.get("request-id"))

audio = b"".join(audio_buffers)

キーの運用

• 本番はサービスアカウントのキーを使います。利用者の脱退で止まらず、管理はワークスペース管理者が行います。
• 利用者キーの有効期限は 15 分から 30 日で設定でき、既定は無期限です。期限後は 401 になります。
• ローテーションは、旧キーと同じ権限で新キーを作り、アプリを切り替え、旧キーを消す順です。
• 公開 GitHub に載ったキーは secret scanning で無効化され、disable_reason が exposed_publicly になります。
• IP 許可リストは公開 IPv4、IPv6、CIDR で 1〜100 件です。範囲外は 403 です。
• Enterprise ではキー単位の tts_concurrency_limit を設定できます。サービスアカウントのキーには character_limit を付けられます。

ベストプラクティス

用途でモデルを固定する

• 最終書き出しは eleven_v4、会話の発話は eleven_v4_turbo に固定します。
• 公式値は、推論が中央値約 100ms、音が聞こえるまでが中央値約 150ms です。どちらもネットワーク遅延を除いた値なので、利用者側の時間予算には通信とアプリ処理を加えて見積もります。
• 約 75ms は Flash v2.5 の数字です。v4 Turbo の見積もりに使いません。
• seed を付けても決定性は保証されません。回帰の確認は、聴取と character-cost で行います。

日本語の読みを固定する

• 本番の日本語は language_code を ja、apply_text_normalization を on に固定します。
• 日付、通貨、電話番号を日本語の読みに寄せるときは apply_language_text_normalization を true にします。遅延が増えるので、ターンの時間予算と合わせて判断します。
• 低遅延が主目的の経路では、言語モデル側で読みを展開した文字列を渡します。
• 電話番号、通貨、URL、略語は事前展開の代表的な対象です。

タグは声質で書く

• 効果音と紛れる短い名詞は避け、声質や感情が分かる句にします。
• 本番で使うタグは、その voice_id で数回生成してから固定します。
• 固有名詞はスラッシュ IPA だけを埋め、文全体は通常の表記のままにします。
• [strong X accent] や [sings] のような実験的タグは声によって安定しません。

クローン音源を整える

• 学習音源は静かな環境の単一話者、単一の話し方にします。v4 はノイズ、歪み、音量のムラも写します。
• IVC の音源は少なくとも 1 分、推奨 1〜2 分です。3 分を超えても改善は小さく、不利になることもあります。
• 音量の目安は -23 dB から -18 dB RMS、トゥルーピーク -3 dB です。コーデックは MP3 192kbps 以上を推奨します。
• PVC の収録は最低 30 分、最適は 2〜3 時間です。歌は対象外です。
• 既存 PVC は、My Voices で声にホバーし、Eleven v4 の横のプラスで追加学習を始めます。完了するまで本番の model_id を切り替えません。

注意点

2026-09-29 時点の公式資料のあいだで、記載が 1 つにまとまっていない項目です。
実装前に、手元の API キーで最新の挙動を確認してください。

ドキュメントと実装の乖離

資料間の食い違い

公式に明記されていない事項

トラブルシューティング

分岐のために、返った detail.type、detail.code、detail.request_id を記録しておきます。

まとめ

• Eleven v4 は品質版 eleven_v4 と低遅延版 eleven_v4_turbo の 2 モデルで、90 以上の言語と audio tag に対応します。
• API の既定モデルは v4 ではないので、model_id を必ず明示します。
• 声の調整は Stability と Similarity の 2 つで、フィールド名は TTS が similarity_boost、対話が similarity です。
• リアルタイム用途は Text to Dialogue WebSocket を使い、turbo は登録ボイス 1 本です。
• 日本語は language_code と正規化を明示して読みを固定します。
• 料金、文字数上限、同時実行の割り当ては資料間で揃っていない部分があるため、GET /v1/models と料金ページで確認してから本番に載せます。

この記事が少しでも参考になった、あるいは改善点などがあれば、ぜひリアクションやコメント、SNSでのシェアをいただけると励みになります！

参考リンク

製品とモデル

• Eleven v4
• Models
• Text to Speech
• Best practices
• Text to Dialogue
• ブログ Eleven v4（2026-09-28）
• What is Eleven v4?
• モデルの選び方

API リファレンス

• ElevenAPI quickstart
• Create speech
• Stream speech
• Create dialogue
• Stream dialogue
• List models
• Realtime Text to Dialogue
• Text to Dialogue WebSocket
• Errors

運用と料金

• API pricing
• Pricing
• Billing
• Instant Voice Cloning
• Professional Voice Cloning
• API error code 429