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

2026年9月30日 ／ Routine Labo

ElevenLabs が 2026年9月28日に発表した音声合成モデル ElevenLabs v4（公式名 Eleven v4）。 原稿の中に [whispers] や [laughs] のようなタグを書くと、その通りに演技して読み上げます。 このページでは、日本語ナレーションでのタグの書き方、読み間違いの直し方、そして前回の Gemini 3.8 Flash TTS と同じ原稿での聞き比べを、音声つきでまとめます。

ElevenLabs v4 とは・v3 から何が変わった

ElevenLabs v4 は、ElevenLabs の新しい音声合成モデルです（API のモデル名 eleven_v4）。 同時に、声が出始めるまで約0.15秒（公式）の低遅延版 v4 Turbo（eleven_v4_turbo）も出ました。 無料プランを含めて、画面・API・音声エージェントですぐ使えます。

• 1回に作れる文字数が 5,000字 → 10,000字
• 対応言語が 70以上 → 90以上（日本語を含む）
• タグへの従い方が確実に・何度作っても声がぶれない（公式）
• 本人の声の本格クローン（PVC）が復活（本人確認が必須）
• 注意：前に作ったクローンの声は v4 用に作り直しが必要

料金・無料で使える？・商用は？

比較の目安：Gemini 3.8 Flash TTS は1,000文字あたり約0.0165ドル（第三者の表）。定価どうしでは v4 が約5倍です。

出典：ElevenLabs「API Pricing」（2026-09-30 取得）
elevenlabs.io

日本語は自然？（第三者の評価）

音声モデルを人が聞き比べて順位を付ける Artificial Analysis のランキングで、ElevenLabs v4 は 1位（ELO 1316）。 2位は Cartesia Sonic 3.6（1275）、3位は Gemini 3.8 Flash TTS（1268）です。ただしこの板は英語の音声で評価しているので、日本語で1位という意味ではありません。 公式の目隠しテストでは約75%が v4 を選びました（対 Gemini 3.8 Flash は65%）。これは ElevenLabs 自身が測った数字です。

出典：Artificial Analysis「Text to Speech Leaderboard」（2026-09-30 取得）
artificialanalysis.ai

ネットではどう言われてる？

• X・チャエン氏：日本語で v4 と Gemini 3.8 を聞き比べ、「品質はほぼ互角、差は速さと値段」（x.com・9/28）
• note・Kudo さん：「Gemini はアドリブ派、v4 は指示どおり派」。v3 より1〜2割ゆっくり読む・長い英語の演技指示を付けると同じ言葉を2回言うことがある（note.com・9/29）
• TechCrunch：v4 で品質の伸びが大きかった言語の筆頭に日本語（techcrunch.com・9/28）

使い方①：タグで演技させる

画面の Text to Speech で、モデルに Eleven v4 を選び、声を選びます（このページの音声は標準の声 Jessica）。 タグは英語の角括弧で、演技させたい文の前に書きます。日本語の本文はそのままです。

今日は、新しい音声AIを試してみました。正直、最初は期待していなかったんです。でも、一文目を聞いた瞬間に、思わず声が出ました。これ、本当にAIなんですか。

[whispers] 今日は、新しい音声AIを試してみました。[pause] 正直、最初は期待していなかったんです。[excited] でも、一文目を聞いた瞬間に、思わず声が出ました。[laughs] これ、本当にAIなんですか。

2026年9月30日に API で生成し、AI の文字起こし（Gemini 3.8 Flash）で話し方を判定しました（各1回）。 タグの効果が次の文へにじむことがあります（[excited] の直後に [laughs] を置くと、[excited] の文も笑いまじりになった）。 タグの文字もクレジットに数えられます（v4 は1文字＝1クレジット、Turbo は0.5）。

参考までに、同じ角括弧のタグを Fish Audio S2.1 Pro Free に送ると、最初の [whispers] のささやきが最後まで続き、[excited]・[laughs] には切り替わりませんでした（ため息だけは入った）。同じ書き方でも、効き方はモデルごとに違います。

ネットで報告されていた「長い英語の演技指示を付けると同じ言葉を2回言う」は、同じ文で3回試して一度も起きませんでした。それでも、演技の指示は短いタグ1つにするのが安全です。

同じタグ入りの台本を、Gemini 3.8 Flash／Flash-Lite・GPT-4o mini TTS・OpenAI TTS-1 HD・Fish Audio・ElevenLabs v4／v4 Turbo の7モデルで読ませて並べました。 GPT の2本は文中の演技タグに対応していないので、タグを外した同じ本文を読ませています。

使い方②：読み間違いの直し方

東海林さんが、会議の資料を配ってくれました。
朝ごはんに、御御御付けを作りました。
GPT-6とGeminiを比べてみました。

しょうじさんが、会議の資料を配ってくれました。
朝ごはんに、おみおつけを作りました。
ジーピーティーシックスとGeminiを比べてみました。

東海林（しょうじ）さんが、会議の資料を配ってくれました。

正しく読めた語は v4 が10語中7語、Gemini 3.8 が10語中6語。間違え方が違い、v4 は漢字をそのまま音読みしがちで、Gemini は別の言葉に置き換えがちでした。

直し方は、ひらがな・カタカナへの書き換えが3語とも効きました。さらに v4 では 括弧のふりがな「東海林（しょうじ）」も効きました（括弧は読まずに、ふりがなだけ使った）。Gemini 3.8 では効かなかった方法です。

2026年9月30日に同じ10文を1回ずつ読ませ、AI の文字起こしで判定しました（Gemini 3.8 Flash TTS の結果は9月25日の同じテスト）。

Gemini 3.8 Flash TTS と同じ原稿で聞き比べ

前回の Gemini 3.8 Flash TTS の回と同じ番組オープニングの原稿で、声だけを ElevenLabs v4／v4 Turbo／Gemini 3.8 Flash TTS に入れ替えました。 名前を隠して聞くと、先入観が消えて「どれが自然か」だけで選べます。

同じ約24秒の原稿を1回ずつ生成した目安です（2026年9月30日・自宅の回線から）。どれが一番自然かは、ぜひ自分の耳で選んでください。

どこに使えるか

まとめ

• タグは英語の角括弧で原稿に書く
• 読み間違いはひらがな・カタカナに置き換える
• Gemini より高いが指示どおりに読む。用途で使い分ける（API は10月12日まで1,000文字 0.022ドル）